📊 statistics

Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States

Cette étude démontre que l'intégration des plongements satellitaires Google issus du modèle de fondation AlphaEarth avec des données LiDAR aéroportées et des inventaires forestiers permet une surveillance hautement précise, évolutive et temporellement cohérente de la biomasse aérienne forestière dans le nord-est des États-Unis, améliorant considérablement la performance prédictive et réduisant les biais par rapport aux méthodes traditionnelles.

Auteurs originaux : Shashika Lamahewage, Chandi Witharana

Publié 2026-07-31

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shashika Lamahewage, Chandi Witharana

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 la Terre comme un gigantesque poumon respirant. Chaque fois que ce poumon inspire, il aspire le dioxyde de carbone de l'air et le stocke à l'intérieur de ses tissus : les arbres, les feuilles et les racines. Ce carbone stocké est appelé « biomasse aérienne », et c'est l'arme secrète que les forêts utilisent pour lutter contre le changement climatique. Mais voici la partie délicate : pour savoir quelle quantité de carbone une forêt contient, les scientifiques doivent généralement sortir, mesurer chaque arbre et effectuer des calculs complexes. C'est comme essayer de compter les grains de sable sur une plage en les ramassant un par un. C'est lent, coûteux et souvent impossible à faire partout en même $\text{temps}$ .

Ces dernières années, les scientifiques ont tenté d'utiliser des satellites pour prendre un raccourci. Au lieu de mesurer directement les arbres, ils regardent des images depuis l'espace pour deviner la quantité de bois présente. Mais les photos satellites traditionnelles sont un peu comme si l'on regardait une forêt à travers une fenêtre embuée ; elles peuvent voir la canopée verte, mais elles ne peuvent pas vous dire quelle est la hauteur des arbres ou l'épaisseur des branches. C'est là qu'intervient un nouvel outil de type « super-satellite ». Considérez ces outils comme un traducteur magique. Au lieu de simplement montrer une image, ils transforment l'ensemble du paysage en un code secret — une longue liste de chiffres qui décrit la forme, la santé et l'histoire de la forêt tout à la fois. Cet article pose une question cruciale : pouvons-nous utiliser ce nouveau « code secret » provenant d'un système d'IA mondial pour compter avec précision le stockage de carbone des forêts, même dans des endroits où nous ne disposons pas de cartes 3D de haute technologie et coûteuses pour les arbres ?

Le code secret de la forêt

Dans cette étude, deux chercheurs de l'Université du Connecticut ont décidé de mettre ce nouveau « code secret » à l'épreuve dans les forêts du nord-est des États-Unis. Ils voulaient voir s'ils pouvaient utiliser un nouvel outil puissant appelé Google Satellite Embeddings (GSE) pour estimer la quantité de bois stockée dans les arbres.

Pour comprendre le défi, imaginez que vous essayiez de deviner le poids d'un sac à dos.

L'ancienne méthode (LiDAR) : Vous avez un scanner 3D qui mesure la hauteur et la forme exactes du sac à dos. C'est super précis, mais vous ne pouvez l'utiliser que si vous avez le scanner juste à côté. Dans le monde réel, il s'agit du LiDAR, une technologie laser qui crée des cartes 3D détaillées des forêts. C'est excellent, mais c'est rare et coûteux, comme si vous n'aviez un scanner 3D que pour quelques sacs à dos dans toute une école.
La nouvelle méthode (GSE) : Vous avez une IA super intelligente qui a observé des millions de sacs à dos depuis l'espace, via des rapports météorologiques et des cartes. Elle ne voit pas le sac à dos directement, mais elle a appris un « code secret » (une liste de 64 chiffres) qui décrit à quoi ressemble habituellement un sac à dos en fonction de son environnement. C'est le Google Satellite Embedding. Il est disponible partout, chaque année, mais c'est un peu un mystère car c'est une « boîte noire » — nous savons qu'il fonctionne, mais nous ne savons pas toujours exactement quel chiffre correspond à un « arbre haut » et lequel signifie « feuilles épaisses ».

L'expérience : Mélanger les outils

Les chercheurs ont rassemblé des données issues du Northeastern Forest Inventory Network (NEFIN), qui est comme un immense registre de mesures forestières prises par des humains au fil des décennies. Ils avaient deux objectifs principaux :

Pouvaient-ils utiliser le « code secret » (GSE) seul pour deviner le poids de la forêt ?
Pouvaient-ils mélanger le « code secret » avec les cartes laser 3D (LiDAR) pour obtenir une estimation encore meilleure ?

Ils ont injecté toutes ces informations dans trois types différents de modèles de « cerveau » informatique (appelés Random Forest, XGBoost et ExtraTrees) pour voir lequel pouvait le mieux apprendre.

Les résultats : Une combinaison gagnante

Voici ce qu'ils ont trouvé, et c'est assez passionnant :

Les cartes laser 3D restent le Roi : Lorsqu'ils ont utilisé uniquement les cartes laser 3D (LiDAR), les modèles informatiques ont fait du bon travail, atteignant un score de précision (appelé R²) de 0,79 après l'ajustement des paramètres. Cela signifie que le modèle pouvait expliquer environ 79 % des variations de poids de la forêt.
Le code secret est un excellent second : Lorsqu'ils ont utilisé uniquement le « code secret » (GSE), les modèles ont tout de même obtenu des résultats étonnamment bons, atteignant une précision de 0,67 avec le jeu de données plus restreint. Cela prouve que le code secret de l'IA en sait beaucoup sur la forêt, même sans les cartes laser 3D.
Le pouvoir du travail d'équipe : Le meilleur résultat absolu est venu lorsqu'ils ont combiné les cartes laser 3D avec le « code secret ». Cette alliance a poussé la précision à 0,79 également, montrant que les deux méthodes se complètent parfaitement. Il s'avère que les cartes 3D disent à l'ordinateur quelle est la hauteur des arbres, tandis que le code secret lui dit de quel type de forêt il s'agit et comment elle évolue dans le temps. Ensemble, ils forment un duo parfait.

La grande percée : Combler les lacunes

La découverte la plus surprenante s'est produite lorsqu'ils ont cessé de se soucier des cartes laser 3D. Comme le « code secret » (GSE) est disponible chaque année pour le monde entier, les chercheurs ont pu utiliser beaucoup plus de données. Ils ont étendu leur étude d'un petit groupe de 589 parcelles forestières à un groupe massif de 6 801 parcelles !

En utilisant cette énorme quantité de données et en laissant l'ordinateur apprendre à partir du « code secret » seul, ils ont atteint leur score de précision le plus élevé : 0,82.

Ce que cela signifie pour l'avenir

Cette étude suggère que nous n'avons pas toujours besoin de cartes laser 3D coûteuses pour surveiller les forêts. Si nous disposons de bonnes mesures au sol (comme le registre NEFIN) et que nous utilisons ce nouveau « code secret » mondial, nous pouvons créer des cartes précises du stockage de carbone des forêts pour des régions entières, même dans des endroits où nous n'avons jamais fait voler de scanner laser.

Les chercheurs ont découvert qu'en utilisant cette méthode, ils pouvaient réduire le biais du modèle de plus de 70 % par rapport aux modèles qui n'utilisaient pas les ajustements de croissance annuels et les données GSE. Ils ont également montré qu'en ajustant les paramètres de l'ordinateur (un processus appelé optimisation des hyperparamètres), ils pouvaient rendre les résultats beaucoup plus stables et fiables.

L'essentiel

Bien que les cartes laser 3D soient toujours l'outil le plus précis pour les zones petites et détaillées, ce nouveau « code secret » issu de l'IA de Google change la donne pour la surveillance à grande échelle. Il permet aux scientifiques de combler les lacunes là où les cartes laser n'existent pas. L'étude conclut qu'en combinant ces nouveaux outils d'IA avec les données forestières traditionnelles, nous pouvons enfin garder un œil bien meilleur, année après année, sur la quantité de carbone que nos forêts stockent, nous aidant ainsi à comprendre et à protéger notre climat planétaire plus efficacement que jamais.

Résumé technique : Les représentations de la Terre par modèles de fondation permettent une surveillance de la biomasse aérienne forestière à l'échelle régionale dans le nord-est des États-Unis

Énoncé du problème
La biomasse aérienne (AGB) forestière est un indicateur critique de la productivité des écosystèmes et du stockage du carbone terrestre. Cependant, la surveillance régionale du carbone est limitée par la disponibilité spatiale et temporelle parcellaire des inventaires de terrain et des mesures structurelles aéroportées. Les approches traditionnelles de télédétection (RS) font face à des limitations intrinsèques : le LiDAR fournit des données structurelles 3D riches mais manque de continuité temporelle et spatiale, tandis que l'imagerie optique et radar manque souvent de sensibilité à la structure verticale. De plus, les incohérences de résolution spatiale et temporelle entre les sources de télédétection traditionnelles ont entravé les estimations d'AGB annuelles reproductibles à des échelles régionales. En outre, l'indisponibilité de l'emplacement précis des parcelles de terrain (par exemple, les données USFS FIA) limite l'utilité de la vérité terrain pour la modélisation spatiale.

Méthodologie
L'étude a développé un cadre d'apprentissage automatique (ML) pour estimer l'AGB à travers sept États du nord-est des États-Unis (couvrant >280 000 km²) en intégrant trois sources de données primaires :

Vérité terrain : Données d'inventaire forestier continu (CFI) provenant du Northeastern Forest Inventory Network (NEFIN), comprenant plus de 5 000 parcelles. L'AGB au niveau de la parcelle a été calculée à l'aide d'équations allométriques mises à jour (Chojnacky et al., 2014) et ajustée annuellement pour s'aligner sur les dates d'acquisition de la télédétection.
Prédicteurs structurels : Données LiDAR aéroportées (2011–2025) de l'USGS-3DEP, fournissant 29 métriques de hauteur et de densité.
Représentations de modèles de fondation : Embeddings Google Satellite (GSE) générés par le modèle de fondation AlphaEarth. Il s'agit de vecteurs géospatiaux à 64 dimensions, prêts pour l'analyse, dérivés de données multimodales (optiques, thermiques, SAR, LiDAR, élévation, climat, etc.) à une résolution de 10 m.

Conception expérimentale
Les auteurs ont évalué trois groupes de prédicteurs à l'aide des algorithmes Random Forest (RF), XGBoost et ExtraTrees :

G1 : LiDAR uniquement.
G2 : GSE uniquement.
G3 : Combinaison de LiDAR et GSE.

Deux scénarios ont été testés :

Scénario I : Un ensemble de données restreint (n=589) où les parcelles coïncident avec les fenêtres d'acquisition du LiDAR et du GSE (±3 ans).
Scénario II : Un ensemble de données élargi (n=6 801) utilisant la série temporelle annuelle complète des GSE (2017–2025) avec l'AGB ajustée selon la croissance, contournant ainsi les contraintes de disponibilité du LiDAR.

La méthodologie comprenait l'Analyse en Composantes Principales (ACP) pour réduire la dimensionnalité des GSE (conservant 95 % de la variance), la correction de l'autocorrélation spatiale via l'indice de Moran et les covariables spatiales, l'optimisation des hyperparamètres via GridSearchCV, et des simulations de Monte Carlo pour évaluer la stabilité du modèle.

Résultats clés

Performance des modèles : Les modèles combinés LiDAR-GSE (G3) ont atteint la performance la plus élevée dans le Scénario I, le modèle XGBoost optimisé atteignant un $R^2$ de 0,79 et une erreur absolue moyenne (MAE) de 227,81 Mg ha⁻¹. Cela a surpassé les modèles LiDAR uniquement ( $R^2$ = 0,79, mais avec un biais plus élevé dans certaines configurations) et GSE uniquement ( $R^2$ = 0,67) sous des tailles d'échantillon limitées.
Impact de la taille de l'échantillon (Scénario II) : Le fait de capitaliser sur les observations annuelles des GSE pour étendre l'ensemble des données d'entraînement décuplement (à 6 801 parcelles) a considérablement amélioré la performance prédictive. Le modèle XGBoost optimisé GSE uniquement dans le Scénario II a atteint un $R^2$ de 0,82 et une MAE de 245,23 Mg ha⁻¹, surpassant la performance des modèles entraînés sur de plus petits ensembles de données restreints par le LiDAR.
Autocorrélation spatiale : L'intégration des représentations de modèles de fondation et des prédicteurs structurels a considérablement réduit la dépendance spatiale résiduelle. Les modèles G3 combinés ont montré la plus faible autocorrélation spatiale résiduelle, l'indice de Moran approchant zéro pour le modèle XGBoost après correction spatiale.
Importance des variables : Bien que les métriques structurelles du LiDAR (ex: rugosité de la canopée, percentiles de hauteur) soient dominantes dans les modèles LiDAR uniquement, les caractéristiques dérivées des GSE (ex: A36, A49) et les covariables spatiales sont devenues critiques dans les modèles GSE uniquement et combinés. L'ACP a révélé que les caractéristiques GSE sont hautement structurées, capturant des gradients écologiques au-delà de la simple information spectrale.
Stabilité : L'optimisation des hyperparamètres a réduit la variabilité de la performance du modèle de 27,9 % lors des simulations de Monte Carlo, l'ExtraTrees démontrant la performance la plus stable à travers les itérations.

Contributions clés

Premier cadre systématique : Cette étude présente la première application systématique des ensembles de données GSE d'AlphaEarth pour l'estimation de l'AGB régionale dans le nord-est des États-Unis.
Surveillance évolutive : Elle démontre que les représentations de la Terre par modèles de fondation peuvent servir d'alternative évolutive pour la surveillance de l'AGB dans les régions ayant une couverture LiDAR aéroportée incomplète, particulièrement lorsqu'un inventaire annuel est disponible.
Intégration de données : Ce travail établit un cadre unificateur pour intégrer les données hétérogènes spatialement de NEFIN-CFI avec des ensembles de données LiDAR et GSE pluriannuels.
Rigueur méthodologique : L'étude traite l'autocorrélation spatiale et le désalignement temporel grâce aux ajustements de croissance et aux covariables spatiales, fournissant un flux de travail reproductible pour l'évaluation régionale du carbone.

Signification et affirmations
Les auteurs affirment que les représentations de la Terre par modèles de fondation capturent des informations écologiquement significatives pertinentes pour la biomasse forestière, offrant une voie vers une évaluation du carbone forestier de nouvelle génération basée sur des observations mondialement disponibles. L'étude établit que si le LiDAR reste supérieur pour une estimation locale de haute précision avec de petits échantillons, les données GSE peuvent efficacement soutenir la surveillance à l'échelle régionale lorsque le LiDAR est indisponible, à condition qu'un volume de données d'entraînement suffisant soit disponible via l'expansion de la série temporelle annuelle. Les conclusions suggèrent un passage vers une gestion de la végétation axée sur les données, offrant un outil de décision reproductible pour les propriétaires fonciers et les décideurs politiques afin d'atteindre des objectifs régionaux de carbone sans dépendre de l'emplacement sensible et non public des parcelles. Les auteurs notent que l'incertitude élevée observée aux valeurs extrêmes d'AGB (>600 Mg ha⁻¹) souligne la nécessité continue de cadres d'inventaire géospatialement et écologiquement représentatifs.

Articles similaires