Synthetic Aperture Radar, Multi-Source Data Fusion, and Machine Learning for Aboveground Biomass and Carbon Stock Estimation: A Systematic Review and Bibliometric Analysis
Cette revue systématique et analyse bibliométrique synthétise 68 études de 2004 à 2026 pour démontrer comment l'intégration du radar à synthèse d'ouverture, de la télédétection multi-sources et de l'apprentissage automatique a fait progresser l'estimation de la biomasse aérienne et des stocks de carbone, tout en soulignant une lacune de recherche critique dans l'application de ces cadres robustes et évolutifs aux environnements arborés urbains hétérogènes.
Article original sous licence CC BY 4.0 (https://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
Les arbres sont les poumons de la planète, respirant le dioxyde de carbone et le stockant sous forme de bois, de feuilles et de racines. Ce carbone stocké est un contrepoids vital aux gaz à effet de serre qui réchauffent notre atmosphère. Pour comprendre la quantité de carbone que les forêts du monde retiennent, ou ce que les arbres des rues d'une ville pourraient sauver, les scientifiques doivent mesurer la « biomasse aérienne », qui est simplement le poids total de tout le matériel végétal vivant au-dessus du sol. Pendant des décennies, la seule façon d'obtenir un décompte précis était de pénétrer dans une forêt, de mesurer chaque arbre avec un ruban à mesurer et de faire les calculs à la main. Bien que cette méthode soit précise, elle est lente, coûteuse et impossible à appliquer partout en même temps. Aujourd'hui, nous avons un moyen plus rapide : regarder la Terre depuis l'espace. Les satellites peuvent désormais prendre des photos des forêts et des villes, en utilisant différents types d'« yeux » pour voir ce que l'œil humain ne peut pas percevoir. Certains satellites voient les couleurs, d'autres voient la forme de la canopée, et certains utilisent le radar, qui fait rebondir des ondes invisibles sur les arbres pour révéler leur structure, même à travers les nuages.
Une nouvelle revue de la recherche scientifique rassemble les dernières découvertes sur la manière dont nous utilisons ces outils spatiaux pour compter les arbres et estimer leur carbone. Les chercheurs derrière cette revue, Temitope Emmanuel Paul, Adedayo Adeleke et Abel Ramoelo, ne sont pas allés sur le terrain eux-mêmes. Au lieu de cela, ils ont rassemblé et analysé 68 études différentes publiées entre 2004 et 2026. Leur objectif était de voir comment les scientifiques combinent les données de différents satellites et utilisent des programmes informatiques intelligents pour déterminer la quantité de carbone stockée dans les arbres, tant dans les forêts sauvages que dans nos villes. Ils ont constaté que les meilleurs résultats ne proviennent pas de l'utilisation d'une seule sorte d'image satellite, mais de leur mélange. En combinant l'information de couleur provenant des caméras optiques, les détails structurels des scanners laser et la vue par tous les temps du radar, les scientifiques peuvent construire une image bien plus claire de la santé et de la taille d'une forêt.
L'histoire de cette recherche est celle d'une évolution rapide. Dans les premières années de la période étudiée, les scientifiques essayaient principalement d'utiliser des outils uniques pour résoudre le problème. Ils pouvaient s'appuyer sur un satellite qui voit les couleurs, ou un qui utilise le radar, mais rarement les deux. La revue montre que cette approche a changé. Aujourd'hui, les études les plus réussies mélangent des données de plusieurs sources. Elles prennent les données spectrales, qui nous renseignent sur la verdure et la santé des feuilles, et les combinent avec des données structurelles qui révèlent la hauteur et la densité des branches. L'un des outils les plus puissants de ce mélange est le radar, qui envoie des signaux micro-ondes capables de pénétrer les nuages et de voir la forme des arbres même lorsque le ciel est couvert. Un autre outil clé est le LiDAR, qui utilise des impulsions laser pour créer une carte 3D précise du sol forestier et de la canopée au-dessus de lui. Lorsque les chercheurs fusionnent ces différents types d'informations, la précision de leurs estimations de carbone s'améliore considérablement par rapport à l'utilisation d'une seule source isolée.
Pour donner un sens à toutes ces données mixtes, les scientifiques se tournent vers l'apprentissage automatique (machine learning). Il s'agit de programmes informatiques qui apprennent à partir d'exemples plutôt que de suivre un ensemble de règles fixes. La revue a révélé que les programmes les plus fiables et les plus largement utilisés sont les méthodes d'« ensemble », qui fonctionnent en combinant les prédictions de nombreux modèles plus petits pour parvenir à une réponse finale. Parmi ceux-ci, une méthode appelée « Random Forest » (forêt aléatoire) a été le choix le plus populaire et le plus robuste. Elle gère très bien les données complexes et désordonnées provenant des satellites et peut nous indiquer quelles parties de l'information étaient les plus importantes pour le calcul final. D'autres outils puissants, comme l'Extreme Gradient Boosting, sont également utilisés pour extraire encore plus de précision. Plus récemment, le deep learning (apprentissage profond), un type d'intelligence artificielle qui imite le cerveau humain, a commencé à apparaître dans la recherche. Ces systèmes avancés sont particulièrement doués pour repérer les arbres individuels dans les rues encombrées des villes, mais ils nécessitent de vastes quantités de données d'entraînement et des ordinateurs puissants pour fonctionner efficacement.
Malgré ces progrès technologiques impressionnants, la revue souligne une lacune importante dans nos connaissances. Bien que nous ayons beaucoup appris sur la mesure du carbone dans les vastes forêts continues, nous en savons beaucoup moins sur la manière de le faire dans les villes. Les environnements urbains sont incroyablement complexes ; les arbres sont dispersés parmi les bâtiments, les routes et le béton, et leurs formes sont souvent déformées par les structures environnantes. Les chercheurs ont constaté que très peu d'études ont réussi à appliquer la puissante combinaison du radar et de l'apprentissage automatique aux arbres urbains. La plupart des études axées sur les villes reposent encore lourdement sur les images optiques et les scans laser, omettant souvent les données radar qui pourraient aider à voir à travers les nuages et à comprendre la structure des arbres dans des conditions difficiles. C'est une occasion manquée, car les villes deviennent de plus en plus importantes pour les solutions climatiques, et nous avons besoin de moyens précis pour compter le carbone de nos arbres de rue afin de planifier un avenir plus frais.
La voie à suivre, selon les auteurs, consiste à combler ce fossé. Ils suggèrent que la recherche future doit se concentrer sur la création de modèles capables de fonctionner à travers différents types de paysages, des forêts tropicales denses aux centres-villes animés. Cela signifie développer de meilleures façons de gérer les défis uniques des villes, où les signaux radar peuvent rebondir sur les bâtiments et créer des échos confus. Cela signifie également construire des méthodes standardisées pour tester ces modèles afin qu'une méthode développée dans une ville puisse être fiable dans une autre. La revue conclut que, bien que nous ayons fait des progrès formidables dans la combinaison des données satellites et de l'intelligence artificielle, le véritable travail consiste à rendre ces outils assez robustes pour faire face à la réalité complexe du monde. En affinant ces méthodes, nous pouvons passer d'une estimation du carbone par grandes lignes à un comptage de précision, nous donnant les données claires dont nous avons besoin pour gérer nos forêts et nos villes pour un climat stable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.