KNOXVILLE, TN, 26 décembre 2025 /24-7PressRelease/ -- Les forêts et les plantations jouent un rôle vital dans la séquestration du carbone, mais leur surveillance précise reste coûteuse et laborieuse. Des chercheurs ont développé un modèle avancé d'intelligence artificielle (IA) qui produit des cartes haute résolution de la hauteur de la canopée en utilisant uniquement des images RVB standard. En intégrant un grand modèle de vision de base avec une amélioration auto-supervisée, cette méthode atteint une précision proche du lidar, permettant une surveillance précise et à faible coût de la biomasse forestière et du stockage de carbone sur de vastes zones.

La surveillance de la structure de la canopée forestière est essentielle pour comprendre les cycles mondiaux du carbone, évaluer la croissance des arbres et gérer les ressources des plantations. Les systèmes lidar traditionnels fournissent des données de hauteur précises mais sont limités par des coûts élevés et une complexité technique, tandis que la télédétection optique manque souvent de la précision structurelle requise pour les plantations à petite échelle. Les méthodes d'apprentissage profond ont amélioré l'estimation de la canopée mais exigent toujours d'énormes ensembles de données étiquetées et perdent souvent les détails spatiaux fins. De plus, les modèles mondiaux peinent à s'adapter aux paysages de plantations fragmentés avec des structures d'arbres uniformes. En raison de ces défis, le développement d'une approche rentable, haute résolution et généralisable pour cartographier la hauteur de la canopée et la biomasse est devenu une priorité de recherche urgente.

Une équipe de recherche conjointe de l'Université forestière de Pékin, de la Manchester Metropolitan University et de l'Université Tsinghua a développé un nouveau modèle de vision piloté par l'intelligence artificielle (IA) qui offre une précision sub-métrique pour estimer la hauteur des arbres à partir d'images satellites RVB. Publiée (DOI : 10.34133/remotesensing.0880) dans le Journal of Remote Sensing le 20 octobre 2025, l'étude présente un cadre novateur qui combine de grands modèles de vision de base (LVFM) avec l'apprentissage auto-supervisé. Cette approche aborde le problème de longue date de l'équilibre entre coût, précision et évolutivité dans la surveillance forestière, offrant un outil prometteur pour gérer les plantations et suivre la séquestration du carbone dans le cadre d'initiatives telles que le programme chinois de réduction certifiée des émissions.

Les chercheurs ont créé un réseau d'estimation de la hauteur de la canopée composé de trois modules : un extracteur de caractéristiques alimenté par le grand modèle de vision de base DINOv2, une unité d'amélioration de caractéristiques auto-supervisée pour conserver les détails spatiaux fins, et un estimateur de hauteur convolutionnel léger. Le modèle a atteint une erreur absolue moyenne de seulement 0,09 m et un R² de 0,78 par rapport aux mesures lidar aéroportées, surpassant les méthodes traditionnelles basées sur les CNN et les transformateurs. Il a également permis une précision de plus de 90 % dans la détection d'arbres individuels et de fortes corrélations avec la biomasse aérienne mesurée (AGB). Au-delà de sa précision, le modèle a démontré une forte généralisation à travers les types de forêts, le rendant adapté à la comptabilisation du carbone à l'échelle régionale et nationale.

Le modèle a été testé dans le district de Fangshan à Pékin, une zone avec des plantations fragmentées principalement composées de Populus tomentosa, Pinus tabulaeformis et Ginkgo biloba. En utilisant des images Google Earth d'une résolution d'un mètre et des références dérivées du lidar, le modèle d'IA a produit des cartes de hauteur de canopée correspondant étroitement aux données de terrain. Il a largement surpassé les produits CHM mondiaux, capturant les variations subtiles de la structure des cimes d'arbres que les modèles existants manquaient souvent. Les cartes générées ont soutenu la segmentation d'arbres individuels et l'estimation de la biomasse au niveau de la plantation avec des valeurs R² dépassant 0,9 pour les espèces clés. De plus, lorsqu'il a été appliqué à une forêt géographiquement distincte à Saihanba, le réseau a maintenu une robuste précision, confirmant son adaptabilité transrégionale. La capacité à reconstruire les tendances de croissance annuelles à partir d'images satellites archivées offre une solution évolutive pour la surveillance à long terme des puits de carbone et la gestion forestière de précision. Cette innovation comble l'écart entre les levés lidar coûteux et les méthodes optiques à basse résolution, permettant une évaluation forestière détaillée avec des exigences minimales en données.

« Notre modèle démontre que les grands modèles de vision de base (LVFM) peuvent transformer fondamentalement la surveillance forestière », a déclaré le Dr Xin Zhang, auteur correspondant à la Manchester Metropolitan University. « En combinant le pré-entraînement d'images global avec l'amélioration auto-supervisée locale, nous avons atteint une précision de niveau lidar en utilisant des images RVB ordinaires. Cette approche réduit considérablement les coûts et élargit l'accès à des données forestières précises pour la comptabilisation du carbone et la gestion environnementale. »

L'équipe a employé un cadre d'apprentissage profond de bout en bout combinant les caractéristiques LVFM pré-entraînées avec un processus d'amélioration auto-supervisé. Des images Google Earth haute résolution (2013–2020) ont été utilisées comme entrée, et des données lidar basées sur des drones ont servi de référence pour l'entraînement et la validation. Le modèle a été implémenté en PyTorch et entraîné en utilisant le framework fastai sur un GPU NVIDIA RTX A6000. Des expériences comparatives avec des réseaux conventionnels (U-Net et DPT) et des ensembles de données CHM mondiaux ont confirmé une précision et une efficacité supérieures, validant le potentiel du modèle pour la cartographie évolutive de la hauteur de la canopée et l'estimation de la biomasse.

Le cadre de cartographie basé sur l'IA offre une approche puissante et abordable pour suivre la croissance forestière, optimiser la gestion des plantations et vérifier les crédits carbone. Son adaptabilité à travers les écosystèmes le rend adapté aux programmes mondiaux de surveillance de l'afforestation et du reboisement. Les recherches futures étendront cette méthode aux forêts naturelles et mixtes, intégreront la classification automatisée des espèces et soutiendront les plateformes de surveillance du carbone en temps réel. Alors que le monde progresse vers des objectifs de neutralité carbone, de tels outils de cartographie intelligents et évolutifs pourraient jouer un rôle central dans la réalisation d'une foresterie durable et de l'atténuation du changement climatique.

Références
DOI
10.34133/remotesensing.0880

URL de la source originale
https://spj.science.org/doi/10.34133/remotesensing.0880

Informations sur le financement
Cette étude est soutenue par la Fondation nationale des sciences de Chine (72140005) et la Fondation des sciences naturelles de Pékin, Chine (subvention n° 3252016) et en partie par le BBSRC (BB/R019983/1, BB/S020969/), l'EPSRC (EP/X013707/1) et le Programme clé de recherche et développement de la province du Shaanxi (programme n° 2024NC-YBXM-220).

À propos du journal
Journal of Remote Sensing

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.