Google présente Geospatial Reasoning, une intelligence artificielle générative pour l’analyse géospatiale

Intelligence artificielle et géospatialité

Le 8 avril 2025, Google Research a annoncé le lancement de Geospatial Reasoning, un effort de recherche qui combine l’intelligence artificielle générative avec de nouveaux modèles fondamentaux géospatiaux. Cette initiative vise à transformer l’analyse des données géospatiales pour des applications critiques comme la réponse aux crises, la santé publique, la résilience climatique et les applications commerciales. Les nouveaux modèles de télédétection, basés sur des architectures éprouvées et entraînés sur des images satellite et aériennes haute résolution, génèrent des représentations vectorielles riches et supportent des tâches de classification et de détection d’objets sans supervision préalable. Le cadre Geospatial Reasoning permet aux développeurs d’intégrer les modèles avancés de Google avec leurs propres jeux de données via des flux de travail agentiques orchestrés par Gemini, le grand modèle de langage (LLM) produit par Google. Des partenaires comme Airbus, Maxar, Planet Labs et WPP participent au programme de test pour évaluer ces nouvelles capacités dans des contextes réels.

Le 8 avril 2025, Google Research a dévoilé Geospatial Reasoning, une nouvelle approche qui exploite l’intelligence artificielle générative pour accélérer la résolution de problèmes géospatiaux complexes. Cette initiative s’accompagne de l’introduction de nouveaux modèles fondamentaux spécialisés dans la télédétection, marquant une étape significative dans l’évolution de l’analyse géospatiale automatisée.

L’information géospatiale, qui associe des données à des emplacements géographiques spécifiques, constitue depuis des décennies un domaine d’expertise de Google à travers ses services Maps, Street View, Earth et Search. Cependant, ces données présentent des défis considérables : leur volume important, leur complexité intrinsèque et la nécessité de capteurs spécialisés pour leur collecte et leur traitement. Les cas d’usage diversifiés requièrent souvent l’alignement et le croisement de multiples types de données - météorologiques, cartographiques, imagerie - tandis que les méthodes d’intelligence artificielle récentes ne sont pas optimisées pour les problématiques géospatiales.

Interactions complexes dans un environnement

Pour répondre à ces enjeux, Google avait introduit en novembre dernier deux modèles pré-entraînés polyvalents : le modèle fondamental de dynamiques de population (PDFM), qui capture les interactions complexes entre les comportements humains et leur environnement local, ainsi qu’un modèle fondamental de mobilité basé sur les trajectoires. Plus de deux cents organisations ont depuis testé les représentations vectorielles du PDFM pour les États-Unis, et le jeu de données s’étend désormais au Royaume-Uni, à l’Australie, au Japon, au Canada et au Malawi pour un usage expérimental par des partenaires sélectionnés.

Les nouveaux modèles fondamentaux de télédétection reposent sur des architectures éprouvées comme les auto-encodeurs masqués, SigLIP, MaMMUT et OWL-ViT, adaptées au domaine de la télédétection. Entraînés sur des images satellite et aériennes haute résolution accompagnées de descriptions textuelles et d’annotations de boîtes englobantes, ces modèles génèrent des représentations vectorielles riches pour les images et objets. Ils peuvent être affinés pour des tâches spécifiques de télédétection comme la cartographie de bâtiments et routes, l’évaluation de dommages post-catastrophe ou la localisation d’infrastructures. L’interface en langage naturel flexible permet des tâches de recherche et de classification sans supervision, autorisant par exemple la recherche d’images de « bâtiments résidentiels avec panneaux solaires » ou de « routes impraticables ».

Le cadre Geospatial Reasoning constitue l’aboutissement de cette approche en permettant aux développeurs, analystes de données et scientifiques d’intégrer les modèles fondamentaux les plus avancés de Google avec leurs propres modèles et jeux de données. Cette extension de l’approche pilotée depuis octobre dernier avec les capacités Gemini dans Google Earth utilise Gemini pour orchestrer l’inférence et l’analyse à travers les modèles et jeux de données de Google, les sources propriétaires des utilisateurs et les sources de données du domaine public.

Face à une requête complexe en langage naturel, Gemini planifie et met en œuvre une chaîne de raisonnement, analysant de multiples sources de données géospatiales et structurées, et utilisant des modèles d’intelligence artificielle avancés pour l’inférence et l’ancrage spécifiques à la tâche. Le système répond avec des aperçus et des visualisations de données, fournissant des réponses rapides et fiables.

L’application de démonstration illustre ces capacités à travers un scénario de gestion de crise post-ouragan. Le gestionnaire peut visualiser le contexte pré-catastrophe via l’imagerie satellite Earth Engine, importer l’imagerie aérienne haute résolution post-catastrophe, identifier les zones de dommages aux bâtiments ou d’inondation grâce à l’analyse d’images aériennes par les modèles fondamentaux de télédétection, consulter les prévisions météorologiques WeatherNext AI pour prédire les risques de dommages supplémentaires, et questionner Gemini sur l’étendue des dégâts, incluant l’estimation de la fraction de bâtiments endommagés par quartier, l’évaluation de la valeur monétaire des dommages matériels basée sur les données de recensement, et les suggestions de priorisation des efforts de secours selon l’indice de vulnérabilité sociale.

L’architecture du cadre Geospatial Reasoning comprend une application frontale Python intégrant des composants de cartographie et graphiques avec une interface de discussion, un backend agentique implémentant un agent LangGraph déployé via Vertex AI Agent Engine, et des outils accessibles par modèle de langage pour accéder à Earth Engine, BigQuery, Google Maps Platform et Google Cloud Storage, effectuer des opérations géospatiales courantes et utiliser les points de terminaison d’inférence des modèles fondamentaux de télédétection déployés sur Vertex AI.

Plusieurs partenaires participent au programme de test de confiance. Choreograph, l’entreprise mondiale de données et technologie de WPP, intégrera le PDFM avec les données de performance média propriétaires de WPP pour développer son intelligence d’audience pilotée par l’IA. Airbus, pionnier du marché commercial d’imagerie d’observation terrestre depuis près de quatre décennies, prévoit d’utiliser les modèles fondamentaux de télédétection de Google pour permettre aux utilisateurs d’extraire des aperçus de milliards d’images satellite plus rapidement. Maxar, fournisseur leader d’aperçus géospatiaux précis, utilisera ces modèles pour aider les clients à interagir avec leur « globe vivant » et en extraire plus rapidement des réponses critiques. Planet Labs, leader en observation terrestre fournissant une imagerie satellite quotidienne, utilisera les modèles fondamentaux de télédétection pour simplifier et accélérer les aperçus pour leurs clients.

Sambuc éditeur

Entités liées

intelligence artificielle générative, télédétection, modèles fondamentaux, données géospatiales, imagerie satellite, Google Earth Engine, gemini, gestion de crise, résilience climatique.

Entités nommées fréquentes : Geospatial Reasoning, Google, Gemini, PDFM, WPP.