Le prétraitement réduit les photos illisibles de 17 % à 2 %

Un bénévole envoie la photo d’une règle verticale placée à côté d’un cours d’eau. Pour Christopher Lowry, fondateur du projet CrowdHydrology de l’Université de Buffalo, cette image impliquait autrefois une nouvelle vérification manuelle avant que le niveau d’eau puisse être intégré à la base de données. Désormais, un processus d’intelligence artificielle aide à la traiter : la proportion de photos que le système ne pouvait pas interpréter est passée de 17 % à 2 %.

CrowdHydrology a été lancé en mai 2011 et est devenu un réseau de plus de 8 000 scientifiques citoyens. Ceux-ci ont soumis plus de 20 000 observations du niveau de l’eau provenant de plus de 200 stations de suivi réparties dans 26 États. Ces mesures comblent les lacunes concernant les cours d’eau de moindre importance qui ne font pas l’objet d’un suivi régulier. Elles aident les chercheurs à étudier la réaction de ces cours d’eau à l’évolution des conditions environnementales et leurs effets sur les écosystèmes en aval.

Le défi est apparu lorsque les bénévoles ont commencé à envoyer des photos plutôt que des SMS. Lowry et Abhinna Manandhar, alors étudiant diplômé du département d’informatique de l’UB, ont constaté que demander au grand modèle de langage Gemini de Google d’interpréter une image entière n’était pas fiable lorsque les photos étaient floues, plongées dans l’ombre ou prises à plusieurs pieds de distance. Ils ont d’abord traité chaque image pour corriger les variations de luminosité, la convertir en noir et blanc et isoler la ligne d’eau plus sombre de l’échelle, avant de transmettre ces informations ciblées à Gemini. Les identifiants des stations de suivi ont été correctement déterminés environ 98 % du temps.

Cette approche est importante, car l’échelle elle-même ne mesure qu’environ 3 pieds (0,9 mètre). Avec des images non traitées, certains relevés comportaient une erreur d’environ un pied (0,3 mètre) — un écart suffisamment important pour compromettre l’observation. L’étude, publiée dans Hydrology, montre comment une étape de traitement d’image relativement simple peut rendre un modèle d’IA généraliste plus utile pour une tâche scientifique précisément définie.

L’étape supplémentaire de vérification garantit la fiabilité des données tout en réduisant la quantité de travail manuel nécessaire. Les bénévoles reçoivent le niveau d’eau généré par l’IA et peuvent le corriger lorsqu’il est inexact. Le système accompagne le jugement humain au lieu de le remplacer. Des chercheurs d’autres domaines pourraient adopter une stratégie similaire, en combinant des modèles d’IA existants avec des techniques de traitement d’image relativement simples pour automatiser des tâches chronophages, plutôt que de concevoir des systèmes d’IA spécialisés à partir de zéro.