Build a lasting personal brand

Cartographie satellite assistée par IA : 5,25 milliards d’arbres recensés au Rwanda et en Tanzanie

Cartographie satellite assistée par IA : 5,25 milliards d’arbres recensés au Rwanda et en Tanzanie

Des chercheurs ont développé un cadre d’apprentissage profond qui combine des images satellitaires multisenseurs pour estimer l’abondance des arbres à l’échelle de nations entières, produisant une référence de base susceptible de transformer la manière dont les gouvernements planifient et suivent les efforts de restauration des arbres. Appliqué au Rwanda et à la Tanzanie, le cadre a recensé environ 5,25 milliards d’arbres — environ 213 millions au Rwanda et 5,04 milliards en Tanzanie — et a constaté que seulement 48,8 % de ces arbres se trouvaient dans la classe « couvert arboré » de WorldCover. Les 51,2 % restants se répartissaient entre les arbustes, les prairies, les terres cultivées, les zones bâties, les zones humides, la végétation clairsemée et les mangroves.

L’étude, dirigée par l’Université de Copenhague, a été publiée (DOI : 10.34133/remotesensing.0970) le 18 août 2026 dans le Journal of Remote Sensing. La recherche répond à un besoin croissant : 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 inframétriques est difficile à mettre à l’échelle. Les méthodes de détection d’objets échouent également lorsque les houppiers se chevauchent, occupent une fraction de pixel ou manquent de limites claires.

Le cadre utilise des images PlanetScope, Sentinel-1 et Sentinel-2, en analysant des parcelles d’images de 96 × 96 mètres issues d’un composite à 20 bandes rééchantillonné sur une grille commune de 3 mètres. Une architecture hybride UNet-ResNet50 prédit une valeur de comptage d’arbres par parcelle, estimant le nombre d’arbres à partir de motifs spatiaux, spectraux et texturaux plutôt qu’en détectant chaque houppier individuellement. Lors des comparaisons, 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 houppiers d’arbres issus de paysages variés, avec des étiquettes assemblées à partir d’interprétation manuelle d’images inframétriques et d’extraction semi-automatisée à partir de modèles de hauteur de canopée LiDAR aéroportés et de drones. Les prédictions nationales ont été corrigées pour le biais à l’aide de mesures indépendantes d’inventaires forestiers nationaux, avec un calibrage bootstrap spécifique au pays et au type de couverture terrestre. Les estimations finales indiquaient des densités médianes de 37 arbres par hectare au Rwanda et de 42 en Tanzanie.

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 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. L’approche évite également de dépendre de limites explicites de houppiers, permettant d’inférer le nombre d’arbres même lorsque les houppiers individuels ne sont pas entièrement résolus à une résolution de pixel de 3 mètres.

Les travaux futurs devront améliorer les performances dans les forêts denses à canopée fermée, où le chevauchement des houppiers et la saturation du signal réduisent la sensibilité, et intégrer les plantes ligneuses de sous-bois ou de plus petite taille. 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. L’étude complète est disponible à l’adresse https://spj.science.org/doi/10.34133/remotesensing.0970.

L'équipe de rédaction de Burstable.news

L'équipe de rédaction de Burstable.news

@burstable

Burstable.News fournit quotidiennement du contenu d'actualité sélectionné aux publications en ligne et aux sites web. Contactez Burstable.News dès aujourd'hui si vous souhaitez ajouter à votre site un flux de contenu actualisé qui répond aux besoins de vos visiteurs.