Participation citoyenne et arbres en ville
Citoyens et citoyennes, vous souhaitez voir plus d’arbres dans les rues de votre belle ville et contribuer à votre échelle? Eh bien vous êtes au bon endroit !
Aidez nous à entrainer un logiciel pour reconnaitre les arbres présents autour de chez vous. C’est fun et facile ! On vous explique tout dans cet article.
Pourquoi reconnaitre des arbres ?
Pour pouvoir planter des arbres, les services chargés des espaces verts doivent connaitre le patrimoine arboré du territoire. Pour cela un inventaire est nécessaire afin de connaitre les espèces présentes et préparer au mieux les futures plantations (choix des essences, de l’emplacement…).
Il s’agit d’un processus fastidieux et difficile à mettre en place pour les gestionnaires lorsqu’il est réalisé de manière conventionnelle. C’est donc ici, que la partie technologie fait son apparition pour rendre cette étape moins complexe.
Dans le cadre du Hack4Nature organisé par l’association Donut Infolab et Natural Solutions, les participants ont l’occasion de contribuer au challenge « Detect Tree ». Le but est de construire un outil Open Source de détection individuelle des arbres avec des données Open Data.
Vous souhaitez en savoir plus sur le challenge : rendez-vous ici.
Globalement comment ça marche ?
Pour détecter un arbre sur une image satellite, nous avons besoin d’un modèle.
Un modèle est un algorithme d’apprentissage automatique qui a été entraîné sur des données et qui peut donc faire une prédiction. Dans le cadre du challenge “Detect Tree”, nous utilisons le modèle DeepForest développé par le MIT.
DeepForest est un modèle basé lui-même sur RetinaNet, un réseau de neurones spécialisé dans la reconnaissance d’objets sur une image. DeepForest adapte donc RetinaNet à la détection spécifique d’arbres sur des images satellites. Notre but est d’utiliser DeepForest et de le spécialiser dans la détection d’arbres dans les milieux urbains français. En effet, DeepForest a été entrainé sur des données qui ne ressemblent pas forcément à celles dont nous disposons. Les images utilisées proviennent du National Ecological Observatory Network qui possède des images satellites de forêt d’Amérique du Nord (sauf Canada et Mexique). DeepForest est donc habitué aux espèces d’arbres caractéristiques des milieux tempérés mais pas aux espaces urbains. Nous pouvons remédier à cela grâce au Fine-tuning (ou réglage fin). Et c’est là que nous avons besoin de vous !
Quel est votre rôle dans tout ça ?
Le site prodigy est un outil simple et efficace permettant d’entraîner et d’améliorer des modèles de Machine Learning. Prodigy permet d’annoter des images en indiquant où se trouvent certains objets à l’aide de polygones avec une étiquette. Mais il est également possible de corriger une image déjà annotée par un modèle. On peut alors modifier la taille, la forme et la position d’un polygone, changer son label, le supprimer ou en rajouter un nouveau.
Nous allons demander à notre modèle de prédire la position des arbres sur une série d’images satellites de villes. Ces prédictions sont des rectangles sur l’image. Chaque rectangle correspond à un endroit où le modèle pense avoir reconnu un arbre. Vous allez voir que le modèle reconnait un grand nombre d’arbres. Mais il y a aussi des faux positifs : des endroits où le modèle reconnait un arbre alors qu’il n’y en a pas. Et aussi des faux négatifs : le modèle rate certains arbres. Nous devons donc vérifier chaque image une par une pour confirmer ou non la présence d’un arbre et ajouter ceux oubliés. Ce travail est long mais grâce à Prodigy il devient simple et amusant.
Exemple avec les deux images suivantes. Sur la première photo, l’arbre au dessus du carré rouge a été oublié par l’algorithme, il s’agit d’un faux négatif. Sur la seconde image la correction a été apportée en ajoutant l’arbre.
Avant correction
Après correction
Votre mission si vous l’acceptez : passer en revu des images avec les prédictions du modèle et les corriger.
Toutes les instructions vous serons données sur le site. À vous de jouer !
Des résultats précieux, obtenus grâce à vous !
Une fois les prédictions du modèle corrigées, nous pourrons donner ces images corrigées au modèle pour que celui-ci apprenne de ses erreurs et s’améliore. Après ce re-entrainement, nous pourrons lancer de nouvelles prédictions sur les images initiales et voir la différence. Le modèle devrait être en mesure d’éviter certaines de ces erreurs précédentes et de détecter plus d’arbres grâce à votre contribution !
Certains résultats pourront être utilisés par la suite pour alimenter la base de données du logiciel ecoTeka. Ce logiciel est à destination des gestionnaires d’espaces verts pour préparer les villes de demain.
