Le réseau neuronal peut lire la hauteur des arbres à partir d’images satellites

Le réseau neuronal peut lire la hauteur des arbres à partir d'images satellites

Des chercheurs de l’ETH Zurich ont développé une carte du monde qui utilise pour la première fois l’apprentissage automatique pour déduire les hauteurs de végétation à partir d’images satellites en haute résolution. Crédit : Laboratoire EcoVision

À l’aide d’un réseau de neurones artificiels, des chercheurs de l’ETH Zurich ont créé la première carte mondiale haute résolution de la hauteur de la végétation pour 2020 à partir d’images satellites. Cette carte pourrait fournir des informations clés pour lutter contre le changement climatique et l’extinction des espèces, ainsi que pour la planification du développement régional durable.

L’année dernière a marqué le début de la Décennie des Nations Unies pour la restauration des écosystèmes. Cette initiative vise à enrayer la dégradation des écosystèmes d’ici 2030, à l’empêcher de progresser et, si possible, à réparer les dégâts déjà causés. La réalisation de ce type de projets nécessite des fondations précises, telles que des relevés et des cartes de la végétation existante.

Dans une interview, Ralph Dubayah, chercheur principal de la mission GEDI (Global Ecosystem Dynamics Investigation) de la NASA, explique : « Nous ne savons tout simplement pas quelle est la hauteur des arbres à l’échelle mondiale. […] Nous avons besoin de bonnes cartes mondiales de l’emplacement des arbres. Parce que chaque fois que nous abattons des arbres, nous libérons du carbone dans l’atmosphère, et nous ne savons pas combien de carbone nous libérons.”

L’analyse et la préparation précises de ce type de données environnementales est la spécialité du laboratoire EcoVision du Département de génie civil, environnemental et géomatique de l’ETH Zurich. Fondé en 2017 par le professeur Konrad Schindler de l’ETH Zurich et le professeur Jan Dirk Wegner de l’Université de Zurich, ce laboratoire est où les chercheurs développent des algorithmes d’apprentissage automatique qui permettent l’analyse automatique de données environnementales à grande échelle. L’un de ces chercheurs est Nico Lang. Dans sa thèse de doctorat, il a développé une approche basée sur les réseaux de neurones pour déduire la hauteur de la végétation à partir d’images satellitaires optiques. Grâce à cette approche, il a pu créer la première carte de la hauteur de la végétation qui couvre l’ensemble de la Terre : la Global Canopy Height Map.

La haute résolution de la carte est une autre première : grâce au travail de Lang, les utilisateurs peuvent zoomer jusqu’à 10 x 10 mètres sur n’importe quel bois sur Terre et vérifier la hauteur des arbres. Une enquête forestière de ce type pourrait montrer la voie, notamment en ce qui concerne les émissions de carbone, car la hauteur des arbres est un indicateur clé de la biomasse et de la quantité de carbone stockée. “Environ 95 % de la biomasse des forêts est constituée de bois, et non de feuilles. Ainsi, la biomasse est fortement corrélée à la hauteur”, explique Konrad Schindler, professeur de photogrammétrie et de télédétection.

Formé avec des données de balayage laser depuis l’espace

Mais comment un ordinateur lit-il la hauteur d’un arbre à partir d’une image satellite ? “Puisque nous ne savons pas quels modèles l’ordinateur doit rechercher pour estimer la hauteur, nous le laissons apprendre lui-même les meilleurs filtres d’image”, explique Lang. Il montre à son réseau de neurones des millions d’exemples, grâce aux images des deux satellites Copernicus Sentinel-2 exploités par l’Agence spatiale européenne (ESA). Ces satellites capturent chaque emplacement sur Terre tous les cinq jours avec une résolution de 10×10 mètres par pixel. Ce sont les images de la plus haute qualité actuellement disponibles au public.

L’algorithme doit également avoir accès à la bonne réponse, c’est-à-dire la hauteur de l’arbre dérivée des mesures laser spatiales de la mission GEDI de la NASA. “La mission GEDI fournit des données dispersées et distribuées dans le monde entier sur la hauteur de la végétation entre les latitudes de 51 degrés nord et sud, de sorte que l’ordinateur voit de nombreux types de végétation différents dans le processus de formation”, explique Lang. Avec l’entrée et la réponse, l’algorithme peut acquérir lui-même les filtres pour les motifs texturaux et spectraux. Une fois le réseau de neurones formé, il peut estimer automatiquement la hauteur de la végétation à partir des plus de 250 000 images (environ 160 téraoctets de données) nécessaires à la carte globale.

Dans le jargon spécialisé, le réseau neuronal de Lang est connu sous le nom de réseau neuronal convolutif (CNN). La “convolution” est une opération mathématique dans laquelle l’algorithme fait glisser un masque de filtre de 3×3 pixels sur l’image satellite pour obtenir des informations sur les modèles de luminosité dans l’image. “L’astuce ici est que nous empilons les filtres d’image. Cela donne à l’algorithme des informations contextuelles, puisque chaque pixel, de la couche de convolution précédente, comprend déjà des informations sur ses voisins”, explique Schindler. En conséquence, le laboratoire EcoVision a été le premier à utiliser avec succès des cartes satellites pour estimer également de manière fiable la hauteur des arbres jusqu’à 55 mètres.

Parce que leurs nombreuses couches rendent ces réseaux de neurones “profonds”, cette méthode est également appelée “apprentissage en profondeur”. Il a annoncé il y a une dizaine d’années une révolution majeure dans le traitement de l’image. Cependant, traiter la quantité de données reste très difficile : le calcul de la carte mondiale de la hauteur de la végétation prendrait trois ans à un seul ordinateur puissant. “Heureusement, nous avons accès au cluster de calcul haute performance de l’ETH Zurich, nous n’avons donc pas eu à attendre trois ans pour que la carte soit calculée”, dit Lang en riant.

Transparence en estimant les incertitudes

Lang n’a pas préparé un seul CNN pour cette tâche, mais plusieurs. C’est ce qu’on appelle un ensemble. “Un aspect important pour nous était également de faire connaître aux utilisateurs l’incertitude de l’estimation”, dit-il. Les réseaux de neurones – cinq au total – ont été entraînés indépendamment les uns des autres, chacun renvoyant sa propre estimation de la hauteur des arbres. “Si tous les modèles sont d’accord, alors la réponse est claire sur la base des données de formation. Si les modèles arrivent à des réponses différentes, cela signifie qu’il y a une plus grande incertitude dans l’estimation”, explique Lang. Les modèles intègrent également des incertitudes dans les données elles-mêmes : si une image satellite est floue, par exemple, l’incertitude est plus grande que lorsque les conditions atmosphériques sont bonnes.

Fondation pour la recherche écologique future

Grâce à sa haute résolution, la carte mondiale de Lang fournit des informations détaillées : “Nous avons déjà découvert des modèles intéressants”, déclare Schindler. “Dans les montagnes Rocheuses, par exemple, les forêts sont gérées en sections fixes, et la forêt tropicale forme également des structures intéressantes qui ne peuvent pas être une coïncidence.” Désormais, les écologistes peuvent interpréter ces modèles et données capturés à l’échelle mondiale.

Pour permettre à cette recherche de se poursuivre, la carte et son code source seront rendus accessibles au public (voir lien). Les premières parties intéressées ont déjà pris contact : Walter Jetz, professeur à l’université de Yale, veut utiliser la Global Canopy Height Map pour la modélisation de la biodiversité. Cependant, la carte pourrait également intéresser les gouvernements, les administrations et les ONG. “Grâce à Sentinel-2, la hauteur de la végétation peut être recalculée tous les cinq jours, ce qui permet de surveiller la déforestation de la forêt tropicale”, explique Lang.

En outre, ajoute-t-il, il est désormais également possible de valider à l’échelle mondiale les découvertes régionales, telles que la manière dont les auvents de feuilles tropicales agissent comme un tampon climatique. Couplée à l’approche du haut stock de carbone, qui classe les forêts en fonction de leur stockage de carbone et de leur valeur de biodiversité, la carte de la hauteur de la végétation est une base importante pour le maintien et le renforcement des écosystèmes. Selon les calculs de Lang, la végétation d’une hauteur de plus de 30 mètres ne se trouve que sur 5% de la masse continentale, et seulement 34% de celle-ci se trouve dans des zones protégées.

La mission GEDI devant se terminer en 2023, la nouvelle approche développée par Lang offre la possibilité de continuer à cartographier la hauteur de la végétation à l’avenir. Cependant, l’extension de la mission GEDI – quelque chose qui fait actuellement l’objet de discussions dans les médias internationaux – est essentielle pour comparer ses données avec les futures missions satellites telles que la mission ESA Biomass et calibrer le modèle pour les changements.


La NASA publie des données révolutionnaires sur les produits biomasse forestière-carbone


Plus d’information:
Nico Lang, Walter Jetz, Konrad Schindler, Jan Dirk Wegner, Un modèle haute résolution de la hauteur de la canopée de la Terre. arXiv:2204.08322v1 [cs.CV]arxiv.org/abs/2204.08322

Citation: Le réseau neuronal peut lire la hauteur des arbres à partir d’images satellites (2022, 20 avril) récupéré le 20 avril 2022 sur https://techxplore.com/news/2022-04-neural-network-tree-heights-satellite.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.