GeoAI avec Python

Apprenez à appliquer l’apprentissage profond et l’intelligence artificielle aux images satellitaires, aux photographies aériennes et aux données géospatiales avec Python. Ce guide pratique et concret vous accompagne depuis le téléchargement de données de télédétection jusqu’à l’entraînement et l’évaluation de modèles d’apprentissage profond, le tout avec des outils open source.

• Mettre en place un environnement GeoAI complet avec Python, PyTorch et l’accélération GPU.
• Télécharger des images satellitaires depuis Microsoft Planetary Computer et des portails de données ouvertes.
• Créer des cartes interactives et préparer des jeux de données d’entraînement à partir de grandes images satellitaires.
• Entraîner et évaluer des modèles pour sept tâches clés de l’IA géospatiale : reconnaissance d’images, détection d’objets, segmentation sémantique, segmentation d’instances, traduction d’images, détection de changements et régression au niveau du pixel.
• Appliquer des modèles fondamentaux, y compris le Segment Anything Model (SAM), des modèles vision-langage et des embeddings satellitaires, à des problèmes réels d’observation de la Terre.
• Exécuter des flux de travail d’IA dans QGIS sans écrire de code grâce à des plugins pour la segmentation des arbres, la détection de l’eau, et plus encore.

• 23 chapitres d’exemples de code exécutable organisés en cinq parties : Fondations, Acquisition et préparation des données, Tâches principales de l’IA, Modèles fondamentaux et Plugins QGIS.
• Tous les exemples utilisent de véritables images satellitaires avec PyTorch, torchgeo, segment-geospatial, leafmap et geoai.
• Tout le code et les jeux de données sont disponibles gratuitement sur GitHub et Source Cooperative pour une reproductibilité complète.

Professionnels des SIG, scientifiques en télédétection, data scientists et étudiants souhaitant appliquer l’IA aux données géospatiales à l’aide de Python et d’outils open source.