KNOXVILLE, TN, 25 décembre 2025 /24-7PressRelease/ -- La classification précise de la végétation des zones humides est essentielle pour la conservation de la biodiversité et la surveillance du cycle du carbone. Cette étude a développé un cadre d'apprentissage par ensemble adaptatif (AEL-Stacking) qui combine des données hyperspectrales et des données de détection et de télémétrie par la lumière (LiDAR) capturées par des drones pour identifier avec précision les espèces végétales dans les zones humides karstiques. L'approche a atteint une précision allant jusqu'à 92,77 % — surpassant considérablement les modèles traditionnels — et a révélé comment les caractéristiques spectrales et structurelles améliorent conjointement la cartographie des écosystèmes et les stratégies de restauration.

Les zones humides karstiques sont des écosystèmes d'importance mondiale qui régulent l'eau, stockent le carbone et abritent une riche biodiversité. Cependant, la composition végétale complexe et les spectres de canopée similaires entre les espèces entravent une classification précise par télédétection. Les relevés de terrain traditionnels sont coûteux et spatialement limités, tandis que l'imagerie multispectrale manque de résolution spectrale suffisante pour une cartographie au niveau des espèces. La détection et la télémétrie par la lumière (LiDAR) fournissent des données structurelles 3D mais peinent avec la réflexion sur la surface de l'eau et les signaux faibles. En raison de ces défis, l'intégration de données optiques et structurelles complémentaires est nécessaire pour mener des recherches approfondies sur la classification précise des espèces végétales dans les zones humides karstiques.

Des chercheurs de l'Université de technologie de Guilin et des collaborateurs ont publié (DOI : 10.34133/remotesensing.0452) leurs résultats dans le Journal of Remote Sensing le 16 octobre 2025. L'étude présente une approche basée sur des drones qui fusionne l'imagerie hyperspectrale (HSI) et les données de nuage de points LiDAR via un modèle d'apprentissage par ensemble adaptatif (AEL-Stacking). Ce cadre innovant améliore non seulement la précision de la classification, mais utilise également des explications locales interprétables indépendantes du modèle (LIME) pour visualiser comment chaque caractéristique contribue au processus décisionnel — offrant à la fois une grande précision et une interprétabilité dans la cartographie des structures végétales complexes des zones humides.

L'étude a démontré que la combinaison des données HSI et LiDAR a atteint la plus haute précision globale (87,91 %–92,77 %), surpassant les approches à données uniques jusqu'à 9,5 %. Le modèle AEL-Stacking, intégrant les classificateurs Random Forest, LightGBM et CatBoost, a surpassé à la fois les algorithmes d'ensemble conventionnels et d'apprentissage profond (Swin Transformer) de 0,96 % à 7,58 %. Les caractéristiques LiDAR — en particulier les variables du modèle numérique de surface (DSM) — ont été déterminantes pour distinguer les espèces ayant des structures verticales distinctes, tandis que les indices de végétation hyperspectraux tels que le NDVI et les paramètres du bord bleu amélioraient la reconnaissance des espèces herbacées. Ces résultats mettent en évidence la synergie entre les données optiques et structurelles pour résoudre les espèces ayant des signatures spectrales qui se chevauchent.

Des relevés de terrain ont été menés dans la zone humide karstique de Huixian à Guilin, en Chine, l'une des plus grandes zones humides karstiques du pays. Des vols de drones équipés de capteurs hyperspectraux Headwall Nano-Hyperspec et LiDAR DJI Zenmuse L1 ont collecté plus de 4 500 images hyperspectrales et des nuages de points denses (208 points/m²). L'ensemble de données intégré couvrait 13 types de végétation, incluant le lotus, le miscanthus et les camphriers. Grâce à l'élimination récursive des caractéristiques et à l'analyse de corrélation, 40 caractéristiques optimales ont été sélectionnées parmi plus de 600 variables. Le cadre AEL-Stacking a adaptativement ajusté les hyperparamètres, sélectionné le meilleur apprenant de base comme méta-modèle et validé les résultats en utilisant une validation croisée à 10 plis. L'analyse LIME a révélé que le DSM et les bandes spectrales bleues étaient les caractéristiques les plus influentes, avec le Lotus et le Miscanthus atteignant des scores F1 de classification supérieurs à 0,9. Le modèle a significativement réduit les erreurs de classification entre les espèces morphologiquement similaires, offrant des cartes de végétation détaillées cruciales pour la surveillance des écosystèmes.

« Notre approche comble l'écart entre la détection spectrale et structurelle », a déclaré le Dr Bolin Fu, auteur correspondant. « En combinant les données hyperspectrales et LiDAR des drones via un apprentissage par ensemble adaptatif, nous avons atteint à la fois la précision et l'interprétabilité dans la cartographie de la végétation. Le cadre améliore non seulement la reconnaissance des espèces dans les environnements karstiques complexes, mais fournit également un outil généralisable pour la surveillance écologique et la restauration des habitats à l'échelle mondiale. »

L'équipe a développé le modèle AEL-Stacking en combinant les classificateurs Random Forest, LightGBM et CatBoost sous un cadre adaptatif optimisé par recherche sur grille. Le modèle a utilisé 70 % des données pour l'entraînement et 30 % pour les tests, soutenu par une validation croisée à 10 plis. Les caractéristiques hyperspectrales (par exemple, NDVI, EVI, CIg) et les métriques dérivées du LiDAR (par exemple, DSM, asymétrie de l'intensité) ont été fusionnées en un ensemble de données multidimensionnel. Pour interpréter les résultats, l'algorithme LIME a quantifié la contribution de chaque caractéristique et visualisé comment les variations de données influençaient la classification des espèces à travers plusieurs types de végétation.

Ce cadre intégratif démontre une approche évolutive et explicable pour la cartographie à haute résolution des zones humides, potentiellement applicable aux écosystèmes forestiers, de prairie et côtiers. Les travaux futurs se concentreront sur l'intégration d'observations multi-temporelles par drones et la fusion de données satellitaires pour surveiller la dynamique saisonnière de la végétation et les changements induits par le climat dans la santé des zones humides. En améliorant la transparence et la précision des modèles écologiques pilotés par l'IA, cette recherche ouvre la voie à une gestion environnementale plus intelligente et soutient l'agenda mondial pour la conservation de la biodiversité et la neutralité carbone.

Références
DOI
10.34133/remotesensing.0452

URL de la source originale
https://spj.science.org/doi/10.34133/remotesensing.0452

Informations sur le financement
Cette étude a été soutenue par la Fondation nationale des sciences naturelles de Chine (numéro de subvention 42371341), la Fondation des sciences naturelles de la région autonome Zhuang du Guangxi (numéro de subvention 2024GXNSFAA010351), le projet d'innovation de l'éducation supérieure du Guangxi (numéro de subvention YCBZ2024179) et le Laboratoire clé des écosystèmes et des ressources biologiques marines tropicales, ministère des Ressources naturelles (numéro de subvention 2023ZD02).

À propos du Journal of Remote Sensing
Le Journal of Remote Sensing, un journal en libre accès uniquement en ligne publié en association avec AIR-CAS, promeut la théorie, la science et la technologie de la télédétection, ainsi que la recherche interdisciplinaire au sein des sciences de la terre et de l'information.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.