KNOXVILLE, TN, 18 février 2025 /24-7PressRelease/ -- Dans un bond pour l'écologie urbaine, des chercheurs ont dévoilé une méthode de pointe pour estimer dynamiquement les hauteurs des arbres saisonniers à Shenzhen. En intégrant de manière transparente des données de télédétection multisources avec des algorithmes avancés d'apprentissage automatique, cette approche novatrice améliore considérablement l'exactitude des mesures de hauteur des arbres. Offrant une alternative plus rapide, plus efficace et plus rentable aux études au sol traditionnelles, les résultats apportent des informations vitales pour les initiatives de verdissement urbain et la conservation écologique — renforçant le développement urbain durable et la résilience des écosystèmes.

À mesure que les villes s'étendent à des taux sans précédent, les forêts urbaines et les services qu'elles fournissent évoluent rapidement. Cependant, les méthodes conventionnelles de mesure de la hauteur des arbres sont coûteuses et chronophages, limitant la capacité à générer des données complètes et de haute précision. Ce défi pressant a poussé à la nécessité de recherches innovantes combinant la télédétection multisource et l'apprentissage automatique pour améliorer l'échelle et l'efficacité du suivi forestier dans les paysages urbains dynamiques.

Le 24 janvier 2025, une équipe de recherche dirigée par le professeur Bing Xu du Département des Sciences du Système Terrestre de l'Université Tsinghua a publié une étude transformative (DOI : 10.34133/remotesensing.0379) dans le Journal of Remote Sensing. Tirant parti de la puissance des données LiDAR et satellitaires fusionnées avec des technologies d'apprentissage automatique et d'apprentissage profond, l'équipe a relevé des défis persistants dans le suivi des forêts urbaines. Cette recherche novatrice ouvre de nouvelles avenues pour les études écologiques urbaines et la gestion des ressources, offrant des outils pratiques pour les urbanistes et les gestionnaires environnementaux.

Au cœur de cette étude se trouve le Réseau Neuro Saisonniers des Hauteurs d'Arbres (STHNN), un modèle de pointe qui a atteint une précision inégalée dans l'estimation des hauteurs des arbres (R² = 0,80, MAE = 1,58 mètres). L'utilisation de SHAP (SHapley Additive exPlanations) pour l'optimisation des caractéristiques a rationalisé le modèle en éliminant 23 variables non essentielles parmi 52 variables — améliorant l'exactitude tout en réduisant les exigences en matière de calcul. De manière impressionnante, le modèle STHNN démontre une robustesse de généralisabilité, estimant avec précision les hauteurs des arbres à travers les saisons et différentes régions géographiques. S'appuyant sur un riche ensemble de données allant de 2018 à 2023, l'étude a combiné des données LiDAR et satellitaires pour analyser les attributs spectraux, de végétation, de texture, de polarisation, de terrain et saisonniers. Les chercheurs ont exploré une variété de modèles d'apprentissage automatique et d'apprentissage profond, le STHNN émergeant comme le meilleur performer, offrant une précision sans précédent dans les prédictions de hauteur des arbres.

Une innovation cruciale dans l'étude a été l'application de SHAP pour la sélection des caractéristiques. En réduisant 23 caractéristiques moins impactantes, le modèle a non seulement affûté ses capacités prédictives mais a également considérablement rationalisé l'efficacité computationnelle — démontrant comment la science des données peut affiner la modélisation écologique complexe. L'analyse a révélé que les hauteurs des arbres urbains de Shenzhen varient principalement entre 6 et 14 mètres, montrant une forte autocorrélation spatiale. Notamment, l'étude a observé que les hauteurs des canopées d'hiver sont systématiquement plus basses que celles d'été, reflétant l'oscillation naturelle de la croissance saisonnière. Cette découverte souligne la nécessité de prendre en compte les dynamiques saisonnières pour une gestion plus efficace des forêts urbaines. La recherche offre aux urbanistes et aux décideurs un plan détaillé et basé sur des données pour prédire et gérer les changements d'écosystème dans des villes en forte croissance. Pour atteindre ces résultats, l'équipe de recherche a rigoureusement testé une suite de modèles d'apprentissage automatique et d'apprentissage profond, y compris la régression linéaire multiple, les machines à vecteurs de support, les forêts aléatoires, XGBoost et les réseaux neuronaux artificiels. Grâce à des outils de sélection de fonctionnalités comme les mesures d'importance des forêts aléatoires, les algorithmes génétiques et SHAP, ils ont identifié des ensembles de caractéristiques optimaux qui maximisent la précision prédictive à travers les modèles.

Des experts de l'équipe de recherche ont souligné que cette étude non seulement fait progresser la précision des évaluations de hauteur des arbres mais introduit également de nouveaux outils puissants pour suivre l'évolution dynamique des forêts urbaines. Le modèle STHNN se dresse comme une pierre angulaire des futures stratégies de verdissement urbain et de protection écologique, avec des applications à large échelle pour le développement durable des villes.

En regardant vers l'avenir, la technologie pionnière dans cette étude détient un potentiel transformateur pour l'écologie urbaine et la gestion des ressources. Son intégration dans la planification urbaine pourrait révolutionner la manière dont les espaces verts sont alloués et comment les stratégies de plantation d'arbres sont conçues, favorisant des environnements urbains plus résilients et durables. Dans le domaine plus large de la conservation écologique, cet outil offre une solution évolutive et basée sur des données pour surveiller et préserver les forêts urbaines, renforçant la biodiversité et les services écosystémiques critiques. L'extension de cette technologie aux villes du monde entier pourrait renforcer les efforts mondiaux pour lutter contre le changement climatique et accélérer le développement durable.

DOI
10.34133/remotesensing.0379

URL de la source originale
https://spj.science.org/doi/10.34133/remotesensing.0379

Informations sur le financement
Cette étude est soutenue par le Programme National des Clés de Recherche et Développement de la Chine (2022YFB3903703).

À propos de Journal of Remote Sensing
Le Journal of Remote Sensing, un journal en ligne uniquement en libre accès publié 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 des 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 leur conception à leur 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.