Un jeu de données multi-étiquette pour la classification des scènes agricoles et rurales en Chine à partir d’images satellite très haute résolution

Pourquoi cartographier la campagne depuis l’espace compte

À travers la Chine, la campagne évolue rapidement : de nouvelles serres apparaissent dans d’anciens champs, des fermes solaires s’étalent sur les flancs des collines, et des routes relient des villages autrefois isolés. Pourtant, la plupart des cartes basées sur des satellites continuent de traiter tout cela comme une seule catégorie monotone telle que « agriculture ». Cet article présente China‑MAS‑50k, un nouveau jeu de données ouvert qui permet aux ordinateurs de distinguer bien plus de détails dans les zones rurales chinoises, en s’appuyant sur des images satellite très nettes et sur des étiquettes multiples par scène. Il offre une base pour mieux suivre la production alimentaire, le développement rural et les changements environnementaux à l’échelle nationale.

Voir plusieurs éléments à la fois

Les cartes satellitaires traditionnelles assignent généralement une seule étiquette à chaque portion d’image — forêt, ville ou terres cultivées, par exemple. Les lieux réels sont rarement aussi simples : une photo aérienne peut montrer simultanément un village, des champs alentour, un étang, une route et des structures modernes comme des panneaux solaires ou des serres couvertes de plastique. Le projet China‑MAS‑50k assume cette complexité en considérant chaque image comme un mélange d’éléments. Au lieu d’imposer un choix unique, il permet d’attacher plusieurs étiquettes à la même image, ce qui reflète mieux la façon dont les gens voient et utilisent le territoire.

Construire une image détaillée de la Chine rurale

Pour constituer le jeu de données, l’équipe a commencé par des images très haute résolution librement accessibles via Google Earth, principalement issues de satellites commerciaux modernes capables de montrer des éléments d’un peu plus d’un mètre de largeur. Ils ont superposé une grille de 50 kilomètres sur l’ensemble de la Chine pour répartir l’échantillonnage de façon homogène, puis choisi des points en zones rurales et téléchargé de petites tuiles d’image de 512 sur 512 pixels pour chaque point. Les images comportant trop de nuages, de neige, de flou ou une surface uniformément homogène ont été écartées, laissant 55 520 scènes claires collectées principalement en 2023–2024. Ces tuiles couvrent la diversité des paysages du pays, mais sont particulièrement denses dans les régions de forte activité agricole à l’est de la célèbre « ligne de Hu », où se concentrent la majorité de la population et des terres cultivées de la Chine.

Transformer les pixels en types de couverture du sol significatifs

Les chercheurs ont conçu un système d’étiquetage en 18 catégories adapté à la vie rurale. Il inclut des surfaces naturelles telles que terres cultivées, bois, prairies, rivières, lacs ou étangs, terres nues, et routes et voies ferrées, ainsi que des éléments d’origine humaine comme villages ruraux, usines, terrains de sport, parcs, paillis plastique, serres, stations photovoltaïques (solaires), filets anti‑poussière utilisés sur les chantiers et tas de déchets solides. Des annotateurs humains ont suivi des consignes visuelles détaillées décrivant les couleurs, textures et formes typiques — par exemple des ombres d’arbres indiquant un boisement, de longues bandes brillantes pour les serres, ou des panneaux sombres alignés pour les fermes solaires. À l’aide d’un outil d’annotation ouvert, trois experts ont étiqueté chaque image avec toutes les catégories visibles, en contrôlant mutuellement leur travail pour corriger les erreurs. Le résultat est de 135 289 étiquettes, organisées de sorte que chaque image puisse facilement être associée à sa liste complète de types de couverture du sol.

Tester l’intelligence réelle des machines

Avec ce nouveau banc d’essai, les auteurs ont évalué une gamme de modèles informatiques populaires. Ceux‑ci incluaient des méthodes classiques d’apprentissage automatique basées sur des arbres de décision, ainsi que des réseaux neuronaux profonds conçus à l’origine pour des tâches comme la reconnaissance photographique. Tous les modèles ont reçu les mêmes images en trois couleurs et ont été invités à prédire lesquelles des 18 catégories apparaissaient dans chaque scène. Globalement, les réseaux profonds modernes ont surpassé les approches plus anciennes. Parmi eux, un modèle appelé ResNeXt‑101 a offert le meilleur compromis entre différentes mesures de précision, capturant correctement la plupart des éléments courants tels que terres cultivées, bois et routes. Cependant, il a eu du mal avec des éléments plus rares comme les filets anti‑poussière, le paillis plastique et les stations solaires, ce qui révèle la difficulté pour les algorithmes d’apprendre à partir d’exemples limités dans un jeu de données « à longue traîne » où quelques classes sont fréquentes et beaucoup sont rares.

Ce que cela signifie pour les futures connaissances rurales

China‑MAS‑50k offre plus qu’une grande collection de jolies images satellite. C’est une ressource ouverte et soigneusement vérifiée qui reflète la véritable variété des paysages ruraux chinois et la répartition inégale de l’agriculture traditionnelle et moderne. En permettant plusieurs étiquettes par image, il peut soutenir des tâches avancées telles que la cartographie faiblement supervisée, où les ordinateurs apprennent à délimiter des champs, des serres ou des routes à partir de simples labels au niveau de la scène. Il fournit aussi un terrain d’essai réaliste pour s’attaquer au déséquilibre des classes, un goulot d’étranglement clé pour l’application de l’intelligence artificielle à des données du monde réel souvent désordonnées. En termes simples, ce jeu de données facilite le travail des scientifiques et des planificateurs pour apprendre aux ordinateurs ce qui se passe réellement sur le terrain en Chine rurale, et pour suivre comment ces lieux continuent d’évoluer au fil du temps.

Citation: Yuan, S., Feng, Q., Niu, B. et al. A multi-label dataset for China’s agricultural and rural scenes classification from VHR satellite imagery. Sci Data 13, 384 (2026). https://doi.org/10.1038/s41597-026-06800-8

Mots-clés: télédétection, paysages ruraux, cartographie agricole, jeux de données multi-étiquette, imagerie satellite