Du SIG au workflow GeoIA : comprendre la chaîne de bout en bout
Dans l’épisode 1, nous avons posé les bases :
la GeoIA n’est ni une extension “intelligente” d’un SIG, ni un assistant conversationnel appliqué aux cartes.
C’est une discipline à part entière, qui repose sur des données spatiales, des modèles, et surtout… des workflows.
Dans cet épisode 2, nous allons entrer dans le cœur du sujet :
comment passe-t-on concrètement d’un projet SIG classique à un projet de GeoIA ?
Pas de code ici, pas de tutoriel.
L’objectif est de comprendre la logique globale, car sans cette vision d’ensemble, la GeoIA reste abstraite ou mal utilisée.
Du SIG classique à la GeoIA : ce qui change vraiment
Un projet SIG “classique” suit généralement une logique que tout géomaticien connaît :
-
acquisition de données (vecteur, raster),
-
nettoyage, reprojection, harmonisation,
-
analyse spatiale,
-
production de cartes ou d’indicateurs.
En GeoIA, la finalité n’est plus seulement d’analyser, mais d’entraîner un modèle à reproduire (ou généraliser) un raisonnement spatial.
Cela implique un changement fondamental :
on ne travaille plus uniquement sur des données,
on travaille sur des données, des exemples et des règles implicites.
Étape 1 : les données brutes (et leurs limites)
Tout commence toujours par les données spatiales :
images satellites, orthophotos, MNT / MNS, rasters thématiques, couches vecteur existantes.
Mais en GeoIA, la question n’est pas seulement « ai-je des données ? »
Elle est plutôt :
mes données sont-elles exploitables pour un apprentissage automatique ?
Cela pose immédiatement plusieurs enjeux :
résolution spatiale cohérente, qualité radiométrique, homogénéité temporelle, bruit, artefacts, données manquantes.
Un raster acceptable pour une carte peut être inexploitable pour un modèle.
Étape 2 : la donnée la plus coûteuse… l’annotation
C’est souvent le point de bascule entre fantasme et réalité.
La GeoIA nécessite presque toujours des données annotées :
classes d’occupation du sol, objets dessinés (bâtiments, routes, haies, plans d’eau), zones d’intérêt ou d’exclusion.
Ces annotations peuvent provenir de données existantes (cadastre, OCS, bases métiers), de travail manuel (digitalisation) ou de semi-automatisation.
C’est ici que le rôle du géomaticien est central :
c’est lui qui sait ce qui est pertinent, ambigu, discutable ou faux.
Un modèle apprend ce qu’on lui montre.
Si l’annotation est approximative, le résultat le sera aussi.
Étape 3 : structurer un jeu d’entraînement
Contrairement à un traitement SIG ponctuel, un projet de GeoIA repose sur une logique statistique.
Les données doivent être découpées, équilibrées, séparées (entraînement, validation, test) et représentatives du territoire étudié.
C’est souvent une étape invisible, et pourtant déterminante.
Un modèle qui fonctionne sur une zone peut échouer totalement ailleurs simplement parce que le contexte paysager change, que les conditions d’acquisition sont différentes ou que les exemples étaient trop homogènes.
Étape 4 : entraîner un modèle (sans entrer dans le code)
À ce stade, plusieurs options existent :
modèles entraînés localement, plateformes spécialisées, outils intégrés à des solutions SIG ou cloud.
Mais quel que soit l’outil, le principe reste le même :
le modèle cherche des corrélations spatiales et spectrales dans les données.
Il ne comprend pas un territoire.
Il optimise une fonction mathématique.
C’est pour cela qu’un bon résultat visuel peut masquer des erreurs, et qu’un score élevé ne garantit pas une pertinence métier.
Étape 5 : interpréter, vérifier, intégrer
Le travail ne s’arrête jamais à la prédiction.
Un résultat de GeoIA doit être visualisé dans un SIG, comparé à la réalité terrain, confronté à l’expertise métier, et éventuellement corrigé ou filtré.
La GeoIA ne remplace pas l’analyse spatiale.
Elle la déplace en amont et en aval du modèle.
Ce que cet épisode doit faire comprendre
À ce stade, une chose doit être claire.
La GeoIA n’est pas une brique en plus dans un SIG.
C’est un workflow complet, qui commence bien avant le modèle et se termine bien après.
Et c’est précisément pour cela que tous les projets GeoIA ne sont pas pertinents, que tous les géomaticiens n’ont pas besoin d’en faire, mais que ceux qui en font doivent comprendre la chaîne complète.
Et dans le prochain épisode ?
Dans l’épisode 3, nous irons plus loin :
les types de modèles GeoIA, ce qu’ils savent faire, ce qu’ils font mal, et surtout dans quels cas ils ont du sens pour un géomaticien.
Pas pour faire de l’IA.
Mais pour résoudre des problèmes spatiaux concrets.
