- Blog
- Témoignage
- 3 min de lecture
Christopher Maier
Christopher Maier (consultant BPC chez s-peers AG) a participé à un séminaire fin mars 2024. de deux jours atelier sur le thème Google Earth Engine au Google Office à Berlin. Dans ce qui suit, il rapporte ses principaux enseignements sur Google Earth Engine et explique les principales fonctions de la plateforme.
Qu'est-ce que Google Earth Engine ?
Google Earth Engine est une plate-forme de traitement des données géographiques qui permet aux scientifiques, aux chercheurs et aux développeurs du monde entier d'analyser des images satellites, des données géographiques et des données environnementales. La plate-forme développée par Google offre de vastes archives de données pour des analyses complètes dans l'espace et dans le temps. Outre la recherche scientifique, Google Earth Engine soutient également la surveillance, la planification et la gestion des ressources naturelles ainsi que la préparation et la réponse aux catastrophes.
Google Earth Engine donne accès à une vaste base de données d'images satellites collectées depuis de nombreuses années. Ces images proviennent de différents satellites tels que Landsat, Sentinel 1 & 2 et MODIS. En outre, la plateforme contient des ensembles de données climatiques et océanographiques, des cartes topographiques et des informations démographiques. Grâce à ces données, les utilisateurs peuvent naviguer, sélectionner des variables spécifiques et les utiliser dans leurs projets.
Les domaines d'application sont divers et variés :
- Suivi des changements d'affectation des sols et des phénomènes environnementaux
- Création de cartes et de modèles
- Optimisation de l'utilisation des ressources
- Préparation et réaction aux catastrophes naturelles
- Analyse géographique et ML/AI avec les propres données de l'entreprise
Exemple d'application à partir de la modification de la végétation sur le lac de Constance
Avant l'atelier, je m'étais déjà intéressé de près à Google Earth Engine. Earth Engine permet par exemple d'analyser la végétation sur différentes saisons à l'aide du Normalized Difference Vegetation Index (NDVI). Grâce aux données actuelles des satellites Sentinel-2, j'ai pu suivre l'évolution de la végétation du printemps à l'automne dans la région du lac de Constance et la visualiser (voir illustration 1).
L'utilisation d'un curseur a permis une comparaison directe de ces transitions saisonnières, ce qui a rendu les différences clairement visibles. La représentation visuelle du NDVI montrait non seulement l'abondance de verdure au printemps (image de gauche), mais aussi le développement de la végétation jusqu'à l'automne (image de droite). La clarté de ces images souligne l'importance du moteur Earth Engine pour l'observation et l'analyse de l'environnement.
Les enseignements tirés de ce simple exemple illustrent à quel point des données précises et un savoir-faire technique sont précieux pour la compréhension de notre environnement naturel. De tels outils ouvrent de nouvelles perspectives pour la protection de l'environnement et la science des données.
Figure 1 : Comparaison des transitions saisonnières et des changements de la végétation sur le lac de Constance.
L'utilisation de sa propre géométrie et la création de modèles
Google Earth Engine permet de définir des zones géographiques spécifiques et de travailler avec des géométries telles que des points, des lignes ou des polygones afin de sélectionner avec précision des régions pour des analyses et des applications. L'utilisation des données Sentinel-2 Level 2A fournit des images haute résolution de la surface de la Terre, particulièrement pertinentes pour les observations environnementales telles que la classification de la couverture terrestre et l'analyse de la végétation. Afin d'améliorer la qualité des images et d'identifier les nuages, la collecte d'images Cloud Score+ est utilisée pour masquer les nuages dans les images Sentinel-2.
De plus, des étiquettes ou des classes peuvent être attribuées à différentes zones afin de générer des données d'entraînement pour la modélisation. Un modèle de classification est ensuite entraîné avec les échantillons classés, typiquement avec des algorithmes ML comme Random Forest. Les résultats de la classification peuvent ensuite être affichés visuellement sur la carte et analysés afin de vérifier la précision du modèle et d'évaluer les classifications de la couverture terrestre.
L'utilisation de Google Earth Engine et de Google Cloud Architecture en six étapes :
Nous sommes à votre disposition pour vous donner un aperçu plus détaillé de ce sujet.
Vous trouverez ici d'autres solutions de la Google Cloud Platform :
