Traquer les débris flottants depuis l'espace grâce à l'IA

Dans la lutte contre la prolifération des déchets en mer, la possibilité de repérer et suivre les nappes de débris flottants est cruciale. Pourtant, malgré l’abondance d’images satellite et de données météo, les technologies restent lacunaires. Lancé il y a deux ans, le projet ADOPT (AI for Detecting Ocean Plastic Pollution with Tracking), mené par le Laboratoire de science computationnelle pour l’environnement et l’observation de la Terre (ECEO) et le Swiss Data Science Center (SDSC), une initiative de l’EPFL, l’ETH Zurich et le PSI, propose une solution pour appuyer les opérations de collecte.

Le système, développé en collaboration avec l’Université de Wageningen (Pays-Bas), s’articule en deux volets. Emanuele Dalsasso, collaborateur scientifique au laboratoire ECEO, résume: «D’abord on identifie les débris grâce à des images satellite; ensuite on indique où ils se seront déplacés quand une intervention sera possible, typiquement dans les 24 heures.» Cette chaîne répond à un besoin simple: ONG et autorités ne peuvent pas agir instantanément, elles ont besoin d’un préavis spatial et temporel crédible pour intervenir.

Les premiers développements se sont appuyés sur Sentinel-2, les satellites optiques de l’ESA en accès libre. Mais leurs passages espacés d’environ six jours et leur résolution, 10 m par pixel, limitaient le suivi. Pour gagner en cadence et en définition, l’équipe a conçu un système d’IA capable de transférer l’apprentissage de Sentinel-2 vers PlanetScope, une constellation de plusieurs centaines de nanosatellites imageant chaque jour 3 à 5 m par pixel. Résultat: un détecteur opérationnel sur les deux sources, mis à jour quotidiennement et en plus haute résolution, sans devoir recourir à des annotations.

Précisons qu’à cette échelle l’algorithme ne détecte pas le plastique en tant que tel, mais des agrégations mixtes: il ne traque pas la bouteille isolée, mais de longues bandes de débris, les windrows. S’étendant sur des centaines de mètres, ces agrégats se caractérisent par une forte concentration de matières d’origine humaine, notamment plastiques.

Voir ne suffit toutefois pas, il faut aussi prévoir. Le second pan, développé au SDSC par Christian Donner, vise la dérive à court terme: «Je m’appuie sur des modèles physiques (vents, courants océaniques) déjà utilisés, puis j’emploie l’apprentissage machine pour les corriger. Ces modèles ne sont pas parfaits. L’IA sert à combiner les sources et calibrer les biais pour mieux prédire la trajectoire des objets flottants.» Faute de «vérité terrain» systématique sur les nappes, l’entraînement s’appuie sur des bouées dérivantes (drifters).Ces sphères équipées de GPS, suivies depuis les années 1990 dans le cadre du Global Drifter Program, servent de modèles pour d’autres objets flottants.

Reste un verrou têtu: le mauvais temps. Les capteurs optiques ne traversent pas les nuages. « Une piste serait d’intégrer les images au radar de Sentinel-1, souligne Emanuele Dalsasso. Mais si le radar traverse les nuages et peut fonctionner de jour comme de nuit, il ne fournit que des informations de texture et de géométrie et fait perdre les signatures spectrales clés des capteurs optiques, essentielles pour repérer les nappes de débris…»

La fusion radar-optique n’a pas été explorée par ADOPT. Elle le sera peut-être à l’avenir, par d’autres. Car le projet s’achève officiellement cet automne, après les deux ans prévus par son financement, en laissant une preuve de concept solide. L’équipe finalise actuellement deux publications et entend mettre à disposition les deux codes développés (détection et dérive). Côté relais, l’ONG néerlandaise The Ocean Cleanup reste engagée sur la comparaison d’algorithmes, tandis que les collaborations académiques se poursuivent à Wageningen. «L’effort va continuer, peut-être pas directement par nous, mais via nos partenaires», se réjouit Christian Donner.