L’intelligence artificielle géospatiale au service du développement international

L’intelligence artificielle géospatiale au service du développement international
  • Durée
    5 jours
  • Date de début
    09/12/2024
  • Date de fin
    13/12/2024
  • Lieu
    Clermont-Ferrand
  • Organisateur(s)
    Cerdi, GDN, IHEDD-Ferdi
  • Sujet / Thèmes
    Science des données
  • Format
    Présentiel
  • Langue
    Français
  • Prérequis
    Niveau master 2 minimum en économétrie / statistique / science des données ; avoir une bonne expérience en programmation Python ; savoir lire et maîtriser la langue française
  • Prix
    1 800,00 €
  • Certifiante
    Oui
Découvrir comment combiner l'usage de l'intelligence artificielle et les données géospatiales au service du développement.

Présentation

Le domaine GeoAI, ou intelligence artificielle géospatiale, combine les technologies de l’IA et de l’analyse géospatiale pour extraire des informations pertinentes et exploitables à partir de données spatiales hétérogènes. Ce domaine innovant permet d’améliorer la prise de décision dans de très nombreux champs en lien avec le développement durable.

Les données spatiales et les cartes jouent un rôle crucial dans notre compréhension du monde, tant pour la définition que pour la mise en œuvre et l'évaluation des projets et politiques de développement. Elles permettent, en premier lieu, de saisir les diverses réalités d'un territoire et, en second lieu, de guider les stratégies à différents niveaux. Les données géoréférencées facilitent ainsi la prise de décision éclairée dans de nombreux domaines tels que l'urbanisme, la planification des infrastructures, la gestion des ressources naturelles, la réponse aux catastrophes, la lutte contre le changement climatique, la gestion des frontières, l'administration fiscale et douanière, ainsi que dans les situations de fragilité et de conflits. En fournissant une vision claire et précise des dynamiques spatiales, ces données permettent d’optimiser l’allocation des ressources, d’identifier les zones à risque, de promouvoir un développement durable et équitable, et de renforcer la résilience des communautés face aux défis socio-économiques et environnementaux.

Les différents types de données spatiales incluent :

  • Données de télédétection : les images satellites et aériennes permettant de surveiller l’occupation des sols, la couverture végétale, et les infrastructures.
  • Données de recensement : les statistiques démographiques, données d’enquêtes sur les ménages (santé, éducation, dépense, patrimoine), données de cadastre.
  • Données climatiques et environnementales : les mesures sur les précipitations, les températures, la qualité de l’air et de l’eau.
  • Données de mobilité et de transport : les données GPS, de flux de transport, de mobilité humaine. 
  • Données sur les ressources naturelles : les informations sur les sols, les ressources en eau, les minerais.
  • Données « Volunteered Geographic Information » : les données géographiques de tout types, fournies bénévolement par des particuliers (citizen science).
  • Données fiscales et douanières : les données extraites des systèmes informatiques douaniers sont géolocalisées.

Parmi ces éléments, les données de télédétection ont particulièrement révolutionné l’analyse de l’information spatiale en offrant des images satellites et aériennes détaillées, à grande échelle et (quasi) en temps réel. Elles permettent une surveillance régulière de vastes zones géographiques, capturant des détails précis sur l’occupation des sols, la végétation, les infrastructures et les activités humaines. Ces données sont également essentielles pour appréhender des régions difficiles d’accès, pour cibler efficacement les zones nécessitant une intervention prioritaire et pour suivre les changements dans le temps. 

Les développements récents en Intelligence artificielle (IA) ont grandement facilité l’exploitation des données satellitaires et aériennes en la rendant plus automatisée et plus performante. En particulier, les réseaux de neurones profonds (Deep Learning) permettent une reconnaissance précise de motifs complexes dans les images satellites. Les algorithmes d’IA réduisent l’intervention humaine pour la résolution des tâches “manuelles” fastidieuses tout en améliorant considérablement la précision. Les sorties des réseaux de neurones profonds appliqués à des données de télédétection peuvent être combinées avec des données spatiales socio-économiques et/ou environnementales. 

Des méthodes de fusion d’information permettent alors de modéliser des phénomènes spatiotemporels complexes. Ces modèles prédictifs basés sur l’IA permettent ensuite d’anticiper des évolutions futures ce qui facilite une planification pro-active et une gestion efficace. 

Objectifs

La masterclass vise à donner aux participants une introduction avancée sur les méthodes et outils de la GeoAI. La formation porte sur l’analyse avancée de l’information géospatiale en utilisant des méthodes de science des données et d’IA. 

Les participants apprendront à appliquer le machine learning pour analyser des données spatiales, ainsi que les techniques de deep learning pour traiter les images satellitaires. De plus, plusieurs cas d’études seront abordés mettant en perspective plusieurs sources de données géoréférencées. 


De façon plus précise, les objectifs pédagogiques sont les suivants : 

  • Savoir utiliser les librairies Python pour la manipulation, la visualisation et l’analyse statistique de données spatiales. 
  • Comprendre les concepts centraux en machine learning. 
  • Savoir mettre en œuvre les méthodes avancées telles que la régression elasticnet, les random forest et le gradient boosting/XGBoost sur des données spatiales.
  • Comprendre les concepts centraux en deep learning notamment pour l’analyse d’image.
  • Savoir mettre en œuvre des architectures classiques de réseaux de neurones et les appliquer à des images satellites.
  • Comprendre les concepts centraux en transfer learning.
  • Savoir importer un modèle de réseaux de neurones pré-entraînés et le spécialiser pour résoudre une tâche ad hoc.
  • Savoir mettre en œuvre des approches de fusion d’informations issues de données satellitaires et de données numériques pour inférer des cartes d’indicateurs divers. 

Public cible

La masterclass s'adresse à la fois aux universitaires tels que les chercheurs et doctorants (économistes, ingénieurs), et aux professionnels du secteur public, tels que les agents des administrations et les fonctionnaires internationaux.

Programme

La masterclass combinera de manière équilibrée, cours magistral et séance pratique. Des supports de cours et notebooks seront partagés. Elle s’effectuera sur 4 journées, organisées comme suit :

Journée 1 : Méthodes de machine learning et applications à des données spatiales. 

Journées 2 et 3 : Introduction au deep learning et à l’analyse d’images satellites. 

Journée 4 : Fusion d’informations spatiales hétérogènes et applications. 


Le langage de programmation enseigné est Python en association avec les librairies pertinentes pour la gestion et l’analyse de données géoréférencées. La pratique se fait dans l’environnement interactif Google Colab (Colaboratory) pour l’exécution des modèles et Google Earth Engine (GEE) pour l’analyse avancée des images satellites. 


Ces outils permettront aux participants de mettre en pratique les techniques apprises et d’explorer des cas d’études pertinents dans le domaine de l’analyse géospatiale. Cette approche pratique et technologiquement avancée garantit une immersion efficace dans le domaine GeoAI, préparant les participants à appliquer ces compétences dans leurs projets professionnels et de recherche. Les participants sont également encouragés à appliquer les méthodes vues en séance sur leur propre jeu de données. S’ils le souhaitent, ils pourront présenter leur problématique et les résultats de leurs analyses lors de la journée workshop qui se tiendra à la suite de la masterclass. 


Conférence

A l’issue de la masterclass, les participants pourront assister à une journée de conférences sur les thèmes suivants : 

  • Socio-Economic data Mapping in Least Developed Countries
  • Foundation models for Earth Observation data
  • Disaster Risk Management
  • Environment/Health monitoring
  • Geospatial Impact Evaluation
  • Geospatial Intelligence (GeoINT)
  • Geospatial information extraction from text
  • Explainability in deep learning and satellite data domain.

Certification

Pour l'obtention de la certification, les participant.e.s devront rendre une note de projet utilisant les techniques enseignées dans le mois suivant la formation.

Frais de participation

Les frais d'inscription sont de 1 800€ par participant.e. Les frais logistiques (transport, hébergement, restauration, etc.) ne sont pas compris dans les frais de pédagogiques. 

La Ferdi et ses partenaires, grâce au soutien de l'Agence française de développement, pourront attribuer des bourses totales (frais pédagogiques, transport et hébergement) ou partielles (transport et hébergement) en fonction de la qualité des profils et des motivations exprimées. Une attention particulière sera apportée aux candidatures féminines.

Calendrier

  •  07/10/2024 : Date limite des candidatures 
  • 15/10/2024 : Sélection des candidats
  • Du 09/12/2024 au 13/12/2024 : Masterclass en présentiel
  • 13/12/2024 : Conférence


Candidature

Les candidats devront remplir le formulaire de candidature en ligne ici

Il sera demandé de joindre plusieurs documents :

 • Un CV (incluant une bibliographie) ;

• Une lettre de motivation présentant un projet GéoAI et développement.

L’examen de la candidature sera réalisé par la Ferdi, le Cerdi et le GDN.

Nombre de places : 30

Contacts

contact.ihedd@ferdi.fr

Pour les besoins liés à des situations de handicap, vous pouvez contacter notre référente handicap :
Émeline CAMPAGNE : emeline.campagne@ferdi.fr 

Partenaires

  • Centre d'études et de recherches sur le développement international (CERDI)
  • Global Development Network