Une nouvelle étude publiée dans le Journal of Remote Sensing démontre une avancée significative dans la surveillance des écosystèmes de zones humides grâce à un cadre d'apprentissage ensembliste adaptatif qui combine des données hyperspectrales et LiDAR collectées par des véhicules aériens sans pilote (drones). La recherche, menée dans la zone humide karstique de Huixian en Chine, a atteint jusqu'à 92,77 % de précision dans la classification des espèces végétales, surpassant considérablement les approches traditionnelles de télédétection et offrant de nouvelles capacités pour la conservation de la biodiversité et la surveillance du cycle du carbone.
Les zones humides karstiques représentent des écosystèmes d'importance mondiale qui régulent les ressources en eau, stockent le carbone et abritent une riche biodiversité. Cependant, la cartographie précise de la végétation dans ces environnements a été difficile en raison de la composition complexe des espèces et des spectres de canopée similaires entre différentes plantes. Les relevés de terrain traditionnels sont coûteux et spatialement limités, tandis que les méthodes conventionnelles de télédétection manquent de la résolution nécessaire pour une classification au niveau des espèces. L'intégration de données optiques et structurelles complémentaires est apparue comme une approche nécessaire pour une cartographie précise de la végétation dans ces environnements complexes.
Des chercheurs de l'Université de technologie de Guilin et leurs collaborateurs ont développé un cadre d'apprentissage ensembliste adaptatif par empilement (AEL-Stacking) qui fusionne l'imagerie hyperspectrale avec les données de nuage de points LiDAR. L'étude, publiée avec le DOI 10.34133/remotesensing.0452, démontre comment cette approche intégrée atteint une précision de classification supérieure tout en fournissant une interprétabilité grâce aux explications locales interprétables indépendantes du modèle (LIME). Le cadre combine les classificateurs Random Forest, LightGBM et CatBoost au sein d'un système adaptatif optimisé par recherche en grille qui utilise 70 % des données pour l'entraînement et 30 % pour les tests, soutenu par une validation croisée à 10 plis.
L'équipe de recherche a mené des relevés de terrain dans la zone humide karstique de Huixian, où 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 à 208 points par mètre carré. L'ensemble de données intégré couvrait 13 types de végétation, notamment le lotus, le miscanthus et les camphriers. Grâce à l'élimination récursive des caractéristiques et à l'analyse de corrélation, les chercheurs ont sélectionné 40 caractéristiques optimales parmi plus de 600 variables, les variables du modèle numérique de surface (MNS) dérivées du LiDAR s'étant avérées particulièrement précieuses pour distinguer les espèces ayant des structures verticales distinctes.
Les résultats ont montré que la combinaison des données hyperspectrales et LiDAR atteignait une précision globale comprise entre 87,91 % et 92,77 %, surpassant les approches utilisant une seule source de données jusqu'à 9,5 %. Le modèle AEL-Stacking a surpassé à la fois les méthodes ensemblistes conventionnelles et les algorithmes d'apprentissage profond de 0,96 % à 7,58 %. Les indices de végétation hyperspectraux tels que le NDVI et les paramètres du bord bleu ont amélioré la reconnaissance des espèces herbacées, tandis que l'analyse LIME a révélé que les bandes spectrales bleues et le MNS étaient les caractéristiques les plus influentes. Le lotus et le miscanthus ont atteint des scores F1 de classification supérieurs à 0,9, le modèle réduisant significativement les erreurs de classification entre les espèces morphologiquement similaires.
« Notre approche comble le fossé entre la détection spectrale et structurelle », a déclaré le Dr Bolin Fu, auteur correspondant de l'étude. « En combinant les données hyperspectrales et LiDAR des drones grâce à l'apprentissage ensembliste 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. »
La recherche démontre une approche évolutive et explicable pour la cartographie haute résolution des zones humides qui pourrait potentiellement être appliquée aux écosystèmes forestiers, prairiaux et côtiers. Les travaux futurs se concentreront sur l'intégration d'observations multi-temporelles par drones et de 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 basés sur l'intelligence artificielle, cette recherche soutient les efforts mondiaux de conservation de la biodiversité et les initiatives de neutralité carbone, tout en fournissant des cartes de végétation détaillées essentielles pour la surveillance des écosystèmes et la planification de la restauration.
