Une équipe de recherche dirigée par l'Université d'Aberdeen a développé un modèle d'IA pionnier pour améliorer la précision et réduire le temps de calcul dans la cartographie des couvertures terrestres, en particulier pour la végétation.
La compréhension détaillée de la couverture terrestre, des caractéristiques topographiques et de la façon dont la terre est utilisée est centrale pour lutter contre les impacts du changement climatique, la sécurité alimentaire et la durabilité.
Méthodes traditionnelles de cartographie de la végétation analyser les images satellites pixels par pixel, qui peuvent être inefficaces et sujettes à l'erreur, en particulier dans des terrains divers ou complexes.
Le nouveau modèle développé par l'équipe de recherche, Sagrnet (échantillonnage et réseau de convolution résiduelle de graphes basé sur l'attention), utilise des techniques avancées d'apprentissage en profondeur pour classer les types de végétation avec une vitesse et une précision plus importantes. Il peut analyser des objets de paysage entiers – tels que les champs et les forêts – pratiquant une meilleure compréhension de la forme, du contexte et des relations dans le paysage, conduisant à une cartographie plus fiable et évolutive.
L'étude est publiée dans le ISPRS Journal of Photogrammétrie et télédétection.
Sagrnet a été développé à l'aide d'images satellites couvrant le paysage diversifié du nord-est de l'Écosse pour faciliter suffisamment la validation des résultats.
L'étude se concentre sur les zones comprenant les bois, les terres agricoles et les prairies situées à côté d'autres classes de couverture terrestre, telles que les zones et l'eau construites, situées à Aberdeen, Dundee et aux Highlands.
Pour évaluer davantage la capacité de généralisation du modèle SAGRNET proposé, l'équipe a mené des expériences supplémentaires dans cinq zones de frange urbaine distribuées dans le monde: Guangzhou (Chine), Durban (Afrique du Sud), Sydney (Australie), New York (États-Unis) et Porto Alegre (Brésil).
Ces zones ont été soigneusement sélectionnées pour représenter divers horizons écologiques, structures de végétation, intensités d'urbanisation et complexités de couverture terrestre, fournissant une base robuste pour évaluer la transférabilité du modèle.
Sagrnet, qui a été mis à disposition ouvertement, pourrait aider les décideurs à visualiser et à comprendre rapidement l'impact des événements majeurs tels que les inondations, les incendies de forêt, la sécheresse ou les fortes précipitations sur de grandes zones terrestres ainsi que les cultures qu'ils produisent.
Le Dr Lydia Sam, responsable du projet, conférencier en géosciences de l'Université d'Aberdeen, a déclaré: « Des informations dimensionnelles et topographiques précises sur les terres arables sont le fondement pour développer davantage des stratégies de gestion des terres durables. Nous avons une multitude de satellites d'observation de la Terre en orbite aujourd'hui fournissant des images de notre planète à des résolutions très élevées.
«Des modèles comme Sagrnet fournissent un cadre complet de cartographie végétale et de caractérisation, permettant aux utilisateurs de débloquer le véritable potentiel de leurs données d'imagerie.
«Notre système d'algorithmes d'apprentissage en profondeur peut reconnaître immédiatement et avec précision les différents types de couverture terrestre, de végétation ou de cultures dans une zone.
« Cette méthode aborde les inefficacités des systèmes actuels en améliorant la précision et en réduisant le temps de calcul, ce qui est essentiel pour répondre à des défis mondiaux tels que le changement climatique, la déforestation et la rareté alimentaire. »
Le Dr Anshuman Bhardwaj, maître de conférences en géosciences à l'université et co-dirigé du projet, a ajouté: « Notre modèle est assez transférable et peut même fournir des réponses rapides et précises aux questions sur la façon dont le paysage a changé.
«Cela est essentiel pour mieux comprendre l'impact du changement climatique, des érosions côtières et des glissements de terrain vers des changements dans la distribution des plantes ou des cultures.
« Il peut également être utilisé pour surveiller la croissance des cultures pour faciliter les prévisions de récolte plus précises ou pour examiner comment les cultures cultivées dans une zone particulière ont changé au fil du temps et pour prendre des décisions mieux informées sur la durabilité de l'utilisation des terres.
« Notre étude jette une base solide pour les applications du monde réel dans la surveillance des terres, l'agriculture et la gestion de l'environnement. »
doctorat Étudiant et assistant de recherche sur le projet, Baoling GUI, a ajouté: « Sagrnet convient à l'intégration dans des applications à grande échelle telles que les enquêtes sur les ressources foncières, les plateformes de surveillance écologique, les programmes nationaux de cartographie des couvertures fonciers et les cadres d'analyse du changement environnemental. »
