Des scientifiques de l’Université Constructor (ex université Jacobs) de Brême, en Allemagne, de l’Université de Padoue et de l’Université de Bologne ont développé une nouvelle approche open source pour la cartographie des reliefs planétaires à l’aide de l’intelligence artificielle. La version préliminaire de cette approche basée sur le Deep Learning, intitulée "DeepLandforms", a été publiée fin décembre dernier dans la revue "Earth and Space Science" de l’American Geophysical Union.  La création de cartes géologiques de surfaces planétaires telles que Mars est un processus complexe et chronophage. De la collecte des données à leur analyse, en passant par la publication dans différents formats, la production de cartes repose sur un processus long en plusieurs étapes. Toutes les occurrences d’un objet spécifique, naturel ou artificiel, dans une zone définie, doivent être ainsi identifiées, dessinées et classées manuellement. La cartographie de grands objets dans de petites zones est une tâche facile, mais peut être ingérable lorsqu'elle concerne de petits reliefs sur toute la surface d’une planète. Actuellement, en particulier pour étudier notre planète Terre, les chercheurs et les professionnels profitent de logiciels hautement spécialisés basés sur le deep learning. Cependant, ces logiciels requièrent souvent des connaissances élevées en langages de programmation informatique et les jeux d’outils open-source, prêts à l’emploi et hautement personnalisables pour la cartographie planétaire, n’ont jamais été publiés L'équipe présente dans cet article la première pré-version d’un nouveau logiciel informatique open-source, presque prêt à l’emploi, qui fournit tous les instruments pour aborder le deep learning pour la cartographie automatique des reliefs ainsi que les résultats obtenus pour cartographier des formes de relief semblables à des gouffres sur Mars. Giacomo Nodjoumi, doctorant dans le groupe de recherche d’Angelo Rossi, professeur de sciences de la Terre et des planètes à l’Université Constructor, qui a joué un rôle clé dans le développement de « DeepLandforms, déclare :

"Nous voulions concevoir un outil simple, prêt à l’emploi, qui peut être personnalisé et utilisé par beaucoup".

Le programme est ouvert, disponible pour une optimisation plus poussée, et présente une approche peu coûteuse, rapide et simple de la cartographie des planètes dans l’espace.

DeepLandforms

DeepLandforms a été développé dans le but de créer un ensemble complet d’outils afin de prendre en charge un flux de travail pouvant cartographier les reliefs à l’aide de données géoréférencées et produire des résultats au format vectoriel, comme le montre l'organigramme ci-dessous. Les scientifiques ont démontré les résultats qui peuvent être obtenus à l’aide du logiciel de cartographie planétaire avec un relief spécifique sur Mars, qui ressemble à des tubes de lave sur Terre. Les puits de lumière, les fosses et les chaînes de fosses, ce type de relief très intéressant, peut être observé sur presque toutes les planètes rocheuses et les lunes du système solaire. Selon l'équipe, la présence de grottes accessibles sur d’autres planètes et lunes revêt une importance considérable pour l’exploration spatiale, car ces grottes peuvent contenir des traces de vie, passées et potentiellement présentes, car certaines bactéries extrêmophiles et d’autres formes de vie plus petites peuvent avoir trouvé refuge contre les conditions de surface difficiles et les radiations cosmiques. De plus, les grottes pourraient servir dans le futur d'avant-postes d’habitation humaine et permettent d'étudier la structure souterraine, fournissant ainsi des informations précieuses pour comprendre les paramètres géologiques, l’évolution de la région et l’accès direct potentiel aux ressources minérales. Le cas d’utilisation de preuve de concept de la détection de fosses / puits de lumière sur Mars a été très utile pour évaluer le flux de travail de DeepLandforms. Pour les chercheurs, l’ensemble d’outils DeepLandforms, peut être un précurseur et une tentative de mener une approche plus facile bien adaptée à la fois aux nouveaux utilisateurs et aux utilisateurs avancés. Bien qu'il en soit à sa première version et encore en développement, il peut aider à améliorer davantage le processus de cartographie de manière plus rapide et robuste. Références : DeepLandforms: A Deep Learning Computer Vision Toolset Applied to a Prime Use Case for Mapping Planetary Skylights Earth and Space Science, https://doi.org/10.1029/2022EA002Constructor Bremen278 Auteurs et affiliations :
  • Giacomo Nodjoumi et Angelo Pio Rossi : Université Constructor, Brême, Allemagne;
  • Riccardo Pozzobon, INAF-Observatoire astronomique de Padoue, Padoue, Italie;
  • Francesco Sauro, Département des sciences biologiques, géologiques et environnementales, Université de Bologne, Bologne, Italie

Nos articles remonteront en priorité dans « À la une » de Google.