GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

Les zones humides côtières figurent parmi les puits de carbone les plus efficaces de la Terre, agissant comme de puissants moteurs naturels qui puisent les gaz à effet de serre de l'atmosphère pour les emprisonner dans le sol et les tissus végétaux. Ces écosystèmes, souvent appelés habitats de « carbone bleu », comprennent des marais salants où des plantes spécialisées prospèrent dans des conditions de salinité et de marée. Pour comprendre la quantité de carbone que ces zones stockent, les scientifiques doivent mesurer la « biomasse aérienne », qui est simplement le poids total de tout le matériel végétal vivant — tiges, feuilles et branches — poussant au-dessus du sol. Traditionnellement, obtenir ce chiffre est un processus lent et laborieux nécessitant aux chercheurs de patauger dans des champs boueux, de couper les plantes à la main, de les sécher dans des fours et de les peser. Bien que précise, cette méthode ne peut couvrir que de minuscules parcelles de terre, ce qui rend difficile l'obtention d'une image complète de vastes zones humides reculées.

Pour résoudre ce problème, les chercheurs se tournent vers des satellites capables de voir l'ensemble du paysage d'un seul coup d'œil, mais ces outils spatiaux ont besoin de données de terrain pour apprendre à interpréter correctement les données. Une nouvelle étude provenant de la zone humide de Liaohe, en Chine, s'attaque au défi du manque de mesures au sol en utilisant une technique d'intelligence artificielle ingénieuse pour créer des échantillons « virtuels » réalistes. En combinant des images satellites avec un ensemble limité de données de terrain réelles, l'équipe a développé une méthode pour estimer le poids des plantes sur l'ensemble de la région avec une précision surprenante. Leurs travaux offrent une nouvelle façon de surveiller ces écosystèmes critiques, aidant les scientifiques à suivre le stockage du carbone sans avoir besoin de visiter chaque mètre carré du marais.

La zone humide de Liaohe, située là où le fleuve Liao rencontre la mer de Bohai, est une vaste étendue de vasières et de végétation tolérante au sel. Elle abrite deux types de plantes dominants : le grand roseau de type Phragmites australis et l'herbe basse et tolérante au sel, Suaeda glauca. Ces plantes sont vitales pour le cycle du carbone de la région, mais leur distribution est complexe, variant selon les marées et les saisons. Pour cartographier leur biomasse, l'équipe de recherche a d'abord recueilli des données réelles sur plusieurs années, en visitant des points spécifiques en juillet, novembre et septembre pour mesurer le poids sec des plantes. Ils ont couplé ces mesures avec des images des satellites Sentinel-2 de l'Agence spatiale européenne, qui capturent des vues détaillées de la surface de la Terre dans diverses couleurs de lumière, y compris celles invisibles à l'œil humain.

Le défi était que l'équipe ne disposait que de 53 sites de mesure réels, un nombre trop faible pour entraîner un modèle informatique à prédire avec précision la biomasse sur l'ensemble des 128 000 hectares de la zone humide. Si un ordinateur apprend à partir de trop peu d'exemples, il échoue souvent face à de nouvelles zones inconnues. Pour surmonter cela, les chercheurs ont employé un Réseau Antagoniste Génératif (GAN), un type d'intelligence artificielle qui fonctionne comme une paire de programmes concurrents. Un programme, le générateur, tente de créer des données fictives qui ressemblent exactement aux mesures réelles, tandis que l'autre, le discriminateur, tente de repérer les faux. À mesure qu'ils jouent ce jeu encore et encore, le générateur devient de plus en plus performant pour produire des échantillons synthétiques statistiquement indiscernables des vrais.

En utilisant cette méthode, l'équipe a étendu leur petit ensemble de données de 53 échantillons réels en un ensemble d'entraînement beaucoup plus large de 600 échantillons, soit 300 pour chaque type de plante. Ces nouveaux échantillons virtuels n'étaient pas des suppositions aléatoires ; ils préservaient les modèles statistiques et les relations exactes trouvés dans le monde réel, comme le fait que les roseaux plus hauts correspondent généralement à des signaux spécifiques dans les images satellites. Les chercheurs ont ensuite entraîné un réseau neuronal, un modèle informatique semblable à un cerveau, sur cet ensemble de données élargi pour apprendre la relation complexe et non linéaire entre les signaux satellites et le poids réel des plantes. Ils ont testé cette approche par rapport à d'autres méthodes courantes d'apprentissage automatique, constatant que leur réseau neuronal, alimenté par les données augmentées, surpassait systématiquement les autres.

Les résultats ont montré une amélioration significative de la précision. Pour les grands roseaux, la capacité du modèle à prédire le poids correct s'est considérablement améliorée, le taux d'erreur chutant de près de 100 grammes par mètre carré par rapport aux modèles entraînés uniquement sur l'ensemble initial de données restreintes. Pour les plus petites herbes, l'amélioration était également nette, le modèle devenant beaucoup plus fiable pour estimer leur biomasse. Lorsque l'équipe a appliqué son meilleur modèle à l'ensemble de la zone humide en utilisant des images satellites de septembre 2024, elle a produit une carte détaillée du poids des plantes à travers le paysage. La carte a révélé que les grands roseaux, concentrés dans les parties supérieures de l'estuaire, détenaient un poids moyen de 514,22 grammes par mètre carré, tandis que les plus petites herbes dans les vasières plus ouvertes et basses affichaient une moyenne de 230,07 grammes par mètre carré.

Cette étude démontre que l'intelligence artificielle peut efficacement combler le fossé entre le travail de terrain limité et la nécessité d'une surveillance environnementale à grande échelle. En générant des données virtuelles réalistes, les scientifiques peuvent construire des modèles plus robustes qui fonctionnent bien même lorsque les mesures de terrain sont rares. Les conclusions confirment que la zone humide de Liaohe est un réservoir de carbone important, les grands roseaux stockant la grande majorité de la biomasse. Cette approche constitue un outil fiable et évolutif pour évaluer la santé et la capacité de stockage du carbone des zones humides côtières, offrant un soutien crucial aux efforts mondiaux pour comprendre et protéger ces écosystèmes vitaux de carbone bleu.