![\"\"](\"http:\/\/variances.eu\/wp-content\/uploads\/2019\/04\/1.png\")
Le Big Data\u00a0: de nouveaux territoires \u00e0 exploiter pour cr\u00e9er de la valeur<\/p><\/div>\n
L\u2019\u00e9mergence de ces donn\u00e9es massives ouvre par cons\u00e9quent de nouveaux territoires \u00e0 explorer en analyse des donn\u00e9es. Associ\u00e9e aux nouvelles technologies \u00e0 l\u2019origine d\u2019une augmentation consid\u00e9rable des puissances de calcul, l\u2019exploitation de ces nouvelles donn\u00e9es est g\u00e9n\u00e9ratrice de valeur, d\u2019opportunit\u00e9s, notamment dans le domaine de l\u2019\u00e9conomie et de la finance.<\/p>\n
Pour se pr\u00e9parer \u00e0 cr\u00e9er de nouveaux services et de nouvelles applications \u00e9conomiques et financi\u00e8res, tant \u00e0 partir de ces nouvelles sources de donn\u00e9es que des donn\u00e9es existantes, les \u00e9tudiants de l\u2019ENSAE sont extr\u00eamement bien positionn\u00e9s pour les prochaines d\u00e9cennies.<\/p>\n
QuantCube Technology a relev\u00e9 ce d\u00e9fi en se sp\u00e9cialisant en Intelligence Artificielle pour les pr\u00e9visions macro\u00e9conomiques et financi\u00e8res \u00e0 partir de l\u2019analyse du Big Data, c\u2019est-\u00e0-dire en estimant en temps r\u00e9el les grandes variables macro\u00e9conomiques telles que la croissance \u00e9conomique, l\u2019inflation, le march\u00e9 de l\u2019emploi et des informations sectorielles. Pour cela, de multiples sources de donn\u00e9es structur\u00e9es et non structur\u00e9es sont analys\u00e9es puis crois\u00e9es, la s\u00e9lection des sources de donn\u00e9es \u00e9tant le r\u00e9sultat d\u2019une analyse fondamentale d\u00e9coulant d\u2019une compr\u00e9hension profonde de l\u2019\u00e9conomie de chacun des pays \u00e9tudi\u00e9s.<\/p>\n
La mesure de l\u2019\u00e9conomie en temps r\u00e9el \u00e0 partir du Big Data<\/em><\/p>\n <\/p>\n Ces derni\u00e8res ann\u00e9es, au sein de QuantCube, l\u2019\u00e9quipe de Data Scientists d\u00e9di\u00e9e \u00e0 l\u2019analyse d\u2019images a d\u00e9velopp\u00e9 une nouvelle g\u00e9n\u00e9ration d\u2019indicateurs macro\u00e9conomiques intitul\u00e9e \u2018Urban Space Series<\/em>\u2019 \u00e0 partir d\u2019images satellites, ceci avec le soutien technique et financier du Centre National des Etudes Spatiales (CNES) et de l\u2019Agence Spatiale Europ\u00e9enne (ESA).<\/p>\n Concr\u00e8tement, il est d\u00e9sormais possible d\u2019estimer la croissance \u00e9conomique urbaine \u00e0 partir des donn\u00e9es satellitaires, telles que celles de Sentinel-2, qui fournit tous les cinq jours des images d’une largeur au sol de 290 km et d’une r\u00e9solution de 10 \u00e0 60 m selon les bandes spectrales allant du visible au moyen infrarouge.<\/p>\n Cette s\u00e9rie d\u2019indicateurs permet de mesurer la croissance \u00e9conomique urbaine de mani\u00e8re syst\u00e9matique, contournant les diff\u00e9rentes m\u00e9thodologies relatives au calcul de la croissance \u00e9conomique en fonction des pays. Pour cela, \u00e0 partir d\u2019une image Sentinel-2, il est possible d\u2019extraire les zones urbaines et de classifier le terrain en 18 classes diff\u00e9rentes (zone urbaine, r\u00e9sidentielle, commerciale, espace vert, zone industrielle, for\u00eat, champs, etc.).<\/p>\n L\u2019analyse des images Sentinel-2 en temps r\u00e9el, en fonction des taux de revisite de la zone g\u00e9ographique concern\u00e9e, permet alors de mesurer les aires urbaines de fa\u00e7on syst\u00e9matique et homog\u00e8ne, et ainsi de comparer les formes des diff\u00e9rentes villes et de suivre leur croissance en temps r\u00e9el. Cette analyse d\u2019images offre la possibilit\u00e9 aux utilisateurs d\u2019obtenir les formes des aires urbaines des villes s\u00e9lectionn\u00e9es ainsi que plusieurs autres indicateurs comme leur aire ou p\u00e9rim\u00e8tre.<\/p>\n Compar\u00e9e \u00e0 d\u2019autres \u00e9tudes faites pour calculer cet indicateur, l\u2019utilisation d\u2019une unique source de donn\u00e9es \u2013 Sentinel-2 \u2013 avec un m\u00eame algorithme permet de comparer ais\u00e9ment les croissances \u00e9conomiques urbaines entre villes et pays.<\/p>\n Afin d\u2019estimer l\u2019aire urbaine ainsi que l\u2019identification des surfaces des villes, un mod\u00e8le de segmentation d\u2019image est utilis\u00e9 pour classifier chaque pixel de l\u2019image. Dans ce cadre-l\u00e0, le mod\u00e8le Tiramisu a \u00e9t\u00e9 impl\u00e9ment\u00e9. L\u2019objectif de ce mod\u00e8le est d\u2019exploiter l\u2019architecture DensetNet, tout en compensant l\u2019augmentation du nombre de fonctionnalit\u00e9s.<\/p>\n En ce qui concerne le mod\u00e8le Tiramisu, l\u2019architecture du r\u00e9seau ci-contre est compos\u00e9e d\u2019un downsampling path (<\/em>responsable de l\u2019extraction de caract\u00e9ristiques \u00e0 diff\u00e9rentes \u00e9chelles spatiales)<\/em>\u00a0 qui commence avec une premi\u00e8re convolution, puis une nouvelle carte de fonctionnalit\u00e9s est cr\u00e9\u00e9e au sein de chaque dense block<\/em>. Un dense block<\/em> est compos\u00e9 de plusieurs couches permettant d\u2019extraire des cartes de caract\u00e9ristiques, la sortie du dense block <\/em>\u00e9tant la concat\u00e9nation des sorties de toutes les couches du block<\/em>. L\u2019image en sortie passe donc \u00e0 travers la premi\u00e8re couche pour cr\u00e9er un nombre k<\/em> de cartes de fonctionnalit\u00e9s qui sont concat\u00e9n\u00e9es \u00e0 l\u2019entr\u00e9e de la couche suivante, et ainsi de suite. Entre chaque dense block<\/em>, la r\u00e9solution de l\u2019image diminue et le nombre de versions de l\u2019image repr\u00e9sentant une fonctionnalit\u00e9 augmente. La principale caract\u00e9ristique de ce mod\u00e8le DenseNet est qu\u2019il enregistre les sorties de chaque couche du mod\u00e8le. Apr\u00e8s chaque dense block<\/em>, <\/em>l\u2019augmentation du nombre de fonctionnalit\u00e9s est compens\u00e9e par une r\u00e9duction de la r\u00e9solution de l\u2019image.<\/p>\n Par la suite, la r\u00e9solution de l\u2019image est compar\u00e9e \u00e0 l\u2019originale par le upsampling path<\/em> (entra\u00eener pour retrouver la r\u00e9solution originale de l\u2019image sur l\u2019output du mod\u00e8le) en s\u2019appuyant sur les informations spatiales de la couche miroir du r\u00e9seau \u00e0 l\u2019aide de skip connexion<\/em> (connections entre le downsampling path<\/em> et le upsampling path<\/em> permettant de r\u00e9cup\u00e9rer les hautes fr\u00e9quences de l\u2019image originale) afin de retrouver le m\u00eame niveau de d\u00e9tail que l\u2019image originale. Finalement, la sortie du r\u00e9seau est une image de la m\u00eame r\u00e9solution que celle de l\u2019entr\u00e9e, la couleur de chaque pixel indiquant la classe de ce m\u00eame pixel par rapport \u00e0 l\u2019image d\u2019origine.<\/p>\n On observe d\u2019une part que la croissance du nombre de fonctionnalit\u00e9s dans le \u00ab\u00a0down-sampling path<\/em>\u00a0\u00bb est compens\u00e9e par la r\u00e9duction de la r\u00e9solution spatiale apr\u00e8s l\u2019op\u00e9ration de MaxPooling. Cette op\u00e9ration est un concept important des r\u00e9seaux de neurones convolutifs permettant un sous-\u00e9chantillonnage de l\u2019image. En effet, le pooling r\u00e9duit la taille spatiale d\u2019une image interm\u00e9diaire, r\u00e9duisant ainsi la quantit\u00e9 de param\u00e8tres et de calcul dans le r\u00e9seau, permettant aussi d\u2019extraire des fonctionnalit\u00e9s sur des \u00e9chelles spatiales plus grandes.<\/p>\n D\u2019autre part, dans le \u00ab\u00a0up-sampling path<\/em>\u00a0\u00bb, les transitions \u00ab\u00a0up\u00a0\u00bb consistent \u00e0 sur\u00e9chantillonner les cartes de fonctionnalit\u00e9s, augmentant la r\u00e9solution de l\u2019image. Pour r\u00e9introduire les hautes fr\u00e9quences perdues dans le MaxPooling de la premi\u00e8re moiti\u00e9 du r\u00e9seau, on utilise l\u2019information spatiale des images de la premi\u00e8re moiti\u00e9 de r\u00e9seau (des \u00ab\u00a0skip connection<\/em>s<\/em>\u00a0\u00bb).<\/p>\n A un niveau plus granulaire, l\u2019objectif est d\u00e9sormais d\u2019\u00e9tablir une classification plus fine en travaillant avec des images multi-\u00e9chelle (jusqu\u2019\u00e0 50 cm de r\u00e9solution) pour classifier les b\u00e2timents et les installations dans un milieu extra-urbain. Pour cela, Quantcube Technology a int\u00e9gr\u00e9 un ensemble de plus d\u2019un million d\u2019images provenant de plus de 200 pays dans des villes de densit\u00e9 de construction moyenne. Cette \u00e9tape a permis de classifier les b\u00e2timents en 63 cat\u00e9gories diff\u00e9rentes (h\u00f4pital, parking, station essence, site en construction, etc.) et donc d\u2019obtenir une carte plus d\u00e9taill\u00e9e des villes \u00e9tudi\u00e9es. Une application directe est la caract\u00e9risation de la d\u00e9tection de changement \u00e0 partir de la carte de fonctionnalit\u00e9 des b\u00e2timents.<\/p>\n Tout d\u2019abord, l\u2019\u00e9tude de la croissance urbaine r\u00e9alis\u00e9e \u00e0 partir des images \u00e0 10 m\u00e8tres de r\u00e9solution a permis de d\u00e9tecter les nouvelles constructions et d\u00e9molitions dans une ville, et de caract\u00e9riser ce changement en 13 diff\u00e9rentes classes (r\u00e9sidentielle, commerciale, etc.), avant d\u2019utiliser des images haute-r\u00e9solution pour cr\u00e9er 63 classes. Pour cette derni\u00e8re \u00e9tape, une fonctionnalit\u00e9 a \u00e9t\u00e9 attribu\u00e9e \u00e0 chacun des nouveaux b\u00e2timents\u00a0: construction d\u2019un h\u00f4pital, d\u2019un commissariat de police et m\u00eame d\u2019une \u00e9cole.<\/p>\n Par la suite, Quantcube Technology \u00e9tudie \u00e9galement des zones non urbaines \u00e0 partir de l\u2019analyse des images hyperspectrales, pour caract\u00e9riser l\u2019\u00e9tat de la couverture naturelle des sols\u00a0: terre, cultures, for\u00eats, etc.<\/p>\n Prenons l\u2019exemple de la ville de Reims pour calculer sa superficie urbaine. Nous pouvons r\u00e9cup\u00e9rer l\u2019image spectrale de la ville prise par le satellite Sentinel-2. A partir de cette image nous pouvons cr\u00e9er diff\u00e9rents indicateurs. Dans un premier temps des indices de v\u00e9g\u00e9tation sont calcul\u00e9s. Ces derniers nous permettent notamment de caract\u00e9riser les zones non urbaines de la ville et l\u2019\u00e9tat de la couverture naturelle des sols. Dans un second temps, comme d\u00e9taill\u00e9 ci-dessous, les zones urbaines de la ville sont \u00e9tudi\u00e9es en calculant notamment la superficie de la ville. En comparant ces indicateurs avec ceux calcul\u00e9s \u00e0 des dates ant\u00e9rieures, il est alors possible de suivre la croissance urbaine de la ville de Reims.<\/p>\n![\"\"](\"http:\/\/variances.eu\/wp-content\/uploads\/2019\/04\/2.jpg\")
\n![\"\"](\"http:\/\/variances.eu\/wp-content\/uploads\/2019\/04\/3.png\")
L\u2019imagerie satellite <\/strong><\/h3>\nExemple de mod\u00e8le de Machine Learning pour l\u2019analyse d\u2019images \u2013 <\/strong>Mod\u00e8<\/em><\/strong>le Tiramisu<\/em><\/strong><\/h3>\n
![\"\"](\"http:\/\/variances.eu\/wp-content\/uploads\/2019\/04\/4.jpg\")
<\/p>\n
![\"\"](\"http:\/\/variances.eu\/wp-content\/uploads\/2019\/04\/5.jpg\")
<\/p>\n![\"\"](\"http:\/\/variances.eu\/wp-content\/uploads\/2019\/04\/Image2.png\")