L'IA Satellitaire Permet une Surveillance des Arbres à l'Échelle Nationale

KNOXVILLE, TN, 3 novembre 2026 /24-7PressRelease/ -- Des dénombrements d'arbres précis sont essentiels pour la restauration, mais les méthodes conventionnelles peinent à s'appliquer aux paysages hétérogènes. Des chercheurs ont développé un cadre d'apprentissage profond combinant des images satellitaires multi-capteurs pour estimer l'abondance des arbres. Appliqué au Rwanda et à la Tanzanie, il a dénombré 5,25 milliards d'arbres et a montré que plus de la moitié se trouvent en dehors des zones classées comme couvert arboré.

Les engagements mondiaux de plantation d'arbres ont fortement augmenté depuis l'Accord de Paris, créant une demande de références fiables indiquant combien d'arbres existent déjà et où ils se trouvent. Les inventaires de terrain sont coûteux et spatialement limités, tandis que l'acquisition répétée d'images satellitaires ou de drones (UAV) à résolution submétrique est difficile à généraliser. Les méthodes de détection d'objets peinent également lorsque les couronnes se chevauchent, occupent une fraction de pixel ou manquent de limites claires. Les approches plus grossières fondées sur des indices de végétation, le climat ou la topographie peuvent lisser la variation locale et sous-représenter les arbres dans les systèmes non forestiers. Face à ces défis, des recherches approfondies sont nécessaires pour développer des méthodes évolutives, abordables, robustes et fondées sur l'observation afin de compter les arbres dans des paysages naturels hétérogènes.

Une équipe de recherche dirigée par l'Université de Copenhague a publié (DOI : 10.34133/remotesensing.0970) l'étude le 18 août 2026 dans le Journal of Remote Sensing. L'équipe a développé un cadre d'apprentissage profond multi-capteurs utilisant des images PlanetScope, Sentinel-1 et Sentinel-2. Au lieu de détecter chaque couronne individuellement, le système estime le nombre d'arbres à partir de motifs spatiaux, spectraux et texturaux au sein de parcelles d'image. Cette approche répond à un défi de suivi de la restauration : produire des références cohérentes et spatialement détaillées du nombre d'arbres à travers les paysages forestiers et non forestiers sans dépendre d'images submétriques coûteuses acquises de manière répétée.

Le cadre a estimé environ 5,25 milliards d'arbres au Rwanda et en Tanzanie : environ 213 millions au Rwanda et 5,04 milliards en Tanzanie après calibration. Seuls 48,8 % se trouvaient dans la classe « couvert arboré » de WorldCover ; les 51,2 % restants se répartissaient entre les arbustaies, les prairies, les terres cultivées, les zones bâties, les zones humides, la végétation clairsemée et les mangroves. Contrairement aux inventaires centrés sur les forêts ou aux extrapolations statistiques grossières, l'approche capture les arbres à travers des paysages hétérogènes. Sa régression au niveau de l'image évite également la dépendance à des limites explicites de couronnes, permettant d'inférer le nombre d'arbres même lorsque les couronnes individuelles ne sont pas entièrement résolues à une résolution de 3 m par pixel. Cela fournit une référence plus directe et spatialement explicite pour la planification et le suivi de la restauration.

Le modèle a analysé des parcelles d'image de 96 × 96 m issues d'un composite à 20 bandes contenant quatre bandes optiques Planet, dix bandes multispectrales Sentinel-2 et six bandes de polarisation radar Sentinel-1, toutes rééchantillonnées sur une grille commune de 3 m. Une architecture hybride UNet-ResNet50 a prédit une valeur de nombre d'arbres par parcelle. Dans les comparaisons d'architecture, UNet-R50 a atteint une erreur absolue moyenne de 17,32 et un r² de 0,73, surpassant ResNet50, ResNeXt50, SwinT et ViT. Les tests d'ablation de capteurs ont montré que Sentinel-1 plus Sentinel-2 atteignaient une MAE de 18,42 et un r² de 0,77, comparables au composite à trois capteurs avec respectivement 18,8 et 0,77. L'entraînement a utilisé environ 12 millions de centres de couronnes d'arbres issus de paysages divers. Les prédictions nationales ont ensuite été corrigées pour le biais à l'aide de mesures indépendantes de l'Inventaire forestier national, avec une calibration bootstrap spécifique au pays et à la couverture terrestre. Les estimations finales indiquaient des densités médianes de 37 arbres par hectare au Rwanda et de 42 en Tanzanie, démontrant l'applicabilité nationale à travers des écosystèmes contrastés. L'approche combine donc évolutivité et détail écologique et spatial.

Les chercheurs ont souligné la valeur pratique du cadre, notant qu'il « peut guider la planification et l'optimisation de l'allocation des ressources pour les efforts de restauration des arbres à l'échelle nationale ». Ils soutiennent en outre que des références satellitaires reproductibles pourraient aider les gouvernements à suivre les résultats de la restauration, à identifier les zones de plantation appropriées et à mieux prendre en compte les arbres poussant au-delà des limites forestières conventionnelles.

Les chercheurs ont constitué des étiquettes à partir de l'interprétation manuelle d'images submétriques et de l'extraction semi-automatisée de modèles de hauteur de canopée LiDAR aéroportés et par drone. Environ 12 millions de points de centre de couronne couvraient 2 832 zones d'échantillonnage représentant environ 608 483 hectares. Les entrées satellitaires ont été harmonisées temporellement, corrigées, normalisées et rééchantillonnées à 3 m. Le réseau a utilisé une répartition entraînement-validation 80/20 et l'erreur absolue moyenne comme fonction de perte. Les prédictions ont ensuite été évaluées et calibrées par rapport à des parcelles indépendantes de l'Inventaire forestier national du Rwanda et de Tanzanie. Les grands arbres ont été utilisés pour la validation.

Le cadre pourrait soutenir les programmes de restauration en établissant des références nationales reproductibles, en suivant les gains et les pertes d'arbres et en orientant la plantation vers des emplacements écologiquement appropriés. Les travaux futurs devront améliorer les performances dans les forêts denses à canopée fermée, où le chevauchement des couronnes et la saturation du signal réduisent la sensibilité, et intégrer les plantes de sous-bois ou les plantes ligneuses plus petites. Les auteurs proposent d'intégrer les inventaires forestiers et les données à très haute résolution, tout en explorant la fusion de capteurs basée sur l'attention, l'adaptation de domaine et l'apprentissage par transfert pour étendre l'approche à de nouvelles régions, écosystèmes et capteurs satellitaires à plus grande échelle.

Références
DOI
10.34133/remotesensing.0970

URL de la source originale
https://spj.science.org/doi/10.34133/remotesensing.0970

Informations de financement
Cette étude a reçu un financement du Conseil européen de la recherche (CER) dans le cadre du programme Horizon 2020 de recherche et d'innovation de l'Union européenne (accord de subvention n° 101157661 TREEMAP) et de la Fondation nationale danoise de recherche, Centre for Remote Sensing and Deep Learning of Global Tree Resources (TreeSense), DNRF192. Les données LiDAR de Tanzanie ont été fournies par le Pr Terje Gobakken et le Pr Erik Næsset, Université norvégienne des sciences de la vie. Les données ont été acquises dans le cadre du projet « Enhancing the measuring, reporting and verification (MRV) of forests in Tanzania through the application of advanced remote sensing techniques » financé par l'Ambassade royale de Norvège en Tanzanie dans le cadre de l'Initiative internationale norvégienne sur le climat et les forêts. G.V.L. remercie Next Generation EU Mission 4, Component 2 - CUP B53C22002150006 - Projet IR0000032 - ITINERIS - Italian Integrated Environmental Research Infrastructures System. L'ensemble de données Ghana/Sierra Leone a été collecté et prétraité par le Forest Ecology Lab du Pr Valentini, DIBAF, Université de Tuscia, Viterbo, Italie. Nous remercions également le Pr Andrew Davies pour avoir fourni des données LiDAR par drone dans le parc national Kruger, en Afrique du Sud. Des données LiDAR aéroportées supplémentaires en Afrique du Sud ont été financées par le Council for Scientific and Industrial Research (CSIR) Strategic Research Panel, le National Research Foundation (Afrique du Sud) Global Change Grand Challenge Grant (numéro de subvention 110496) et l'Université du Witwatersrand.

À propos du Journal of Remote Sensing
Le Journal of Remote Sensing, une revue en libre accès uniquement en ligne publiée en association avec AIR-CAS, promeut la théorie, la science et la technologie de la télédétection, ainsi que la recherche interdisciplinaire dans les sciences de la Terre et de l'information.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, ancré 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 leur conception à leur réalisation.

Lien associé :
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.