A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote
Cet article présente une méthode basée sur un réseau de neurones convolutifs pour identifier les formations de thermokarst en Yakoutie centrale à l'aide d'imagerie satellite, atteignant une haute précision de classification (0,94–0,96) à travers quatre types de paysages.
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
Dans les vastes paysages gelés du nord de la Russie, le sol n'est pas aussi solide qu'il en a l'air. Sous la surface se trouve le pergélisol, un sol qui est resté gelé pendant des milliers d'années. Cependant, à mesure que le climat se réchauffe, cette terre gelée commence à dégeler, déclenchant un processus connu sous le nom de thermokarst. Lorsque la glace contenue dans le sol fond, le sol s'effondre, créant un terrain chaotique de fontis, de dépressions et de bassins remplis d'eau. En Yakoutie centrale, une région de l'est de la Sibérie, ces formations prennent souvent une apparence géométrique distincte, ressemblant à un patchwork de polygones s'étendant à travers la toundra. Cette transformation s'accélère rapidement, de nouvelles caractéristiques se formant en seulement vingt-cinq à trente ans. Bien que ces changements se soient produits naturellement pendant des millénaires, le taux actuel de réchauffement les pousse en avant avec une vitesse sans précédent, menaçant les infrastructures et modifiant les écosystèmes. Surveiller ces changements est crucial, mais l'échelle immense du paysage rend difficile pour les humains de suivre chaque changement à l'œil nu seul.
Pour relever ce défi, une équipe de chercheurs de l'Université fédérale du Nord-Est et de plusieurs instituts scientifiques russes a développé une nouvelle façon d'observer le changement du sol gelé. Ils se sont tournés vers l'imagerie satellite, utilisant le même type de cartes à haute résolution que l'on trouve dans les applications de navigation quotidiennes, mais en y appliquant une forme sophistiquée d'apprentissage informatique pour les analyser. Au lieu qu'un humain regarde un écran et tente de repérer une dépression, les chercheurs ont entraîné un programme informatique pour reconnaître automatiquement les motifs visuels des formations de thermokarst. L'objectif était d'apprendre à la machine à distinguer quatre types spécifiques de paysages : les zones présentant ces formations de dégel, les champs ouverts, les forêts et les plans d'eau. Ce faisant, ils espéraient créer un outil capable de scanner de vastes zones de la nature sauvage sibérienne et de signaler les premiers signes d'effondrement du sol avant qu'ils ne deviennent catastrophiques.
Les chercheurs ont commencé par construire une bibliothèque d'images pour enseigner à leur ordinateur. Ils ont créé un outil en ligne qui leur permettait de sélectionner et de marquer rapidement des milliers de petites images carrées prélevées à partir de cartes satellites. Ces images provenaient de deux zones spécifiques de la Yakoutie connues pour posséder de nombreuses caractéristiques de thermokarst. Ils ont rassemblé plus de dix mille images, les divisant en différentes tailles pour voir laquelle fonctionnait le mieux pour l'ordinateur. Certaines images étaient petites, mesurant 70 par 70 pixels, tandis que d'autres étaient plus grandes, à 128 par 128 pixels. Pour s'assurer que l'ordinateur apprenait correctement, ils ont vérifié de nombreux points de thermokarst à l'aide de drones, survolant les terrains à basse altitude pour confirmer ce que les satellites voyaient. Cette préparation minutieuse a créé un ensemble robuste d'exemples, ou ensemble de données d'entraînement, que l'ordinateur pouvait étudier pour apprendre la différence entre une forêt, un champ, un lac et une zone de sol en dégel.
Une fois les données prêtes, l'équipe a construit un cerveau numérique, appelé réseau de neurones convolutifs, pour effectuer la reconnaissance. Ce type de programme informatique est conçu pour traiter les images de la même manière que l'œil et le cerveau humains travaillent ensemble. Il analyse une image et la décompose en couches, recherchant d'abord des formes et des textures simples, puis combinant ces parties simples pour reconnaître des motifs complexes. Les chercheurs ont testé de nombreuses versions différentes de ce cerveau numérique, modifiant le nombre de couches et la façon dont il traite l'information. Ils voulaient trouver l'architecture spécifique capable d'identifier les formations de thermokarst avec la plus haute précision possible. Ils ont mené de nombreuses expériences, nourrissant l'ordinateur de milliers d'images et observant la qualité de son apprentissage pour classer les images dans les bonnes catégories.
Les résultats ont montré que l'ordinateur pouvait effectivement apprendre à repérer ces formations avec une précision remarquable. Après avoir testé de nombreux designs différents, les chercheurs ont identifié trois modèles spécifiques qui ont obtenu les meilleures performances. Ces modèles les plus performants étaient capables d'identifier correctement les formations de thermokarst dans environ 94 à 96 pour cent des cas testés. Ce niveau de précision est significatif car cela signifie que le système peut distinguer de manière fiable les signes subtils de dégel du sol d'autres caractéristiques du paysage. L'ordinateur était particulièrement doué pour faire la différence entre une forêt et un lac, mais il avait parfois du mal à distinguer une formation de thermokarst d'un champ ouvert. Cette confusion est logique, car les deux peuvent ressembler à un sol plat et ouvert vu d'en haut, et les chercheurs ont noté que cela reflète la difficulté réelle de distinguer ces caractéristiques sans une inspection rapprochée.
L'étude conclut que cette méthode offre un nouvel outil puissant pour surveiller l'Arctique en mutation. En utilisant des images satellites et des programmes informatiques entraînés, les scientifiques peuvent désormais scanner de vastes zones de la Yakoutie centrale beaucoup plus rapidement et plus systématiquement qu'auparavant. Le logiciel développé par l'équipe est prêt à être utilisé pour une surveillance automatisée, à condition que les données d'entraînement soient tenues à jour et vérifiées. Bien que le système ne soit pas parfait et commette encore des erreurs occasionnelles, sa capacité à atteindre une telle précision suggère que l'apprentissage automatique peut jouer un rôle vital dans le suivi de la dégradation rapide du pergélisol. Cette approche permet aux chercheurs de garder une surveillance plus étroite sur le sol gelé, offrant un moyen de comprendre et de répondre aux changements accélérés dans l'un des environnements les plus sensibles de la Terre.
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.