Pour nous, géologues d'exploration, l'imagerie satellite est une mine d'or (jeu de mots volontaire). Qu'il s'agisse de cartographier des altérations hydrothermales, d'identifier des linéaments structuraux ou de planifier des campagnes de terrain dans des zones d'accès difficile, nous dépendons massivement de la télédétection.
Mais le pipeline classique est un enfer technique :
- Télécharger des scènes brutes de pétaoctets (Sentinel, Landsat, ASTER).
- Passer des jours à faire de la correction atmosphérique et du masquage de nuages/végétation.
- Manipuler des ratios de bandes complexes (ex: ratios d'argiles ou d'oxydes de fer) pour faire ressortir la minéralogie.
Google et DeepMind viennent de bousculer ces habitudes avec leur modèle de fondation AlphaEarth. Au lieu de traiter des pixels bruts, nous pouvons désormais exploiter des Satellite Embeddings (plongements satellitaires).
Je m'appelle Gérard Cubaka, et dans cet article, je vous explique comment cette technologie permet de requêter la géologie de notre planète comme s'il s'agissait d'une simple base de données textuelle.
🧠 Le concept : L'empreinte géologique et spectrale en 64 dimensions
Si vous êtes familier avec les LLM (comme GPT), vous savez qu'ils convertissent les mots en vecteurs mathématiques (embeddings). AlphaEarth fait exactement la même chose avec les surfaces terrestres.
Le modèle a ingéré des années de données multi-capteurs : l'imagerie optique (réflectance), les données radar Sentinel-1 (rugosité de surface, topographie, structures) et des données climatiques. Il a compressé toute cette dynamique physique en un vecteur unique de 64 dimensions par pixel de 10 mètres, mis à jour chaque année.
Ces 64 canaux (nommés A00 à A63 dans Google Earth Engine) ne représentent pas une bande spectrale précise. Ils forment une signature sémantique globale.
Pourquoi c'est une révolution pour l'exploration ? Deux zones présentant le même contexte géologique de surface — par exemple, une même signature d'altération hydrothermale, un même type de régolithe ou un affleurement de pegmatite similaire — auront des vecteurs mathématiquement très proches (faible distance cosinus), même s'ils sont situés sur deux continents différents.
🛠 Spécifications techniques du Dataset
Ce jeu de données mondial est accessible gratuitement dans le catalogue de Google Earth Engine (GEE) sous l'identifiant GOOGLE/SATELLITE_EMBEDDING/V1_ANNUAL.
- Résolution spatiale : 10 mètres par pixel (idéal pour la reconnaissance régionale / Greenfield).
- Format : 64 bandes d'images (vecteurs normalisés).
- Fréquence : Synthèses annuelles (disponibles actuellement de 2017 à 2025).
💻 En pratique : Lancer une recherche par similarité en quelques lignes
Le cas d'usage le plus puissant pour un géologue est le Query-by-Example (Recherche par cible). Imaginez que vous ayez identifié un indice minéralisé ou un gîte connu sur votre permis. Vous pouvez extraire son vecteur et demander au modèle de trouver toutes les zones du pays qui partagent la même signature mathématique.
Voici comment charger ces données via l'API Python de Earth Engine :
import ee
# Initialiser la connexion à Earth Engine
ee.Initialize()
# Charger la collection mondiale de Satellite
Embeddingsembeddings_collection = ee.ImageCollection("GOOGLE/SATELLITE_EMBEDDING/V1_ANNUAL")
# Filtrer sur les données les plus récentes (ex: 2024)
embeddings_recent = embeddings_collection.filter(ee.Filter.date('2024-01-01', '2024-12-31')).first()
# Afficher les 64 dimensions disponibles (A00 à A63)
print("Bandes d'exploration disponibles :",
embeddings_recent.bandNames().getInfo())
Comment l'intégrer dans votre workflow d'exploration ?
Targeting Régional Rapide : En connectant GEE à une base vectorielle comme BigQuery Vector Search, vous pouvez calculer la distance euclidienne entre le vecteur de votre zone d'intérêt (votre gîte modèle) et le reste de votre zone d'étude pour générer une carte de favorabilité minérale en quelques secondes.
Cartographie du Régolithe et de la Végétation : Le modèle intègre nativement les variations de la végétation induites par le substrat (réponse biogéochimique). Un simple algorithme non supervisé (K-Means) sur ces 64 bandes permet de sectoriser des domaines géologiques majeurs sans biais humain.
⚖️ Avantages vs Limites en Géologie
Les ✅ :
- Sauter l'étape du "Data Prep" : Fini le nettoyage des nuages ou les mosaïquages complexes de scènes d'époques différentes. Le jeu de données est Analysis-Ready.
- Synergie Optique + Radar : Le vecteur fusionne la réponse spectrale (composition) et la réponse radar (texture, fracturation, topographie), ce qui est d'habitude très lourd à réaliser manuellement.
- Idéal pour le Greenfield : Permet de scanner des zones gigantesques (bassins, ceintures de roches vertes) à moindre coût informatique avant d'envoyer les équipes de terrain.
Les ❌ :
-
Effet Boîte Noire : Contrairement à un ratio de bandes ASTER classique (où vous savez précisément que vous ciblez l'alunite ou la kaolinite), il est difficile d'expliquer mathématiquement quelle caractéristique géologique exacte fait réagir la bande
A12ouA45. - Limitation de la Végétation : Le modèle atténue l'effet des nuages, mais dans les zones de forêt équatoriale dense, la pénétration de l'optique reste limitée à la canopée (bien que le radar Sentinel-1 intégré aide pour la morphologie structurale).
- Résolution Temporelle Annuelle : Ce n'est pas un problème pour la géologie (qui change peu à l'échelle humaine !), mais cela signifie que l'outil n'est pas adapté pour suivre l'avancement quotidien des travaux d'excavation d'une mine active.
🚀 Conclusion
Les Satellite Embeddings marquent un tournant dans la convergence entre la Data Science et les Sciences de la Terre. En traduisant la surface de notre planète en un espace vectoriel, Google offre aux géologues d'exploration un outil de ciblage macro d'une puissance inédite, réduisant drastiquement le temps passé derrière un écran de traitement d'images au profit du travail de terrain.
Utilisez-vous déjà l'intelligence artificielle ou le machine learning pour vos ciblages géologiques ? Quels frameworks (TorchGeo, Rasterio, QGIS) préférez-vous pour manipuler ces données ? Discutons-en dans les commentaires !
Si cet article vous a parlé, laissez un ❤️ ou un 🦄 ! Suivez mon profil DEV.to pour plus de contenus combinant Tech, Python et Geospatial AI.
— Gérard Cubaka