Data science géospatiale : de la donnée brute à l'indicateur pour les infrastructures

Ce qui distingue la donnée géospatiale

Une table de mesures géolocalisées ressemble à n'importe quel jeu de données. Elle n'en a pas les propriétés. Cinq différences changent la façon de travailler :

• la proximité compte : deux points voisins se ressemblent plus que deux points éloignés, ce qui biaise les statistiques classiques ;
• les systèmes de coordonnées diffèrent : une image drone, un plan CAO et une série satellitaire n'utilisent pas toujours la même projection ;
• les résolutions ne sont pas les mêmes : un point InSAR, un pixel thermique et un capteur ponctuel ne décrivent pas la même surface ;
• le temps est irrégulier : un satellite repasse tous les quelques jours, un capteur mesure toutes les minutes, une inspection a lieu une fois par an ;
• le contexte explique beaucoup : géologie, pente, pluviométrie, usage du sol, historique des interventions.

Ignorer ces propriétés produit des modèles qui semblent performants en test et se trompent sur le terrain.

Le pipeline de data science géospatiale en cinq étapes

Dans YAAPS, les trois premières étapes correspondent au socle de données SIG, les deux dernières aux moteurs d'analyse et aux applications métier. C'est la traduction concrète des étapes « collecter » et « traiter » de la méthode décrite dans notre article Data et IA pour les infrastructures critiques.

De la série InSAR à l'alerte : un exemple complet

L'InSAR, interférométrie radar satellitaire, mesure les mouvements du sol au millimètre, le long de la ligne de visée du satellite. Les archives Sentinel-1 du programme européen Copernicus remontent à 2014, avec un passage tous les 6 à 12 jours selon les régions, de jour comme de nuit et à travers les nuages.

Du signal à l'indicateur

1. Calcul des séries temporelles par des méthodes comme PS-InSAR ou SBAS, avec le service européen EGMS comme référence ;
2. Détection des zones en accélération, plus parlantes qu'une vitesse moyenne ;
3. Croisement avec le contexte : un tassement saisonnier sur des argiles n'a pas la même signification qu'une dérive continue sur un remblai ;
4. Validation par un géoscientifique, puis confirmation ciblée par levé LiDAR ou par capteurs, comme des inclinomètres ;
5. Restitution sur la carte, avec seuils d'alerte par zone ou par ouvrage.

Sur le terrain

Sur la ligne Saujon – La Tremblade, dans le cadre du projet NS2F soutenu par France 2030 avec Ferrocampus, une étude InSAR historique a permis d'identifier des zones de retrait-gonflement des argiles et de tassement, sans aucun équipement posé sur la voie. Au Grand Port Maritime de Bordeaux, à Bassens, le suivi InSAR des mouvements de terrain constitue la première brique du jumeau numérique des ouvrages.

Cinq erreurs fréquentes en data science géospatiale

1. Valider sur des points voisins. Si les données de test sont proches des données d'entraînement, le modèle paraît excellent parce qu'il reconnaît des voisins. Une validation par blocs géographiques est plus honnête.
2. Mélanger des projections. Quelques mètres d'écart suffisent à associer une mesure au mauvais ouvrage.
3. Surinterpréter les zones peu denses. En InSAR, la végétation dense, la neige et les surfaces en eau réduisent le nombre de points de mesure ; une absence de mouvement n'y vaut pas preuve de stabilité.
4. Prendre une corrélation pour une cause. Un mouvement qui suit la pluie peut venir du sol, de l'ouvrage ou du drainage : seul l'expert du terrain tranche.
5. Livrer une boîte noire. Une alerte que personne ne sait expliquer finit ignorée. Chaque résultat doit indiquer les données qui l'ont produit.

Data scientists, géoscientifiques et exploitants : qui fait quoi

La data science géospatiale n'est pas une affaire de seuls algorithmes. Elle repose sur trois compétences qui travaillent ensemble :

• les data scientists construisent les traitements, les modèles et leur industrialisation ;
• les géoscientifiques apportent la connaissance des sols, des ouvrages et des phénomènes, conçoivent les modèles avec les data scientists et valident les résultats ;
• les exploitants définissent les décisions à éclairer et confrontent les alertes au terrain.

Chez optim.aize, les modèles de YAAPS sont conçus et validés par des géoscientifiques. C'est ce qui permet de distinguer une IA géospatiale fiable d'une IA qui ne sait pas où elle regarde.

Ce que YAAPS calcule pour les exploitants

• détection des zones en accélération dans les séries InSAR ;
• scores de risque liés au retrait-gonflement des argiles et aux inondations ;
• détection et classement des défauts thermiques sur les images drone ;
• score de criticité par section d'ouvrage ou par tronçon ;
• anticipation des dérives pour la maintenance prédictive.

Ces traitements alimentent la surveillance par cartographie et la plateforme SIG souveraine YAAPS. Pas de donnée disponible ? optim.aize assure aussi l'acquisition de données terrain.

Pour aller plus loin

• Copernicus, European Ground Motion Service (EGMS)
• Open Geospatial Consortium, famille de standards OGC API

optim.aize, filiale innovation du groupe jll.spear basée à Bordeaux, développe YAAPS, la plateforme souveraine et open source qui connecte, collecte, traite et contextualise les données des infrastructures critiques pour aider à la décision.