Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

Le Grand Détective de l'Herbe : Une histoire de montagnes, de satellites et d'ordinateurs intelligents

Imaginez que la peau de la Terre soit recouverte de vastes tapis sauvages d'herbe et d'arbustes appelés pâturages. Ce ne sont pas seulement de jolis paysages ; ce sont les gigantesques tables de banquet pour des millions de vaches, de moutons et de chèvres, et ils aident à garder l'eau de la planète propre et son air pur. Mais voici le problème : ces tapis d'herbe s'épuisent. Trop d'animaux qui mangent en même temps, le changement climatique et la pression humaine transforment les prairies luxuriantes en parcelles poussiéreuses. Pour réparer cela, nous devons savoir exactement quelle quantité d'herbe il reste, mais compter de la vieille façon est un cauchemar. Cela implique de randonner dans des montagnes rocheuses et escarpées, de couper de minuscules carrés d'herbe avec des ciseaux, de les faire sécher au soleil et de les peser. C'est lent, coûteux, et on ne peut pas le faire partout en même temps.

C'est là que la magie de la « télédétection » et de l'« apprentissage automatique » entre en jeu. Considérez la télédétection comme un appareil photo géant et de haute technologie dans le ciel (un satellite) capable de voir des couleurs que nos yeux ne perçoivent pas, comme le « red edge » (bord rouge) invisible de la lumière dont les plantes rayonnent lorsqu'elles sont en bonne santé. L'apprentissage automatique est comme un étudiant super intelligent qui peut regarder des millions de ces photos satellites et apprendre à deviner la quantité d'herbe sur le sol sans jamais y poser le pied. Les scientifiques ont essayé d'apprendre à ces ordinateurs à être précis, mais les zones montagneuses sont délicates car les ombres et les pentes raides perturbent les caméras. La grande question est : pouvons-nous construire un système intelligent capable de « peser » l'herbe dans ces hautes montagnes difficiles simplement en regardant depuis le ciel ?

---

La mission du papier : Enseigner aux ordinateurs à compter l'herbe dans les nuages

Cette recherche est comme un guide de terrain pour un nouveau type de travail de détective. Les auteurs, une équipe de scientifiques du Pakistan et du Canada, se sont donné pour mission de résoudre le mystère de la quantité d'herbe (biomasse) qui pousse dans les pâturages transhimalayens de Dir supérieur et de Swat. Ce sont des zones de haute montagne accidentées où le terrain est si escarpé et la météo si sauvage que les méthodes de comptage traditionnelles sont presque impossibles. Au lieu d'envoyer des équipes de randonneurs pour couper l'herbe, l'équipe a décidé d'utiliser les données du satellite Sentinel-2, qui prend des images incroyablement détaillées de la Terre tous les quelques jours.

Ils ont traité les images satellites comme un immense puzzle. D'abord, ils sont allés sur le terrain durant l'été 2022 et 2023 pour collecter la « vérité terrain ». Ils ont randonné dans des endroits aléatoires, mesuré le poids sec réel de l'herbe dans de petits carrés et enregistré les coordonnées GPS. C'était leur corrigé. Ensuite, ils ont examiné les photos satellites de ces mêmes endroits exacts pour voir ce que le satellite « voyait ». Ils ont testé 50 formules mathématiques différentes (appelées indices de végétation) qui tentent de transformer la lumière en nombres. C'était comme tester 50 recettes différentes pour voir laquelle produirait le meilleur gâteau.

La découverte : Le « Red Edge » gagne la course

L'équipe a découvert que toutes les recettes ne se valent pas. Certaines des anciennes formules standards, comme le célèbre NDVI (qui mesure à quel point les plantes sont vertes), étaient correctes, mais elles manquaient les détails plus fins. La véritable star de l'émission s'est avérée être une formule appelée REDVI1. Cette formule utilise une partie spéciale du spectre lumineux appelée le « Red Edge », qui est comme un mot de passe secret entre le satellite et la chlorophylle de la plante.

Lorsqu'ils ont testé leurs théories, REDVI1 a été le grand vainqueur de la précision de prédiction lors de la sélection initiale. En 2023, elle a prédit la quantité d'herbe avec un score de précision (R²) de 0,86, ce qui est une correspondance très forte. La formule standard de mesure du vert, le NDVI, n'a obtenu que 0,7376. C'est comme si REDVI1 pouvait voir la santé de l'herbe à un kilomètre de distance, tandis que le NDVI plissait les yeux et devinait.

Mais connaître la meilleure formule ne suffisait pas ; ils avaient aussi besoin du cerveau informatique le plus intelligent pour faire les calculs. Ils ont testé trois différents « étudiants » de l'apprentissage automatique :

1. PLSR (un penseur linéaire).
2. SVR (une machine à vecteur de support).
3. RFR (une régression par forêt aléatoire).

Le modèle Random Forest (RFR) a été le champion. Il ne s'est pas contenté de deviner ; il a construit une forêt d'arbres de décision capables de gérer la réalité complexe et désordonnée des montagnes. Il était beaucoup plus stable et précis que les autres, avec un score de performance (NSE) de 0,92 en 2023. Le papier note explicitement que les méthodes linéaires plus anciennes et plus simples ainsi que les autres modèles d'apprentissage automatique ont davantage lutté contre les ombres étranges et les pentes raides des montagnes. Le modèle RFR était le seul capable d'ignorer systématiquement le bruit pour trouver le signal.

La carte : Là où l'herbe est grasse et là où elle est mince

En utilisant leur modèle d'apprentissage automatique gagnant (RFR) pour valider les données, l'équipe a ensuite créé une carte détaillée de toute la région. Cependant, pour la carte finale proprement dite, ils n'ont pas utilisé directement le modèle informatique complexe. Au lieu de cela, ils ont appliqué une équation de régression linéaire plus simple basée sur REDVI2. Bien que REDVI1 ait été le meilleur prédicteur de précision lors de la sélection initiale, l'équipe a trouvé que REDVI2 avait la corrélation la plus élevée pour la phase de cartographie spécifique (avec un R² de 0,7204 en 2023), ils ont donc utilisé cette formule pour calculer le poids de l'herbe pour chaque pixel de la carte.

Les résultats ont révélé une histoire fascinante sur la terre :

• La moyenne : À travers toute la zone d'étude, la quantité moyenne d'herbe sèche était de 5 896,78 kg/ha.
• Les extrêmes : L'herbe n'était pas répartie uniformément. Certains endroits n'avaient presque pas d'herbe (près des villes et des rivières où les animaux paissent toute l'année), tandis que d'autres étaient incroyablement luxuriants. Les parcelles les plus riches atteignaient jusqu'à 11 516,7 kg/ha d'herbe.
• Le motif : L'article a constaté que l'herbe près des villages et des sources d'eau était souvent dégradée, avec une faible biomasse (moins de 3 500 kg/ha). C'est parce que les animaux y paissent depuis trop longtemps sans pause. Cependant, les hautes montagnes, qui sont couvertes de neige la majeure partie de l'année, possédaient une herbe épaisse et saine (plus de 7 000 kg/ha) car la neige tenait les animaux à l'écart, laissant aux plantes la chance de repousser.

Ce que cela signifie pour l'avenir

Les auteurs prennent soin de ne pas prétendre avoir « résolu » le problème de la gestion des pâturages pour toujours. Au contraire, ils suggèrent que cette méthode offre un nouvel outil puissant. Ils ont montré qu'il n'est pas nécessaire de couper l'herbe pour savoir quelle quantité il y a ; on peut utiliser un satellite et un ordinateur intelligent pour obtenir une image très précise.

C'est une avancée majeure pour les populations locales. Si les dirigeants locaux peuvent voir une carte indiquant : « Hé, cette vallée est en train de manquer d'herbe », ils peuvent déplacer les animaux vers une autre zone avant que la terre ne soit détruite. Cela transforme l'incertitude en science. L'article conclut que cette approche est précise, évolutive et non invasive, offrant un moyen de protéger ces écosystèmes montagneux fragiles et les moyens de subsistance des personnes qui en dépendent. C'est un rappel que, parfois, la meilleure façon de comprendre le sol est de le regarder depuis le ciel.