Dynamic World fournit des données mondiales sur l'occupation du sol à une résolution de 10 mètres, avec une actualisation assez rapide des données. L'application, disponible sur la plateforme Google Earth Engine, est le fruit d'un partenariat entre Google et le World Resources Institute (WRI), une cellule de réflexion spécialisée dans les questions environnementales. Les données proviennent des images satellites Copernicus Sentinel-2.
Land cover data just got real-time (Source : © Blog Google)
« Grâce à notre modèle d’intelligence artificielle analysant les images du satellite Copernicus Sentinel-2 dès qu’elles sont disponibles, plus de 5 000 images Dynamic World sont produites chaque jour, fournissant des données sur l’occupation des sols datant de juin 2015 à aussi récemment qu’il y a deux jours », précise Google.
Pour créer une compréhension plus précise de la couverture terrestre dans Dynamic World, les partenaires du WRI ont identifié neuf types d'occupation du sol présentant un intérêt spécifique par rapport au réchauffement climatique : eau, végétation inondée, zones bâties, arbres, cultures, sol nu, herbe, arbuste /broussailles et neige/glace. L'application utilise l'Intelligence Artificielle (IA) et le cloud computing pour détecter des combinaisons de différents types d'occupation du sol et estimer la probabilité que chacun des neuf types soit présent dans chaque pixel d'une image satellite. Jusqu'ici la plupart des ensembles de données sur l'occupation du sol était produit annuellement et identifiait un seul type de couverture terrestre par zone, en fonction de ce qui était le plus important dans l'image satellite et du choix des experts du domaine. Désormais la reconnaissance se fait par machine learning avec les avantages et les limites de l'analyse automatisée d'images satellites.
Image composite des données Dynamic World du 1er avril au 1er mai 2021 (source : Brown et al., 2022). Les zones noires correspondent à l'absence de données sur la terre en raison de la couverture nuageuse et le blanc à l'absence de données sur l'eau
Selon Google, Dynamic World permettra aux chercheurs de créer leurs propres cartes en se basant sur les résultats de son modèle d’apprentissage automatique. Ceux-ci devraient être en mesure de combiner des informations locales avec les données de l’outil pour produire une nouvelle carte. L’outil devrait aussi être utile pour comprendre les tendances à plus long terme des changements saisonniers de l’écosystème.
Pour en savoir plus
Brown, C.F., Brumby, S.P., Guzder-Williams, B. et al. Dynamic World, Near real-time global 10 m land use land cover mapping. Sci Data 9, 251 (2022). Les auteurs documentent cette nomenclature en 9 postes et font la comparaison entre classification experte / non experte montrant l'intérêt de l'analyse par IA.
Attention : les images Dynamic World ne sont pas en temps réel, même si elles sont assez souvent actualisées. Quand on voit comment l'application est présentée dans la presse informatique grand public, on se dit que cela manque de culture géographique.
Pour accéder à la documentation technique. Tutoriel vidéo pour la prise en main.
Exemples d'application pour le suivi des plantations en Amérique du Sud ou encore la destruction de villages et de villes ouighours en Chine.
Lien ajouté le 19 octobre 2025
FROM-GLC Plus 3.0 : Cartographie multimodale des changements de terrain avec SAM et observations de surfaces denses (Journal of Remote Sensing).
Des chercheurs chinois ont créé "FROM-GLC Plus 3.0" un outil fondé sur l’IA capable de suivre chaque jour les changements de l’occupation du sol à l’échelle mondiale. Une avancée majeure pour comprendre les dynamiques terrestres. La cartographie de l'occupation du sol joue un rôle essentiel dans le suivi de l'évolution des systèmes terrestres. Malgré les progrès des technologies de télédétection, les approches satellitaires traditionnelles sont souvent limitées par la couverture nuageuse. Jusqu’ici, les satellites restaient limités par les nuages et la faible fréquence de passage. Cette nouvelle méthode combine données spatiales et images prises par des caméras au sol, offrant une observation continue et très précise des milieux naturels et humains. Grâce à cette fusion de données, le modèle atteint une précision moyenne de 70,5%. Il détecte des transitions rapides que les satellites seuls ne perçoivent pas, comme l’accumulation de neige en Amérique du Nord ou l’expansion saisonnière des zones humides européennes. L’intégration du modèle d’intelligence artificielle SAM permet de cartographier finement les parcelles agricoles, les villes ou les forêts, avec des contours nets et moins d’erreurs. La Terre est observée à la fois de loin et de près, au rythme de ses transformations. FROM-GLC Plus 3.0 représente une révolution pour la géographie environnementale. Il fournit des cartes quotidiennes capables de révéler les effets de la déforestation, de l’urbanisation ou des cultures intensives bien avant que leurs impacts ne deviennent visibles. Testé en Chine, le modèle a suivi en temps réel la rotation des cultures de blé d’hiver et de maïs, prouvant son efficacité pour gérer durablement les terres agricoles et anticiper les pénuries d’eau ou les baisses de rendement liées au climt. En combinant satellites, caméras et intelligence artificielle, les chercheurs créent un outil d’alerte précoce contre les catastrophes naturelles. Il peut repérer plus tôt les sécheresses, les inondations ou la dégradation des sols dans des régions vulnérables. Cette innovation montre combien l’IA transforme la lecture géographique du monde. En rendant visibles les changements quotidiens de la planète, elle offre un atout décisif pour protéger les écosystèmes et planifier un développement durable.
WorldCover (ESA), une couverture terrestre de l'occupation du sol à 10m de résolution
