L'apprentissage profond au service des sciences de l'environnement
© 2021 Wayra
Apprentissage profond et sciences de l’environnement n’ont trouvé place commune dans les cours universitaires que récemment. Un livre, « Deep Learning for the Earth Sciences », propose un tour d’horizon des méthodes actuelles expliquées par un vaste panel de spécialistes internationaux. Devis Tuia, professeur de l’EPFL, est un des quatre éditeurs de l’ouvrage sorti récemment.
L'apprentissage en profondeur est une technique fondamentale de l'intelligence artificielle actuelle, appliquée à de très nombreuses disciplines scientifiques : les sciences de l’environnement ne font pas exception. « Deep Learning for the Earth Sciences », est un ouvrage à la fois pionnier et fédérateur puisqu’il est le premier à rassembler les meilleurs spécialistes internationaux pour faire le lien entre apprentissage profond et géosciences. Destiné à un public averti, il permet aux doctorants et aux chercheurs de se familiariser rapidement avec ces méthodes. Devis Tuia, professeur au Laboratoire de science computationnelle pour l’environnement et l’observation de la Terre de l’EPFL, est l’un des quatre éditeurs, avec Gustau Camps-Valls de l’Université de Valence, Xiaoxiang Zhu de la Technische Univesität de Munich ainsi que Markus Reichstein du Max Planck Institute.
Une collaboration internationale rassemblant toute une communauté
Deep learning for the Earth Sciences est le fruit d’une étroite collaboration entre de très nombreux spécialistes internationaux. « Nous avons fait attention à ce que les divers auteurs se relisent entre eux, afin que cet ouvrage ne soit pas une somme d’articles sur des domaines de pointe, mais constitue un tout qui pose les bases de l’état actuel de ces méthodes », souligne Devis Tuia, également membre du steering committee de l’EPFL Center for Imaging. « Il ressort notamment de cette expérience que de nombreuses technologies sont transversales aux différents domaines explorés dans ce livre, comme par exemple les réseaux convolutionnels, le pré-entrainement non-supervisé ou encore les réseaux recurrents. Les différents spécialistes ont pour point commun de se les être appropriées chacun à leur manière pour servir leur domaine de recherche, en les élévant ainsi au-delà du simple transfert de technologie, par exemple, l’application de contraintes physiques spécifiques au problème ou encore l’étude des relations causales rendent les méthodes profondes plus efficaces et transparentes, permettant ainsi de mieux comprendre notre environnement et d’expliquer les processus que l’on observe avec les images ».
Cet ouvrage, disponible également en ligne, inclus des nouvelles idées et recommandations pour de nouvelles recherches.