Actualités société

Makina Corpus, Autonomens et la Compagnie du Code organisent un stage de découverte, pratique et créatif, pour apprendre à programmer sa première Intelligence Artificielle (IA). Cet atelier est dédié aux filles de 14 à 18 ans à Lectoure dans le Gers, est organisé en partenariat avec la Fondation Blaise Pascal et la Communauté de Communes de la Lomagne Gersoise.

Suite à notre dernier article sur les premiers pas de Makina Corpus dans la démarche d'éco-conception, voici une synthèse du diagnostic et des recommandations.

Contexte

Les nouveaux produits et services numériques, vecteurs d’emploi et de croissance des entreprises, transforment l’ensemble des secteurs d’activités, mais ils engendrent aussi des impacts environnementaux négatifs.

Pour répondre à ces enjeux, la CCI Occitanie et FrenchSouthDigital (cluster Digital 113) ont mis en place l’opération GREENCONCEPT dont l’objectif est d’accompagner 30 entreprises à intégrer les principes l’écoconception dans le développement de leurs produit et services numériques. Cette opération a reçu le soutien de l’ADEME et de la Région Occitanie. Elles sont lauréates de l’appel à projets Économie Circulaire.

L’opération est découpée en 3 sessions :

• Diagnostic initial
• Atelier thématique
• Accompagnement individuel

Diagnostic

La priorité a été d'identifier le service numérique Geotrek et de définir un scénario type d'utilisation de l'application. Il était primordial pour notre société que le scénario intègre les 3 modules d'utilisation de l'application Geotrek, à savoir la partie métier Geotrek-Admin, le site web Geotrek-Rando et l'application mobile Geotrek-Mobile. Nous distinguons dans ce diagnostic les clients (essentiellement les structures publiques) des utilisateurs (le grand public).

Le service retenu a été analysé en approche cycle de vie, c'est-à-dire, que l’ensemble des équipements et infrastructures nécessaires pour faire fonctionner  le service a été pris en compte : les terminaux utilisateurs, les équipements des réseaux de télécommunication ainsi que les serveurs, qu’ils soient localisés dans un datacenter dédié ou dans une salle informatique de la société.

Les éléments ont ensuite été étudiés à l’aide d’un outil d’Analyse de Cycle de Vie (ACV) simplifié réalisé par Codde-GreenIT.fr-Neutreo sur la base des outils logiciels SIMAPRO® et EIME®.
Les méthodes retenues font consensus et sont reconnues au niveau de la communauté d’ACV.

Analyse des impacts :

• La phase de fabrication des terminaux et du papier est la plus importante. Elle concentre les impacts à l’échelle du cycle de vie.

• Les smartphones ont des conséquences sur le changement climatique et l'énergie fossile.

• Les impacts des serveurs, surtout pour la fabrication des équipements, contribuent à l’épuisement des ressources abiotiques.

• L’utilisation des serveurs consomme de l’électricité qui constitue le gros du bilan énergétique global.

• Les émissions de gaz à effet de serre et la pression sur l’eau douce sont liées à la fois à la fabrication et à l’utilisation des équipements.

Recommandations

1. Réduire le nombre de plans imprimés

• Dissuader d’imprimer en incitant à utiliser son smartphone et en mettant en valeur les impressions réutilisables.
• Favoriser l’impression recto-verso, mode brouillon / basse densité.
• Proposer un topoguide condensé sur 1 page plutôt qu'un itinéraire détaillé sur 4 pages en moyenne.
• Proposer en alternative à l’impression un itinéraire plastifié / cartonné dans un lieu proche du départ de la randonnée (Office de tourisme, etc.)
• Indiquer la référence carte IGN TOP25 pour éviter d’imprimer l’itinéraire pour les personnes qui disposent déjà de la carte.

2. Réduire les impacts liés au téléchargement des PDF

• Retravailler le contenu des fichiers PDF en supprimant les aplats de couleurs, condensant l'information sur moins de pages pour proposer une version "compacte" qui tient sur une 1 page au lieu de 4 pages.

3. Réduire les impacts liés aux smartphones

• Sensibiliser les usagers au fait qu’ils devraient éteindre leur smartphone pendant la randonnée et ne le rallumer qu’en cas de doute sur l’itinéraire.

4. Réduire les impacts liés aux serveurs

•  Réduire les appels d'API pour supporter plus d'usager à configuration technique équivalente.

Plus d'informations

Nous disposons d'un rapport détaillé que nous pouvons mettre à disposition de la communauté Geotrek.
Nous proposerons d'ajouter à l'ordre du jour des prochaines rencontres des utilisateurs de Geotrek à Nîmes en novembre 2019 une présentation de cet accompagnement Greenconcept.

La conférence annuelle française d’OpenStreetMap, le State of the Map France 2019, va très prochainement avoir lieu à Montpellier, du 14 au 16 juin. C’est l’occasion de rencontrer la communauté et d’échanger sur les réalisations passées et les futurs projets.

Makina Corpus a tenu à renouveler son soutien à OpenStreetMap en étant sponsor de la conférence.

OpenStreetMap est le projet libre qui permet de construire et d’améliorer une base cartographique du monde.

C’est un projet qui tient à cœur à Makina Corpus car il correspond à ses valeurs et son métier, orienté vers le logiciel et la donnée libre, la cartographie et le territoire.

Makina Corpus participe et utilise des données OpenStreetMap comme cartes dans ses projets comme Geotrek ou Accessimap mais aussi pour du calcul d’itinéraires avec MoodWalkR ou pour aider à la contribution avec Map Ma Gare.

Cette année sera l’occasion de présenter un projet réalisé en partenariat avec la SNCF sur la thématique de l’aide au cheminement piéton dans les lieux complexes, vendredi 14 juin 2019 amphi 5 à 15h30 : Annoter automatiquement un itinéraire piéton avec des repères issus d'OSM : « Tournez à gauche après la boulangerie ».

Venez échanger avec nous, on vous attend à Montpellier !

Laura et Michael suivent tous les deux le master en sciences et ingénierie de l’environnement à l'EPFL, avec pour spécialité “monitoring et modélisation de l’environnement”. Ils ont travaillé sur le sujet tout le long du semestre, encadré par le Docteur Iordan Doytchinov, collaborateur scientifique au laboratoire TOPO de l'EPFL, et l’équipe R&D de Makina Corpus.
Cet article vous propose un aperçu de leurs travaux et résultats en images !

Des Observatoires Photographiques du Paysage sous valorisés

Le Ministère de l’Aménagement du Territoire et de l’Environnement a mis en place, en 1991, des Observatoires Photographiques du Paysage (OPP) pour analyser les mécanismes de transformations des paysages dans le but de comprendre et d'orienter favorablement leur évolution.
Ces observatoires sont cependant très peu valorisés : aucun OPP ne propose d’indicateur permettant de suivre l’évolution du paysage alors que c’est le principe même de leur existence.

Échantillon des paysages qui se retrouvent dans l'OPP de la Martinique.

Un projet d’automatisation de calcul des indicateurs

L’objectif du projet était de mettre en place des indicateurs pertinents pour l’analyse de l’évolution d’un paysage dans le cadre d’un OPP.
Makina Corpus avait pour ambition que ces indicateurs puissent être calculés automatiquement, sans intervention humaine. Pour ce faire, il a été proposé d’appliquer des techniques de deep-learning, en particulier de segmentation sémantique, afin de détecter les différents éléments qui constituent un paysage et de les suivre d’image en image, d’année en année. La segmentation sémantique par réseau de neurones est une méthode qui a l'avantage de détourer les éléments détectés sur une image, permettant ensuite des analyses plus poussées.

Exemple de segmentation sémantique appliquée dans le contexte des voitures autonomes.

Les résultats

Le jeu de données à disposition est composé d’environ 2 000 images terrestres qui suivent l’évolution de plus de 600 paysages. Ce jeu de données n’est cependant pas assez renseigné pour constituer un jeu de données efficace pour l’entraînement d’un réseau de neurones. Une des principales difficultés a donc été de trouver un jeu de données approprié à la thématique afin de pouvoir ensuite effectuer des tests de détection avec un algorithme entrainé sur ce même jeu de données.

Le réseau de neurones PSPnet, entrainé sur le jeu de données MIT Scene Parsing, a été utilisé pour ces premiers tests. Après quelques ajustements du réseau pour coller à notre thématique paysagère, voici les premiers résultats de classification :

À gauche l'image originale, à droite l'image segmentée selon 7 classes.

Chaque pixel de l'image est ainsi classé dans l'une des catégories que le réseau est entrainé à détecter. Pour plus de simplicité, seulement 7 catégories générales, représentatrices d'un paysage, sont utilisées pour la classification finale des éléments de l'image : ciel, végétation, bâti, route, eau, sol naturel et bruit. La classe de bruit contient les éléments non-représentatifs d'un paysage, qui auraient pu ne pas être sur la photo (piétons, véhicules...).

La segmentation sémantique a ensuite été appliquée sur des séries temporelles de paysages. Le cadrage n'étant pas toujours exactement le même entre les images de la série temporelle, un redressement est d'abord effectué pour ne pas biaiser les résultats.
Des matrices de changements, aussi appelées matrices de confusion, permettent de quantifier la stabilité globale du paysage entre deux photos, en comptabilisant le nombre de pixels dans chacune des catégories sur chaque image. Il est alors possible de détecter les catégories qui ont eu une modification importante de leur nombre de pixels entre les deux clichés.

La lecture de cette matrice n'étant pas forcément évidente, les étudiants ont proposé un graphique qui permet de visualiser rapidement l'évolution de chacune des catégories du paysage au fil du temps et de mettre en avant les changements majeurs ayant éventuellement lieu au cours de la série temporelle. Un changement majeur est défini selon un seuil sur l'indice de stabilité : s'il est inférieur à 0.9, on considère qu'une modification remarquable a eu lieu.

Graphique présentant l'évolution de chaque catégorie dans le temps. La ligne traitillée jaune indique un changement important dans le paysage, ici la disparition de la végétation. La bordure noire sur les images est la marque du redressement des images appliquée avant la segmentation.

Les prochaines étapes

Laura et Michael ont présenté le projet et les résultats fin mai à l'EPFL. Ils ont été récompensés à cette occasion pour la qualité de leur poster exposant le sujet.
Malgré quelques erreurs de classification, les étudiants ont démontré l'efficacité du deep-learning pour valoriser ce jeu d'images et la faisabilité du projet. La prochaine étape serait alors d'entraîner nous-même un réseau de neurones pour l'adapter au mieux à notre jeu de données et améliorer les performances du traitement.
Ces indicateurs du paysage établis automatiquement pourraient ensuite servir à estimer, par exemple, la tendance d'évolution globale d'un territoire.

En attendant, si vous avez besoin d'aide pour analyser et valoriser vos images, n'hésitez pas à nous contacter