GMIA-NEXT: Next-Generation Global Map of Irrigated Areas

La vue d'ensemble : Une carte haute définition des champs irrigués

Imaginez que vous essayiez de comprendre comment le monde cultive sa nourriture. Vous savez qu'environ 24 % des terres agricoles mondiales sont « irriguées » (arrosées) par l'homme, mais que cette petite portion de terre produit 40 % de notre nourriture. C'est comme le moteur surpuissant d'une voiture ; il accomplit un travail massif avec une empreinte relativement petite.

Cependant, jusqu'à présent, nos cartes indiquant où se situent ces terres « irriguées » étaient floues. Pensez aux anciennes cartes comme à un vieux jeu vidéo pixélisé : vous pouviez voir la forme générale d'un champ, mais vous ne pouviez pas dire si une parcelle spécifique était sèche ou humide, ou si une minuscule exploitation était irriguée. Ces anciennes cartes étaient également souvent obsolètes, comme regarder la photo d'une ville datant d'il y a dix ans pour planifier une nouvelle ligne de métro.

GMIA-NEXT est la solution. Il s'agit d'une toute nouvelle carte haute définition (résolution de 30 mètres) de l'ensemble des champs irrigués du monde entier, spécifiquement pour la saison de croissance 2023/2024. C'est comme passer d'une photo noir et blanc granuleuse à une vidéo couleur 4K nette.

Comment ils ont construit la carte : L'approche du « détective »

Les chercheurs n'ont pas simplement deviné où se trouvaient les champs irrigués. Ils ont agi comme des détectives numériques en utilisant un processus en trois étapes :

1. Rassembler les « témoins » (Vérité terrain)
Pour apprendre à un ordinateur à quoi ressemble un champ irrigué, il faut lui montrer des milliers d'exemples. L'équipe a rassemblé une immense bibliothèque de « témoins » — des points spécifiques au sol dont on sait avec certitude qu'ils sont soit irrigués, soit non irrigués.

• La collecte : Ils ont rassemblé plus de 380 000 de ces points à travers le monde.
• Les sources : Certains proviennent de leur propre vérification manuelle minutieuse de photos satellites, tandis que d'autres sont empruntés à des ensembles de données fiables existants (comme l'USGS aux États-Unis ou MapBiomas au Brésil).
• L'analogie : Imaginez que vous essayez d'apprendre à un chien à distinguer une « balle » d'une « chaussure ». Vous ne lui montreriez pas seulement une balle ; vous lui montreriez des centaines de balles et de chaussures différentes sous différents éclairages. C'est ce qu'ils ont fait pour l'ordinateur.

2. Donner à l'ordinateur des « super-sens » (Données satellites)
L'ordinateur devait observer les champs et décider : « Est-ce humide ou sec ? » Pour ce faire, les chercheurs ont doté l'ordinateur d'un ensemble de « super-sens » grâce aux données satellites des satellites Landsat 8 et 9 de la NASA.

• Les outils : Ils ne se sont pas contentés de regarder la couleur verte. Ils ont calculé des « indices » spéciaux (des formules mathématiques) qui agissent comme une vision de rayons X.
  • Santé de la végétation : Ils ont vérifié à quel point les plantes étaient vertes et saines (en utilisant l'NDVI et l'EVI). Les plantes irriguées restent vertes même lorsqu'il fait sec à l'extérieur ; les plantes sèches deviennent brunes.
  • Présence d'eau : Ils ont cherché des signes de présence réelle d'eau dans le sol (en utilisant l'NDWI).
  • Indices contextuels : Ils ont également regardé le voisinage. Le champ est-il proche d'une rivière ? Est-il près d'un canal ? Le sol est-il humide ?
• L'analogie : C'est comme un médecin diagnostiquant un patient. Il ne regarde pas seulement la couleur de la peau ; il vérifie la température, la tension artérielle et les antécédents médicaux pour établir un diagnostic. L'ordinateur a vérifié la « santé », l'« emplacement » et l'« historique » de chaque parcelle de terre de 30 mètres.

3. Le « cerveau » (Apprentissage automatique)
Une fois qu'ils ont eu les témoins et les super-sens, ils ont utilisé un modèle d'apprentissage automatique (appelé spécifiquement Random Forest).

• Comment ça marche : Imaginez un panel de 100 juges experts. Chaque juge examine une petite parcelle de terre et vote : « Irrigué » ou « Non irrigué ». La décision finale est le vote majoritaire.
• La stratégie : Ils n'ont pas utilisé un seul cerveau géant pour le monde entier car une ferme en Inde ne ressemble pas à une ferme aux États-Unis ; au lieu de cela, ils ont créé des « cerveaux » spécialisés pour différentes régions (comme les zones agro-écologiques) afin que l'ordinateur puisse apprendre les règles spécifiques de chaque zone.
• Le résultat : L'ordinateur a produit une carte de probabilité. Pour chaque carré de 30 mètres, il disait : « Je suis sûr à 85 % que ceci est irrigué ». Ils ont ensuite fixé une règle : si la confiance est supérieure à 50 %, nous appelons cela irrigué.

À quel point est-ce efficace ? (Le bulletin de notes)

Les chercheurs ont testé leur nouvelle carte par rapport à un ensemble de données « de réserve » (des questions que l'ordinateur n'avait pas vues auparavant) pour voir comment elle se comportait.

• Score mondial : La carte a obtenu un score de précision d'environ 80,5 %.
• Différences régionales : Elle a obtenu des performances exceptionnelles dans des endroits comme l'Océanie (95 %), l'Europe (90 %) et l'Asie (86 %). Elle a été un peu plus complexe en Amérique du Sud et en Afrique (autour de 75 %), probablement parce que ces zones présentent des modèles agricoles plus complexes et à petite échelle, plus difficiles à repérer depuis l'espace.

Ils ont également comparé leur nouvelle carte à d'autres cartes mondiales existantes. Ils ont constaté que, bien que les tendances générales concordent, GMIA-NEXT voit beaucoup plus de détails. C'est comme comparer une photo satellite à basse résolution à une vidéo de drone haute définition ; la nouvelle carte capture de minuscules champs isolés que les anciennes cartes avaient manqués.

Que pouvez-vous en faire ? (Et ce que vous ne pouvez pas faire)

Ce que le papier affirme que vous pouvez faire :

• Voir les détails : Vous pouvez désormais observer les modèles d'irrigation à l'échelle d'un champ unique, et non plus seulement à l'échelle d'un pays entier.
• Surveiller les changements : Comme les données sont actuelles (2023/24), elles aident à suivre l'évolution de l'utilisation de l'eau en temps réel.
• Gérer les ressources : Cela aide les scientifiques et les décideurs politiques à comprendre où l'eau est utilisée pour prendre de meilleures décisions en matière de sécurité alimentaire et de conservation de l'eau.
• Reproductibilité : Le meilleur argument est que la « recette » (le code) et les ingrédients (les données) sont tous gratuits et ouverts à tous.

Ce que le papier vous avertit (Limites) :

• La dépendance aux « terres cultivables » : Cette carte ne regarde que les terres qui sont déjà identifiées comme terres agricoles. Si la carte sous-jacente de « l'emplacement des fermes » est erronée, cette carte le sera aussi. C'est comme un détective qui ne peut résoudre des crimes que dans les quartiers qu'il connaît déjà.
• Petits champs : Dans les endroits où les agriculteurs possèdent de petites parcelles fragmentées (fréquent dans les pays du Sud), la résolution de 30 mètres peut encore être un peu trop « grossière » pour voir parfaitement chaque champ.
• Seuils : La carte utilise une règle de « 50 % de confiance » pour décider si un terrain est irrigué. C'est un raccourci utile, mais il n'est pas parfait. Parfois, un champ peut être irrigué de manière occasionnelle, et la carte pourrait le manquer ou le compter comme sec.

L'essentiel

GMIA-NEXT est un bond en avant massif dans notre capacité à visualiser comment le monde irrigue sa nourriture. En combinant des milliers de « témoins » de terrain avec des « super-sens » satellites avancés et un cerveau informatique intelligent, les auteurs ont créé la carte de l'irrigation mondiale la plus détaillée, la plus récente et la plus ouverte jamais réalisée. Elle transforme une image floue et obsolète en un instantané net et actuel, nous aidant à comprendre la relation vitale entre l'eau et la nourriture à l'échelle mondiale.