Deux réseaux neuronaux open source ont repéré 28 zones de construction récente sur des images de Moscou

L’examen d’images satellite devient vite une tâche impossible à accomplir correctement à l’œil nu. Il faut trouver des scènes sans nuages, aligner différentes dates, comparer des centaines de kilomètres carrés et éviter que le résultat ne se perde dans un dossier rempli de rasters. Lors d’une expérience menée sur le territoire de la Nouvelle Moscou, un agent IA a assemblé toute cette chaîne, tandis que les calculs sont restés locaux. Le résultat n’est pas une démonstration spectaculaire, mais une file de travail réellement exploitable : 28 zones qu’un humain devrait vérifier.

L’exemple est simple. Un rectangle de 455,60 km² a été délimité autour de Troitsk, Desna, Krasnaïa Pakhra et Chtchapovo. Trois images estivales Sentinel-2 ont été trouvées pour cette zone : une datant de juillet 2025 et deux de juillet et août 2026. Le système recherchait les endroits où la surface avait changé par rapport à 2025 et où, simultanément, la probabilité d’urbanisation avait augmenté. Après filtrage, 455,46 km² restaient utilisables pour la comparaison.

Deux modèles plutôt qu’une seule supposition

Le premier modèle, FC-Siam-diff, reçoit une paire d’images et signale les pixels qui ont changé. C’est un signal utile, mais il ne dit rien, à lui seul, sur la cause : un champ peut avoir jauni, le sol peut s’être détrempé et une ombre peut s’être déplacée. Dynamic World a donc été exécuté en parallèle. Ce modèle répartit la surface en neuf classes, dont l’eau, la végétation, les terres agricoles, le sol nu et les zones bâties.

Le filtre final exigeait la concordance de deux indicateurs indépendants. FC-Siam-diff devait détecter un changement à la fois sur l’image de juillet et sur celle d’août 2026 par rapport à 2025. Dynamic World devait montrer une hausse persistante du score de la classe « zone bâtie » aux deux nouvelles dates. L’auteur a choisi manuellement les seuils : une probabilité de changement supérieure à 50 %, un score de zone bâtie inférieur à 35 % en 2025, puis supérieur à 55 % en 2026, avec une hausse d’au moins 25 points de pourcentage.

Cette approche réduit nettement le champ de recherche. Un modèle a identifié 144 zones couvrant au total 108,32 ha, et l’autre 339 zones sur 170,80 ha. Leur intersection a laissé 28 polygones couvrant 12,44 ha. Pour les six plus grands candidats, une vérification visuelle a effectivement révélé des changements de surfaces artificielles ou de chantiers.

Le rôle de l’agent

L’agent n’était pas chargé de reconnaître le contenu des images, mais d’assembler le processus. Il a trouvé les données via l’API STAC du catalogue Earth Search, préparé les scripts, ramené les canaux sur une grille commune, exécuté les poids préentraînés des modèles et chargé les couches dans un service cartographique. Les canaux satellitaires ont été rééchantillonnés sur une grille au pas de 10 mètres ; les nuages et leurs ombres ont été exclus à l’aide de la couche auxiliaire SCL, tandis que les données catégorielles ont été interpolées par la méthode du plus proche voisin.

Après l’inférence, les masques raster ont été débarrassés des régions connexes de moins de neuf pixels, soit 900 m². Ils ont ensuite été convertis en polygones GeoJSON comportant la superficie, la date et le type de modèle. Ces polygones ont été publiés avec les images RGB d’origine sous forme de couches cartographiques distinctes. Un collègue peut ouvrir le lien, activer la date voulue et vérifier une zone précise sans configurer localement d’outils géospatiaux.

Ce qu’il ne faut pas confondre

Ces 28 polygones ne peuvent pas être qualifiés de 28 nouveaux bâtiments. La résolution de Sentinel-2 est de 10 mètres pour ses principaux canaux, et un même contour peut englober une route, du sol nu et plusieurs objets. L’intersection stricte des seuils découpe aussi les sites réels en plusieurs parties et ne détecte pas les constructions au sein d’une zone déjà aménagée. Sur les 28 candidats, seuls les six plus grands ont été examinés manuellement ; le rappel de la méthode n’a encore jamais été mesuré.

L’intérêt pratique est ailleurs. Des modèles open source prêts à l’emploi et un agent IA peuvent transformer 455 km² d’images en une courte file de vérification pour un analyste, sans envoyer les données sources vers un service d’IA externe. Mais avant tout déploiement opérationnel, il faut constituer un échantillon de contrôle annoté, évaluer la précision et le rappel, versionner les seuils et maintenir une vérification humaine. Il s’agit d’un bon pipeline de présélection, et non d’un cadastre automatique ni d’une preuve de l’apparition d’un bâtiment.