⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

Cet article présente un cadre d'apprentissage profond auto-supervisé qui intègre le LiDAR aéroporté et l'imagerie optique pour générer une base de données bitemporale à haute résolution de la biomasse des arbres urbains individuels sur un paysage de 810 km² en Ontario, atteignant une estimation précise au niveau de la couronne sans annotation manuelle et révélant un gain net de carbone de 39 Gg C sur cinq ans.

Auteurs originaux : Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

Publié 2026-06-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une forêt géante et invisible qui ne pousse pas dans la nature sauvage, mais en plein milieu de nos villes, de nos banlieues et de nos villages. Ce sont les arbres qui bordent nos rues, qui se trouvent dans nos parcs et qui ponctuent nos quartiers. Pendant longtemps, compter la quantité de « bois » (biomasse) et de carbone que ces arbres urbains contiennent revenait à essayer de compter les grains de sable sur une plage en portant des gants épais : nous pouvions deviner le total, mais nous ne pouvions pas voir les grains individuels, et nos cartes étaient souvent floues.

Ce document présente une nouvelle méthode de haute technologie pour compter et peser ces arbres urbains, un par un, sur une zone massive du sud de l'Ontario (environ 810 kilomètres carrés). Voici comment ils ont procédé, expliqué simplement :

1. La stratégie de la « photo d'hiver »

Habituellement, quand on prend une photo d'un arbre en hiver (lorsqu'il n'a plus de feuilles), il ressemble à un squelette gris et nu. Cela rend difficile pour les ordinateurs de faire la différence entre une branche d'arbre et le toit d'un bâtiment.

L'astuce du document : Les chercheurs ont utilisé deux types de « yeux » pour regarder la ville en même temps :
- Des yeux qui voient la hauteur (LiDAR) : C'est comme un scanner laser 3D qui fait rebondir la lumière sur le sol et les arbres pour construire un modèle 3D précis. Il voit la forme de l'arbre, même sans feuilles.
- Des yeux qui voient la couleur (Optique) : Ce sont des photos haute résolution prises en hiver.
L'analogie : Pensez à l'idée d'essayer d'identifier une personne dans une pièce sombre. Si vous n'avez qu'une lampe de poche (la photo), vous pourriez la manquer. Mais si vous avez aussi un appareil de sonar (le laser) qui vous indique exactement où se trouve son corps, vous pouvez la trouver facilement. En combinant la « forme » du laser et la « couleur » de la photo, l'ordinateur peut repérer les arbres même lorsqu'ils sont dénudés.

2. Enseigner à l'ordinateur sans professeur

Normalement, pour apprendre à un ordinateur à reconnaître des arbres, les humains doivent passer des années à dessiner des contours autour de milliers d'arbres sur des photos. C'est lent et coûteux.

L'astuce du document : Ils ont utilisé une approche « auto-supervisée ». Au lieu d'embaucher un professeur, ils ont donné à l'ordinateur un ensemble de suppositions approximatives basées sur des règles (comme « si c'est plat et haut, c'est un bâtiment ; si c'est bosselé et vert, c'est un arbre »). Ces suppositions étaient imparfaites, comme le premier brouillon d'un élève.
L'analogie : Imaginez un élève apprenant à dessiner en regardant un carnet de croquis désordonné. L'ordinateur a commencé avec ces croquis désordonnés basés sur des règles, puis s'est exercé des millions de fois, corrigeant ses propres erreurs jusqu'à ce qu'il apprenne à desser les arbres parfaitement par lui-même. Il n'avait pas besoin qu'un humain dessine chaque arbre pour lui.

3. Séparer la « forêt » de la « ville »

L'une des parties les plus difficiles de la cartographie urbaine est de faire la distinction entre un arbre et une maison. Un toit plat peut ressembler à une canopée d'arbre vue d'en haut.

L'astuce du document : L'ordinateur a appris à être un videur très strict. Il a utilisé les données laser 3D pour voir que les bâtiments sont plats et lisses, tandis que les arbres sont bosselés et irréguliers.
Le résultat : L'ordinateur est devenu très efficace pour cela, identifiant correctement les bâtiments 95 % du temps et les séparant des arbres. C'est crucial car, si vous confondez un toit avec un arbre, vous pourriez essayer de peser une maison !

4. Peser les arbres

Une fois que l'ordinateur a trouvé les arbres et a dessiné un cercle autour de chacun d'eux (délimitation), il devait deviner leur poids.

L'astuce du document : Ils ne pouvaient pas grimper à chaque arbre pour le mesurer. À la place, ils ont utilisé une « recette » (une équation allométrique). Ils savaient que des couronnes plus larges et des arbres plus hauts signifient généralement plus de bois. Ils ont calibré cette recette en utilisant une liste de 112 000 arbres d'Oakville qui avaient déjà été mesurés par des agents municipaux.
Le bémol : L'ordinateur est excellent pour trouver les arbres, mais il n'est pas parfait pour dessiner le bord exact de chaque couronne. Le document a révélé que la plus grande source d'erreur n'était pas la « recette » pour peser les arbres, mais plutôt le fait que l'ordinateur manque parfois le bord exact de la couronne d'un arbre (particulièrement pour les arbres grands et désordonnés).

5. Les résultats globaux

Après avoir fait fonctionner ce système sur la zone de 810 km² pour deux années différentes (2018 et 2023), ils ont découvert :

Poids total : En 2018, les arbres contenaient environ 1,73 million de tonnes de biomasse. En 2023, ce chiffre est passé à 1,81 million de tonnes.
Gain de carbone : Les arbres ont absorbé 39 000 tonnes de carbone supplémentaires au cours de ces cinq années.
Où se trouvent les arbres : Les arbres les plus lourds ont été trouvés le long de l'Escarpement du Niagara (une zone de falaises rocheuses) et dans les vallées des rivières. Les arbres plus légers et plus clairsemés se trouvaient dans les quartiers résidentiels et les zones commerciales.
Cartes d'incertitude : L'ordinateur a également créé une « carte de confiance ». Elle a mis en évidence les zones où il était moins sûr de ses réponses (principalement dans les champs agricoles ou les zones mixtes), disant aux futurs chercheurs : « Vérifiez ces endroits en priorité ».

Résumé

Ce document présente un système informatique intelligent et auto-apprenant qui utilise des scans laser hivernaux et des photos pour trouver, délimiter et peser les arbres individuels dans une ville sans avoir besoin que des humains dessinent chacun d'entre eux. Il a prouvé que nous pouvons obtenir une carte très détaillée, arbre par arbre, de la biomasse urbaine, nous montrant exactement où nos forêts urbaines se développent et quelle quantité de carbone elles stockent, ce qui aide les villes à mieux planifier l'avenir.

Résumé technique : Estimation de la biomasse au niveau de l'arbre en milieu urbain par apprentissage auto-supervisé

Énoncé du problème
Les arbres urbains constituent une composante critique des stocks de carbone terrestre, pourtant leur biomasse est moins explicite spatialement et moins constante que celle des forêts gérées. Les estimations existantes reposent souvent sur des inventaires d'échantillonnage ou des produits de télédétection à résolution grossière (par exemple, 10 à 30 m), qui ne parviennent pas à résoudre les couronnes individuelles des arbres ni à capturer l'hétérogénéité fine des tissus urbains complexes. De plus, la cartographie à grande échelle est entravée par trois lacunes méthodologiques : (1) la dépendance à l'annotation manuelle au niveau du pixel pour l'apprentissage supervisé, ce qui limite la couverture ; (2) l'incertitude quant aux contributions relatives des erreurs de délimitation automatique des couronnes par rapport aux erreurs des modèles allométriques dans l'incertitude totale ; et (3) la rareté des produits de biomasse à l'échelle de la couronne multi-temporels accompagnés de couches d'incertitude spatialement explicites.

Méthodologie
L'étude présente un cadre de fusion multi-modal auto-supervisé appliqué à un paysage urbain-rural de 810 km² dans le sud de l'Ontario, au Canada, utilisant des données aéroportées bi-temporelles (2018 et 2023) de LiDAR (8–10 impulsions m⁻²) et de l'orthophotographie RVB proche infrarouge (0,16–0,20 m) acquises en conditions de feuilles absentes (leaf-off).

Génération de pseudo-étiquettes : Pour éliminer le besoin d'annotation manuelle, les auteurs ont développé un cadre fondé sur des règles pour générer des pseudo-étiquettes bruitées. Cela a impliqué :
- Détection de bâtiments : Analyse de planarité basée sur le raster du Modèle de Hauteur de Canopée (CHM) combinée à un filtrage morphologique.
- Classification de la végétation : Différenciation des arbres à aiguilles et décidus en utilisant des seuils de hauteur du CHM et des indices spectraux (critères NDVI et HSV) en conditions de feuilles absentes, où les couronnes de conifères conservent un NDVI élevé tandis que les couronnes décidues ne le font pas.
Réseau de neurones auto-supervisé : Un réseau ConvNeXtV2 U-Net à double flux avec attention croisée a été entraîné sur ces pseudo-étiquettes. L'architecture traite des entrées optiques (NIR, R, G, B) et structurelles (CHM) via des encodeurs parallèles, utilisant des blocs d'attention multi-modaux pour fusionner les caractéristiques.
- Fonction de perte : Le modèle a employé un objectif multitâche combinant la segmentation de l'occupation des sols, la classification du type d'arbre et la reconstruction d'entrées auxiliaires. Crucialement, il a utilisé une Perte de Négatif Active (ANL-CE) pour atténuer le surapprentissage des pseudo-étiquettes bruitées.
- Quantification de l'incertitude : Un ensemble profond (deep ensemble) de 25 modèles (variations de plis et d'hyperparamètres) a été utilisé pour générer des cartes d'incertitude par pixel, distinguant l'incertitude aléatoire (données) et épistémique (modèle).
Délimitation des couronnes : Les couronnes individuelles des arbres ont été délimitées par une segmentation par bassin versant multi-échelle sur le CHM au sein des zones arborées identifiées. Trois échelles ont été appliquées pour traiter la sur-segmentation des petits arbres et la sous-segmentation des grandes couronnes chevauchantes.
Estimation de la biomasse : Un modèle de proxy de loi de puissance ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) a été calibré par rapport à des équations allométriques spécifiques aux espèces (Lambert et al., 2005) en utilisant 21 921 arbres inventoriés à Oakville.
- Sélection des équations : Les couronnes présentant une faible incertitude se sont vu assigner des équations spécifiques aux groupes fonctionnels (décidus vs conifères) ; les couronnes incertaines ont été dirigées vers une équation commune « tous les arbres » pour éviter une extrapolation peu fiable.
- Validation : La précision a été évaluée par rapport à un ensemble de test isolé de 90 726 arbres, comparant les prédictions dérivées de la géométrie de l'inventaire (borne supérieure) par rapport à la segmentation par bassin versant opérationnelle.

Résultats clés

Performance de segmentation : Le modèle d'ensemble a amélioré les pseudo-étiquettes initiales basées sur des règles sur l'ensemble des métriques. Par rapport aux tuiles annotées manuellement, le modèle a atteint une précision moyenne de 0,86, un rappel de 0,83 et un coefficient de Dice de 0,84. La détection des bâtiments était particulièrement robuste (Dice 0,95), tandis que la segmentation des conifères restait la classe la plus difficile (Rappel 0,66).
Précision de l'estimation de la biomasse :
- Lors de l'utilisation de la géométrie de la couronne dérivée de l'inventaire (isolant l'erreur allométrique), le modèle a obtenu un $R^2 = 0,609$ .
- Dans des conditions opérationnelles utilisant la segmentation automatique, le $R^2$ est passé à 0,570.
- Les estimations pour les conifères étaient plus précises ( $R^2 = 0,646$ ) que celles pour les décidus ( $R^2 = 0,553$ ), ce qui est attribué aux pics de hauteur plus clairs des canopées de conifères dans les données CHM.
- La baisse de performance entre la géométrie de l'inventaire et la géométrie opérationnelle a identifié l'erreur de délimitation des couronnes comme la principale source d'incertitude, particulièrement pour les grands arbres sujets à la sous-segmentation.
Constatations spatiales et temporelles :
- Les stocks totaux de biomasse aérienne (AGB) sont passés de 1,73 Tg (811 Gg C) en 2018 à 1,81 Tg (850 Gg C) en 2023, représentant un gain de carbone net de 39 Gg C.
- Les densités de biomasse élevées (~140 Mg ha⁻¹) étaient concentrées le long de l'escarpement de Niagara et des corridors ripariens, tandis que les zones résidentielles et commerciales présentaient des densités plus faibles.
- Les cartes d'incertitude par ensemble profond ont réussi à identifier les régions de haute incertitude épistémique (ex. zones agricoles et de transition) où les données d'entraînement étaient sous-représentées.

Signification et revendications
Les auteurs affirment que ce travail fournit un flux de travail prototype et évolutif pour l'estimation de la biomasse urbaine qui fonctionne exclusivement sur des données de capteurs provinciaux standards sans annotation manuelle. Les principales contributions sont :

Évolutivité : Démontrer que le pseudo-étiquetage basé sur des règles combiné au raffinement par réseau neuronal peut atteindre une précision élevée dans des environnements urbains hétérogènes, surmontant ainsi le goulot d'étranglement de l'étiquetage manuel.
Caractérisation de l'erreur : Quantifier explicitement que les erreurs de délimitation des couronnes, plutôt que les erreurs de modèles allométriques, sont la principale limitation de l'estimation opérationnelle de l'AGB, avec un accent particulier sur la sous-segmentation des grands arbres.
Cartographie sensible à l'incertitude : Fournir une base de données bi-temporelle au niveau de la couronne accompagnée d'une couche d'incertitude, permettant aux utilisateurs de distinguer les zones de haute confiance de celles nécessitant une validation sur le terrain.
Comptabilité du carbone : Offrir une alternative spatialement explicite aux méthodes à résolution grossière ou basées sur des échantillons, produisant une base de données publique pertinente pour la gestion municipale et la comptabilité régionale du carbone pour les « arbres hors forêts ».

L'étude maintient un ton modeste concernant les valeurs absolues de biomasse, reconnaissant que l'utilisation d'équations allométriques dérivées de forêts pour les arbres urbains en milieu ouvert peut introduire un biais systématique. Cependant, les auteurs affirment que les modèles spatiaux et temporels relatifs restent robustes, fournissant une étape fondamentale vers une comptabilité du carbone urbain plus cohérente.