TerraNova : un foundation model qui relie données climatiques et indicateurs socio-économiques nationaux

Les foundation models géospatiaux se sont, jusqu'ici, concentrés sur un seul type de géométrie : les grilles continues issues de l'observation satellite ou des réanalyses climatiques, qui ignorent superbement les frontières administratives. Or l'évaluation de la vulnérabilité ou de la capacité d'adaptation d'un territoire au changement climatique ne se raisonne jamais dans le vide institutionnel : elle dépend aussi de la gouvernance, du niveau de développement ou de la démographie, des données qui, elles, sont systématiquement rapportées par pays. TerraNova, un article déposé sur arXiv le 31 juillet 2026 par Carlos Rodriguez-Pardo et Massimo Tavoni, s'attaque directement à ce décalage de géométrie.

Deux géométries, un même modèle

Le projet s'appuie sur deux jeux de données complémentaires. WorldTensor rassemble 512 champs physiques sur une grille commune de 0,25 degré, couvrant le climat, les extrêmes météorologiques, l'occupation du sol, la végétation, l'hydrologie, l'énergie et les systèmes humains. CountryTensor, de son côté, regroupe 512 indicateurs nationaux issus de l'écosystème Quality-of-Government, indexés par code ISO3 et par année, et portant sur le développement, les institutions, la gouvernance, les inégalités, la démographie et les conflits.

L'obstacle que les auteurs mettent en avant est purement géométrique : la Terre physique se mesure comme des champs continus qui ignorent les frontières politiques, alors que les indicateurs sociétaux sont rapportés par unité administrative. Jusqu'ici, coupler ces deux mondes obligeait à faire des moyennes par pays sur les champs physiques, une opération qui fait perdre l'essentiel de la variabilité spatiale fine. TerraNova propose une architecture pensée pour éviter ce moyennage destructeur.

Une architecture construite pour fusionner les échelles

Le modèle repose sur des encodeurs dédiés à la localisation, au pays, au temps et à la tâche à accomplir, dont les sorties sont fusionnées par des transformers cross-modaux en un état spatio-temporel partagé. Un hyperréseau génère ensuite un décodeur spécifique à chaque requête, couplé à une tête évidentielle de type Normal-Inverse-Gamma qui retourne non pas une simple prédiction ponctuelle, mais une distribution incluant à la fois l'incertitude aléatoire (liée au bruit des données) et l'incertitude épistémique (liée aux limites du modèle lui-même).

Deux objectifs contrastifs assurent la cohérence entre les deux géométries : un alignement InfoNCE pondéré par la population entre pays et localisation, et un alignement avec des embeddings géospatiaux pré-entraînés existants. Concrètement, cela permet au même modèle de répondre à des questions posées à l'échelle du pixel comme à l'échelle du pays, sans passer par une conversion approximative de l'une vers l'autre.

Ce que le modèle sait faire

Les auteurs évaluent TerraNova sur des variables, des pays et des années laissés de côté à l'entraînement, à travers plusieurs tâches : la prédiction statique comparée aux encodeurs géospatiaux spécialisés existants, l'interpolation temporelle et le nowcasting, la reconstruction de champs à partir d'observations éparses, l'extrapolation au niveau national, et le downscaling d'un indicateur national vers une résolution spatiale fine. Le backbone gelé du modèle peut également s'adapter à une variable inédite en quelques minutes, sur du matériel grand public, sans réentraînement complet.

Pourquoi ça compte pour l'adaptation climatique

Pour un chercheur en géomatique environnementale qui travaille sur la gestion des ressources naturelles, l'intérêt de TerraNova n'est pas tant la performance brute sur telle ou telle variable, mais la logique qu'il incarne : coupler explicitement un signal physique (sécheresse, stress hydrique, dégradation du couvert végétal) à un contexte de gouvernance et de vulnérabilité socio-économique, dans un seul cadre d'inférence. C'est exactement le type de couplage que réclame une évaluation de risque climatique sérieuse, qui ne peut pas se limiter à cartographier un aléa sans tenir compte de la capacité d'un territoire à y faire face.

Les limites à garder en tête

TerraNova reste, à ce stade, un article déposé sur arXiv, non encore validé par relecture par les pairs, et les auteurs ne communiquent pas de chiffres de performance directement comparables à ceux qu'on trouve pour les foundation models de télédétection déjà évoqués sur ce site, comme Prithvi-EO-2.0 ou AlphaEarth Foundations. Il faut aussi noter que CountryTensor s'arrête à la granularité nationale : pour un usage à l'échelle provinciale ou communale, comme c'est le cas pour la plupart des politiques d'adaptation concrètes au Maroc, ce niveau d'agrégation reste trop grossier et demanderait une désagrégation supplémentaire. Reste que la démarche, elle, préfigure une direction de recherche à suivre de près : des foundation models qui ne se contentent plus de décrire la Terre physique, mais qui la relient explicitement aux sociétés qui doivent s'y adapter.