ArcGIS Pro 3.7 intègre nativement les foundation models géospatiaux

Jusqu'ici, exploiter un foundation model géospatial demandait de sortir du logiciel SIG : télécharger les poids du modèle, écrire un pipeline PyTorch, gérer une carte graphique, réconcilier le résultat avec ses couches vectorielles. Avec ArcGIS Pro 3.7, sorti en mai 2026, Esri fait entrer cette étape directement dans l'interface.

Un nouvel outil, une nouvelle logique de travail

Le cœur de la mise à jour est un outil nommé « Generate Embeddings Using AI Models », qui appartient à un nouveau jeu d'outils baptisé Embeddings Based Analysis. Son rôle : transformer de l'imagerie satellite, des entités géographiques ou des attributs texte en vecteurs numériques (des « embeddings ») produits par un foundation model pré-entraîné, plutôt que de faire tourner un modèle de classification entraîné spécifiquement sur la zone d'étude.

Cette bascule change la nature du travail. Un embedding ne dit pas directement « ceci est une parcelle forestière » ; il capture une représentation compacte des caractéristiques du lieu ou de l'image, réutilisable ensuite dans plusieurs outils en aval : recherche de similarité (« Find Similar Features Using Embeddings »), détection de changement, clustering, modélisation prédictive, choix de site, ou recherche d'entités par description en langage naturel.

Cinq modèles, trois familles de tâches

ArcGIS Pro 3.7 rend disponibles cinq foundation models de télédétection, accessibles via les packages de deep learning de la Living Atlas :

Prithvi-EO-2.0 (NASA / IBM), décliné en versions 300M et 600M paramètres, est entraîné sur 4,2 millions de séries temporelles issues des archives Harmonized Landsat Sentinel-2 à 30 m de résolution. Son architecture (Vision Transformer avec pré-entraînement par autoencodeur masqué) intègre des embeddings temporels et de localisation, ce qui le rend particulièrement adapté au suivi multi-date. Sur le benchmark GEO-Bench, cette version 2.0 dépasse de 8 % la précédente génération du modèle.

Clay vise l'usage généraliste multi-capteurs (optique, radar, élévation) avec une seule architecture d'embeddings.

TerraMind (IBM / ESA) pousse plus loin l'approche multimodale en entraînant conjointement sur optique, radar SAR et modèles numériques de terrain.

DOFA (Dynamic-One-For-All) répond à un problème très concret pour qui combine plusieurs capteurs : son architecture, sensible à la longueur d'onde, s'adapte à des configurations de bandes spectrales différentes sans reconfiguration manuelle — utile pour des organisations qui croisent des sources hétérogènes.

DINOv2 complète l'ensemble pour les embeddings sémantiques à partir d'imagerie RGB classique.

Ces cinq modèles rejoignent deux autres familles introduites au même moment : des modèles de « Location Encoder » (entraînés sur Sentinel-2 niveau 2, ils apprennent une représentation du lieu lui-même plutôt que d'une image isolée, utile pour la classification, la régression et l'analyse de similarité à l'échelle d'un territoire), et des modèles de vision-langage géospatiaux, capables d'interpréter une image satellite et une instruction en langage naturel simultanément plutôt que d'être limités à une seule tâche.

Pourquoi ce n'est pas qu'un détail technique

L'intérêt ne tient pas au fait que ces modèles existent — Prithvi-EO-2.0, Clay et les autres sont open source et publics depuis un moment, plusieurs déjà mentionnés sur ce site. Ce qui change, c'est leur mode d'accès : ils passent d'un objet de recherche manipulable en notebook Python à un outil de menu, au même niveau qu'un calcul de NDVI ou une classification supervisée classique.

Concrètement, cela déplace la barrière à l'entrée. Un praticien SIG formé à ArcGIS, sans bagage en deep learning, peut désormais générer des embeddings sur une zone d'étude, chercher des parcelles visuellement similaires à un exemple de référence, ou détecter un changement entre deux dates, sans écrire une ligne de code d'entraînement. Le compromis inverse existe aussi : moins de contrôle fin sur le fine-tuning que via un pipeline Python direct, ce qui reste préférable pour un usage de recherche exigeant.

Ce que ça change pour la formation

C'est exactement le terrain du Module 4 (GeoAI) de l'académie : la compétence recherchée par les employeurs se déplace de « savoir entraîner un CNN from scratch » vers « savoir choisir le bon foundation model pré-entraîné et l'exploiter correctement dans son SIG habituel ». Cette bascule d'ArcGIS confirme que cette compétence devient un prérequis d'usage courant, pas une spécialité réservée aux équipes de recherche en deep learning.

À suivre

Cette intégration reste propriétaire à l'écosystème Esri. Les modèles sous-jacents, eux, sont ouverts et disponibles sur Hugging Face — reste à voir si l'écosystème open source (QGIS, bibliothèques Python de télédétection) proposera une intégration aussi directe, ou si ArcGIS conserve une avance d'usage sur ce terrain précis dans les mois qui viennent.