Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration

Le grand équilibre de la forêt

Imaginez que vous essayiez de peser une forêt sans abattre un seul arbre. C'est le défi colossal auquel les scientifiques sont confrontés lorsqu'ils veulent savoir quelle quantité de carbone est stockée dans les zones boisées du monde. Les arbres sont les coffres-forts à carbone de la nature, absorbant le gaz qui réchauffe notre planète, mais déterminer exactement ce qu'ils contiennent est complexe. Vous ne pouvez pas simplement monter sur une balance ; vous devez estimer le poids des troncs, des branches et des feuilles à distance.

Pour ce faire, les chercheurs utilisent deux outils principaux. Premièrement, il y a des équipes de terrain qui parcourent les bois pour mesurer les arbres avec des rubans à mesurer et des balances. C'est comme prendre une photo parfaite, en haute définition, d'une seule pièce, mais c'est lent, coûteux et cela laisse de grands vides entre les pièces. Deuxièmement, il y a des satellites en orbite autour de la Terre qui peuvent voir toute la forêt à la fois. Certains satellites utilisent des caméras (optiques) pour voir à quel point les feuilles sont vertes, tandis que d'autres utilisent des radars pour « voir » à travers les nuages et mesurer l'épaisseur des branches. Cependant, les satellites se trompent souvent. Ils peuvent penser qu'une forêt dense et sombre est plus lourde qu'elle ne l'est réellement, ou ils peuvent manquer la différence entre un jeune plant et un géant millénaire.

La grande question est la suivante : comment combiner les mesures locales parfaites avec les vues satellites étendues pour obtenir une carte qui soit à la fois précise partout et assez peu coûteuse pour être mise à jour ? Si nous ne parvenons pas à réussir cela, nous ne pourrons pas faire confiance aux chiffres utilisés pour lutter contre le changement climatique ou protéger les forêts.

---

La grande idée de l'article : Un cerveau mondial avec un réglage local

Cet article de DAI Labs présente une solution ingénieuse à ce problème. Considérez cela comme l'apprentissage d'un robot super intelligent pour reconnaître les forêts. Au lieu d'apprendre au robot séparément pour chaque forêt du monde (ce qui prendrait une éternité), les chercheurs ont entraîné un seul cerveau géant, « mondial », en utilisant des données provenant du monde entier.

Le cerveau mondial
L'équipe a construit un programme informatique puissant appelé Réseau de Neurones Convolutifs (CNN). Vous pouvez considérer cela comme un détective numérique qui observe une parcelle de forêt et essaie de deviner la quantité de bois qui s'y trouve. Pour rendre ce détective vraiment affûté, ils l'ont nourri d'un régime massif de données provenant de trois types différents de satellites :

1. Caméras optiques (Sentinel-2) : Elles voient les feuilles vertes et l'aspect de la santé des arbres.
2. Radar en bande C (Sentinel-1) : Il utilise des ondes radio courtes pour voir à travers les nuages et mesurer les petites branches et l'humidité.
3. Radar en bande L (ALOS-2) : Il utilise des ondes radio plus longues qui pénètrent profondément dans la canopée pour ressentir les troncs épais et les branches principales.

Le détective a également appris à observer la forêt en deux saisons différentes : la saison humide (lorsque les arbres sont luxuriants et verts) et la saison sèche (lorsque les feuilles peuvent tomber ou brunir). En voyant la même forêt sous deux « tenues » différentes, le détective a appris à ignorer les changements temporaires des feuilles pour se concentrer sur le squelette permanent des arbres — le bois qui stocke réellement le carbone.

Le problème : Le bug du « taille unique »
Lorsque les chercheurs ont testé ce cerveau mondial sur une forêt spécifique au Malawi (appelée forêt de Perekezi), celui-ci a trébuché. C'était comme un chef qui excelle dans la cuisine italienne mais qui essaie de cuisiner un plat thaïlandais en utilisant exactement la même recette ; les saveurs ne correspondaient pas. Le modèle mondial estimait la biomasse (le poids des arbres) avec beaucoup d'erreurs. En fait, comparé aux mesures réelles prises sur le terrain, le modèle non calibré présentait un score de précision très faible (un R² de seulement 0,11) et était erroné de 33,58 Mg/ha en moyenne. Il voyait la forêt, mais il ne la « ressentait » pas correctement au niveau des arbres locaux.

La solution : Le réglage local
C'est ici que l'innovation principale de l'article brille. Au lieu de réentraîner tout le cerveau géant pour chaque nouvelle forêt, les auteurs ont créé une étape de calibration « légère ». Imaginez que le cerveau mondial est une station de radio diffusant de la musique pour le monde entier. Lorsque vous captez une station locale, vous devrez peut-être ajuster le volume ou les basses pour que le son soit parfait dans votre pièce spécifique.

Les chercheurs ont utilisé un petit nombre de parcelles de terrain réelles (environ 50 à 149 arbres mesurés à la main au Malawi) pour créer un « réglage » pour le modèle mondial. Ils ont procédé en deux étapes amusantes :

1. L'ajustement par Forêt Aléatoire (Random Forest) : Ils ont utilisé un autre type de modèle informatique (Forêt Aléatoire) pour examiner les données de terrain locales et les suppositions du modèle mondial. Il a appris les particularités spécifiques des arbres malawites — comme la façon dont leur densité de bois ou leur forme pourraient différer des arbres d'autres pays.
2. La correction de biais polynomiale : Enfin, ils ont appliqué une formule mathématique d'« étirement et de compression » (un polynôme de troisième ordre) pour corriger les erreurs systématiques restantes. C'était comme tourner un cadran pour aligner parfaitement les prédictions du modèle avec la réalité du terrain.

Les résultats : De l'ignorance à la clarté cristalline
Les résultats ont été spectaculaires. Après ce réglage local, la précision du modèle a grimpé en flèche.

• La corrélation entre la supposition du modèle et les arbres réels est passée d'un faible 0,11 à un solide 0,82.
• L'erreur moyenne est tombée d'un énorme 33,58 Mg/ha à seulement 15,00 Mg/ha.

L'article montre que cette méthode fonctionne non seulement au Malawi, mais aussi dans d'autres régions comme Ntchisi et Dzalanyama également. Lorsqu'ils ont comparé leurs cartes ajustées à un produit mondial célèbre de l'Agence Spatiale Européenne (ESA CCI), leur méthode était beaucoup plus proche des mesures réelles de terrain.

Ce que cela signifie
Les auteurs suggèrent que cette approche change la donne pour la comptabilité du carbone. Cela signifie que nous n'avons pas besoin de dépenser des millions de dollars pour mesurer chaque forêt à partir de zéro. Nous pouvons utiliser un modèle mondial intelligent et consacrer ensuite un peu de temps et d'argent à quelques parcelles de terrain locales pour le « calibrer » pour une région spécifique.

L'article confirme que, bien que le modèle mondial seul soit capable de voir les structures générales, il a besoin de cette calibration locale pour être assez précis pour les politiques climatiques sérieuses et la gestion des forêts. Ils écartent explicitement l'idée que nous devons réentraîner le modèle massif complet pour chaque nouveau lieu ; au contraire, ils montrent qu'un simple ajustement local suffit pour faire le travail correctement.

En fin de compte, ce cadre offre un moyen de créer des cartes de biomasse forestière de haute qualité, « de paroi à paroi », qui soient précises, abordables et prêtes à nous aider à suivre les coffres-forts à carbone de notre planète. C'est un pont entre la vue d'ensemble des satellites et les détails infimes des arbres réels, prouant que parfois, il suffit d'une petite touche locale pour qu'une idée mondiale fonctionne.