KNOXVILLE, TN, 22 octobre 2025 /24-7PressRelease/ -- La prédiction du changement de couverture terrestre est cruciale pour la conservation de la biodiversité, la résilience climatique et l'utilisation durable des terres. Un nouveau cadre d'apprentissage profond, nommé Themeda, démontre comment l'intelligence artificielle peut améliorer les prévisions de la dynamique végétale à travers le vaste biome de savane australienne. En analysant 33 ans de données satellitaires ainsi que les relevés de précipitations, de température, de sol et d'incendies, Themeda atteint une précision de 93,4 % dans la prédiction des catégories annuelles de couverture terrestre, surpassant significativement les modèles de persistance traditionnels. Contrairement aux approches statiques, il fournit des sorties probabilistes qui reflètent l'incertitude et capture les changements écologiques à multiples échelles spatiales. Ces avancées offrent aux décideurs des outils puissants pour gérer les paysages face à l'accélération du changement environnemental.

Le changement de couverture terrestre influence l'érosion, la qualité de l'eau, les régimes d'incendie et les habitats des espèces, mais prédire ces changements reste un défi redoutable. Bien que la télédétection ait amélioré la cartographie de la couverture terrestre, la prévision des dynamiques futures souffre encore de limitations dans l'intégration de divers facteurs environnementaux et de la variabilité temporelle. Les savanes, qui couvrent un sixième de la surface terrestre de la Terre, sont particulièrement difficiles à modéliser en raison des précipitations saisonnières, des incendies fréquents et de l'hétérogénéité végétale élevée. Malgré leur importance mondiale, les savanes tropicales restent sous-étudiées et font face à certains des taux de perte d'habitat les plus rapides. En raison de ces défis, il y a un besoin pressant de mener des recherches approfondies sur les méthodes prédictives du changement de couverture terrestre.

Une équipe de recherche de l'Université de Melbourne a présenté (DOI : 10.34133/remotesensing.0780) Themeda, un cadre d'apprentissage profond pour la prédiction de la couverture terrestre, dans le Journal of Remote Sensing le 11 septembre 2025. En combinant des architectures de réseaux neuronaux avancées avec des observations satellitaires pluridécimales, le modèle offre une précision sans précédent dans la prévision de la couverture terrestre future à travers les savanes du nord de l'Australie. L'étude met en évidence le potentiel de l'intégration de ConvLSTM et d'une nouvelle conception Temporal U-Net, permettant une amélioration des prévisions écologiques et offrant des applications pratiques pour la gestion des terres et la protection de la biodiversité dans le monde entier.

Themeda s'appuie sur les récentes avancées des réseaux neuronaux temporels, employant à la fois ConvLSTM et un nouveau Temporal U-Net qui traite les données spatiotemporelles à multiples échelles. Le cadre intègre 23 classes de couverture terrestre avec des prédicteurs environnementaux incluant les précipitations, la température maximale, les cicatrices d'incendie, la fertilité du sol et l'altitude, couvrant 33 ans de données dérivées de satellites (1988–2020). Dans les tests de validation, Themeda a atteint 93,4 % de précision pour les catégories de niveau 3 de la FAO, surpassant largement la référence de persistance (88,3 %). Aux échelles régionales, il a réduit les erreurs de prédiction près de dix fois par rapport aux méthodes existantes, atteignant une divergence de Kullback–Leibler aussi faible que 1,65 × 10⁻³. Les expériences d'ablation ont révélé que les précipitations étaient le prédicteur le plus influent, suivi de la température et des cicatrices d'incendie de fin de saison. Notamment, Themeda a bien généralisé aux années et régions spatiales non vues, bien que les conditions extrêmes telles que la saison exceptionnellement chaude et sèche de 2019 aient mis au défi la précision des prédictions. Les sorties probabilistes fournissent non seulement des classifications au niveau du pixel mais aussi des insights à l'échelle du paysage, le rendant adapté à l'intégration dans les modèles de risque hydrologique, d'incendie et de biodiversité. En nommant le cadre d'après Themeda triandra (l'herbe kangourou), l'étude souligne sa pertinence écologique et culturelle tout en démontrant l'évolutivité de l'IA pour la prévision environnementale.

« Nos résultats montrent que l'apprentissage profond peut aller au-delà de la cartographie statique vers la prévision dynamique des écosystèmes », a déclaré l'auteur principal Robert Turnbull. « En apprenant à partir de décennies de données environnementales, Themeda fournit des prédictions qui sont non seulement précises mais aussi transparentes sur l'incertitude. Cela ouvre de nouvelles possibilités pour une gestion proactive des terres, aidant les communautés et les décideurs à anticiper les risques écologiques plutôt que de réagir après coup. Alors que les extrêmes climatiques s'intensifient, une telle capacité prédictive sera essentielle pour sauvegarder la biodiversité et soutenir les moyens de subsistance dans les régions vulnérables comme les savanes australiennes. »

La puissance prédictive de Themeda s'étend au-delà de la modélisation académique, offrant des avantages pratiques pour la gestion des terres, l'adaptation climatique et la planification de la conservation. La prévision des changements végétaux soutient le contrôle de l'érosion, la modélisation hydrologique et les stratégies de gestion des incendies, y compris les programmes de brûlage en début de saison qui réduisent l'intensité des feux de forêt et les émissions de carbone. En anticipant les charges de combustible et les transitions de couverture terrestre, le modèle peut éclairer la comptabilité nationale du carbone et les initiatives de restauration des écosystèmes. Globalement, son approche peut être adaptée à d'autres biomes, abordant les défis de la sécurité alimentaire, de la perte de biodiversité et de l'utilisation durable des ressources. Themeda représente une étape significative vers l'intégration de la prévision écologique pilotée par l'IA dans la prise de décision réelle.

Références
DOI
10.34133/remotesensing.0780

URL de la source originale
https://doi.org/10.34133/remotesensing.0780

Informations sur le financement
Cette recherche a été soutenue par les Services de Calcul de Recherche de l'Université de Melbourne et l'Initiative Campus Péta-échelle. Ce projet a été réalisé avec l'aide des ressources et services de l'Infrastructure Nationale de Calcul (NCI), qui est soutenue par le gouvernement australien. Nous remercions l'Initiative de Recherche Phare Wildfire Futures de l'Université de Melbourne, Melbourne Climate Futures et le Melbourne Centre for Data Science pour leur soutien financier. R.K.R. a été soutenu par une Bourse de Recherche Précoce de Découverte du Conseil Australien de la Recherche (DE210100492).

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 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.