Dans cet épisode de notre Parlons transition énergetique, Harjit Sheera, une experte de l’industrie spatiale de CGI discute avec Peter Warren de la croissance constante du volume des données spatiales et de leur incidence et application dans l’ensemble des secteurs d’activité. Ils se penchent sur le traitement des données spatiales à des fins d’accessibilité et d’utilisation efficace qui était auparavant une tâche ardue, et ils explorent comment l’intelligence artificielle (IA) et les plateformes de traitement avancées aident les organisations à tirer le meilleur parti de leurs données spatiales. De la surveillance de l’impact environnemental à la cartographie des émissions en passant par l’organisation des données en couches, les données spatiales changent notre façon de voir les objectifs de transition énergétique et nous permettent d’agir en conséquence.

Amélioration et accélération des données spatiales traditionnellement lourdes grâce à l’IA

Travaillant dans l’ensemble de la chaîne d’intervenants de l’industrie spatiale, les experts de CGI dans ce domaine agissent à titre de conseillers pour des organisations de cette industrie, collaborent avec les organismes de réglementation et soutiennent les utilisateurs grâce au développement d’applications et à une prestation de services en mode délégué.

Forte de près de 20 ans d’expérience dans l’industrie spatiale, Harjit connaît les défis que posent les données spatiales, particulièrement en ce qui a trait à l’exploitation et à la traduction de leur vaste volume. « Il faut beaucoup de puissance de traitement, d’énergie de stockage et de normalisation pour rendre ces données accessibles aux utilisateurs finaux. »

Les moteurs de traitement émergents (y compris ceux qui traitent des données d’observation de la Terre, qui examinent les images ou qui établissent les paramètres normalisés requis) utilisent l’IA, l’apprentissage machine et des algorithmes avancés pour se perfectionner davantage et offrir une performance améliorée plus rapidement. De plus grands volumes de données peuvent ainsi être traités de façon efficace, et il est possible de répondre aux diverses exigences des utilisateurs.

SConcrètement, l’IA permet d’identifier les éléments importants des images satellites et de les traiter plus rapidement en fonction des besoins des utilisateurs. Par exemple, Harjit présente le cas d’utilisation des agriculteurs qui exploitent l’IA et l’imagerie satellite pour surveiller et montrer leurs cultures et leur façon de cultiver les terres afin d’obtenir des subventions gouvernementales.

Peter souligne les répercussions positives liées au cas d’utilisation de l’apprentissage profond avancé et de la reconnaissance des cultures pour les organisations du secteur de l’énergie qui veulent surveiller, par exemple, les fuites ou la croissance de la végétation sous les lignes électriques et près des infrastructures des entreprises de services publics. Tout cela contribue à réduire les coûts d’entretien et les dommages potentiels.

Alors que l’IA et les données satellites deviennent de plus en plus essentielles pour surveiller l’évolution de l’environnement, leur utilisation et efficacité accrues pour traiter les images satellites permettent également une cartographie immédiate des situations dramatiques en temps réel. Harjit souligne que la cartographie rapide des paysages touchés par des événements majeurs comme une guerre est un exemple de l’amélioration du traitement des données spatiales : « Au lieu de devoir attendre près d’une semaine pour voir l’évolution, on peut avoir accès à un portait de la situation en une seule journée, parfois même en quelques heures. C’est vraiment des progrès formidables. »

La combinaison d’autres données avec les données spatiales permet de créer une analyse robuste aux fins de protection de l’environnement

Au-delà de la surveillance et de la cartographie en cas de situation majeure, l’IA et les données spatiales aident également les organisations à prédire des résultats, et surtout, selon Harjit, lorsque l’on combine des données de surveillance provenant d’autres sources qui tiennent compte d’autres variables pour générer des perspectives et des recommandations plus éclairées.

Elle mentionne trois exemples clés :

  • L’IA peut aider à prédire beaucoup plus précisément les feux de forêt à l’aide d’algorithmes et de données supplémentaires recueillies par des organismes gouvernementaux sur la probabilité des feux de forêt. Les organismes peuvent produire des prévisions mensuelles approximatives, mais la combinaison de renseignements satellites et de techniques d’IA pour appuyer les données existantes permet de mettre en œuvre des services de protection plus proactifs.
  • Au moment d’évaluer le potentiel de production d’énergie des infrastructures, l’utilisation de données supplémentaires peut aider à répondre aux questions suivantes :
    • Est-il rentable d’installer des panneaux solaires sur ce bâtiment (pour un client résidentiel) ou même sur tous nos bâtiments (pour un exploitant commercial comme DHL)?
    • Pouvons-nous tirer parti de ce potentiel dans les zones bâties ainsi que dans les zones rurales où il peut y avoir beaucoup de bâtiments sur lesquels des panneaux solaires pourraient être installés?
    • Y a-t-il une façon de produire de l’énergie qui pourrait aussi être utilisée dans la chaîne de services publics?
  • Le nouveau satellite SpaceX peut désormais surveiller les rejets de panaches de méthane sur la Terre, en particulier ceux provenant des sociétés pétrolières et gazières, détectant des zones où les émissions sont trop élevées. La surveillance est possible non seulement depuis l’atmosphère, mais aussi en regardant directement des images de la Terre.

Bien que les cas d’utilisation des données spatiales soient infinis, Harjit affirme qu’il est préférable de ne pas se fier uniquement aux données spatiales. En combinant des données spatiales à d’autres formes de données, les informations recueillies s’appuient mutuellement et fournissent davantage de renseignements aux professionnels qui les examinent et les évaluent. Ces derniers peuvent ensuite en tenir compte dans leurs prédictions et formuler des algorithmes afin d’adapter leur façon d’utiliser les données.

« Les données spatiales permettent une vision globale qui s’ajoute aux connaissances obtenues localement grâce aux données recueillies sur le terrain », affirme Harjit. Cela permet d’avoir une vue d’ensemble claire de ce à quoi les analystes ont accès tout en adoptant une approche axée sur les données pour élaborer des mesures environnementales.

Écoutez d’autres balados de cette série pour en apprendre davantage sur la transition énergétique.