Foundation models géospatiaux : ce qui change vraiment pour la télédétection

Pendant longtemps, entraîner un modèle de classification satellite fiable demandait un jeu de données annoté spécifique à chaque zone d'étude. Les foundation models géospatiaux changent cette équation.

Trois modèles de référence

Prithvi-EO-2.0 (NASA / IBM) est entraîné sur des séries temporelles Harmonized Landsat Sentinel-2. Sa force : capturer la dynamique temporelle d'un même lieu, utile pour le suivi de déforestation ou de stress hydrique.

Clay v1.5 vise l'interopérabilité entre capteurs (optique, radar, élévation) avec une seule architecture d'embeddings, ce qui simplifie les pipelines qui combinent plusieurs sources.

AlphaEarth Foundations (Google) produit des embeddings annuels à l'échelle mondiale, pensés pour être réutilisés directement dans des modèles de classification légers, sans réentraînement lourd.

Ce que ça change concrètement

Plutôt que de partir de zéro, on peut désormais fine-tuner un foundation model sur quelques centaines d'exemples annotés localement, avec des résultats comparables à un modèle entraîné sur des dizaines de milliers d'exemples il y a cinq ans.

Pour un praticien en gestion des ressources naturelles, ça veut dire : moins de temps passé à digitaliser des polygones d'entraînement, plus de temps sur l'interprétation et la validation terrain.

C'est précisément l'angle du Module 4 (GeoAI) de l'académie : utiliser un foundation model pré-entraîné plutôt que de reconstruire un pipeline de deep learning complet à chaque projet.