Espace public du jeudi 19 octobre 2023
Lieu : Salle Galiléo, rue des Gazomètres 3, 3ème étage
Date : jeudi 19 octobre 2023
Heure : 07h30-10h30
Objet : Forum SITG - Espace public - "Rencontrez le Swiss Territorial Data Lab et apprenez-en plus sur nos projets" - 19 octobre
Accès
Informations complémentaires
Programme
Modération : Roxane Pott (swisstopo - Swiss Territorial Data Lab (STDL))
9h30 - 9h35 : Mot de bienvenue
9h35 - 9h55 : Le Swiss Territorial Data Lab se présente
Le Swiss Territorial Data Lab (https://www.stdl.ch) est une mesure de la stratégie suisse pour la géoinformation visant à encourager l’innovation collective sur le territoire numérique à travers des problématiques concrètes rencontrées par les administrations publiques, notamment en utilisant la science des données appliquée aux géodonnées. Sa vision est que l’innovation et l’expérimentation soutiennent le développement de nouvelles solutions pour les défis actuels et futurs. Un comité de pilotage composé de villes, de cantons et d’offices fédéraux guide le STDL dans sa mission.
En tant que collectif public, le STDL offre une expertise technique grâce à son équipe de geodata scientists pour des projets de 6 à 8 mois menés en cocréation avec des administrations publiques. Dans le cadre de ses projets, le STDL adopte une méthodologie scientifique et collaborative, basée sur l’intelligence artificielle et les données métier fournies par les administrations bénéficiaires. Une fois les projets terminés, le STDL publie sur des plateformes libres d’accès la documentation et la méthodologie mise en place pendant les projets.
9h55 - 10h30 : Projets STDL - Partie 1
La détection d'objets à travers des cas concrets développés par le STDL : piscines, panneaux thermiques, routes, carrières
La détection d'objets sur des images est l'une des tâches qui se prêtent à l'automatisation par des méthodes d'intelligence artificielle. Étant très difficile de formaliser les critères/règles qui permettraient à une machine de réaliser la tâche suivant une suite d'instructions conditionnelles (si-alors-sinon), on privilégie des approches basées sur l'apprentissage automatique (Machine Learning), plus en particulier sur l'apprentissage profond (Deep Learning).
Au fil des années le STDL a travaillé sur la détection de différentes typologies d'objets (piscines, panneaux thermiques, gravières), au bénéfice de plusieurs politiques publiques. Un framework a été développé et publié en Open Source, permettant d'opérer la détection et géoréférencement d'objets à partir d'images aériennes. Parmi les usages de ce framework, figure aussi la classification des routes selon le type de surface (naturelle ou artificielle).
Comment mieux connaître nos toits : détection de l'espace libre en toiture et inventaire des toitures végétalisées
L’utilisation des espaces libres sur les toitures pourraient permettre aux administrations publiques de répondre aux enjeux actuels des crises climatiques et énergétique. En effet, les toits présentent encore un grand potentiel énergétique inexploité et leur végétalisation permettrait d’améliorer le tissu de biodiversité en ville tout en amoindrissant les îlots de chaleurs.
Cependant, leur utilisation actuelle et le potentiel restant sont mal connus. Hors, cette information est essentielle pour la définition de stratégies efficaces et la mobilisation des bonnes ressources.
Dans ce projet, le STDL cherche à délimiter les surfaces libres et occupées sur les toitures genevoises.
10h30 - 10h45 : pause
10h45 - 11h25 : Projets STDL - Partie 2
Mieux définir les zones potentiellement polluées avec une cartographie des surfaces de pleine terre (en anglais)
Les sols pollués présentent divers risques pour la santé et la connaissance de leur localisation précise est cruciale pour la prévention et la gestion des mouvements de sol lors des travaux de construction. Cependant, les cartes existantes ne sont souvent précises qu'au niveau de la parcelle et sont donc incomplètes à proximité des habitations (une parcelle comprend souvent une maison et un jardin), alors qu'il s'agit d'endroits critiques. Ce projet vise à créer une carte à haute résolution qui indique les sols potentiellement pollués, c'est-à-dire ceux qui ne sont pas imperméabilisés, comme les champs, les pelouses ou les sols argileux, avec une résolution spatiale d'au moins 1m. La détection s'appuiera sur des méthodes automatisées utilisant des photos aériennes multicanaux (R, G, B, NIR, DHM) et des algorithmes d'apprentissage profond.
Valoriser les anciens plans cadastraux grâce à des méthodes de vectorisation automatique
Les cartes cadastrales historiques constituent de précieuses données pour les reconstitutions historiques, les sciences sociales et les administrations publiques. L’intérêt croissant pour la sauvegarde, la valorisation et le partage de ces cartes papier motive leur vectorisation dans le but de pouvoir être intégrées dans des SIG. Cette tâche, souvent effectuée manuellement, est un processus qui peut être fastidieux. Le développement récent de méthodes numériques basées sur l’intelligence artificielle permet d’automatiser des tâches et peut réduire le temps de traitement des données par rapport à une procédure manuelle.
Dans ce cadre, le STDL a développé une méthodologie permettant de vectoriser automatiquement les cartes cadastrales historiques de Genève (plans Dufour, 1850’s) en adoptant des méthodes d’apprentissage profond (classification sémantique, reconnaissance de texte). Les éléments d’intérêt (parcelles, bâtiments,...) des cartes sont identifiés, vectorisés et indexés. Le tout est agrégé dans un fichier vectoriel géoréférencé compatible avec l’utilisation d’un SIG.
Faciliter le contrôle de la classification dans les nuages de points 3D. Focus sur le LiDAR
L'acquisition de données LiDAR au niveau national ou cantonal est devenue une pratique courante. En effet, swisstopo est en train de terminer sa campagne d'acquisition pour l'ensemble de la Suisse. Genève acquiert également ses propres données depuis plusieurs années.
Ces nuages de points en 3D peuvent être classifiés selon les besoins. Des méthodes semi-automatiques existent et sont largement utilisées aujourd'hui pour cette tâche. Cependant, des erreurs de classification peuvent toujours se produire et les ressources humaines nécessaires pour le contrôle de la qualité de ce produit sont considérables.
Le STDL développe actuellement une solution permettant de mettre en évidence les changements de classification d'un nuage de points par rapport à la génération précédente. Elle devrait également permettre à l'opérateur d'obtenir un degré de criticité de ces changements.