Une cartographie précise de la couverture terrestre est à la base de la protection de la biodiversité, de l’adaptation au climat et de l’utilisation durable des terres. Malgré les progrès de la télédétection, les approches basées uniquement sur les satellites restent limitées par la couverture nuageuse, les intervalles de revisite et le manque de données réelles sur le terrain. Les produits dynamiques tels que Dynamic World ont amélioré la rapidité d'exécution, mais ont encore du mal à capturer les transitions soudaines ou à valider leurs résultats.
L’expansion rapide des réseaux de caméras proches de la surface offre la possibilité d’améliorer la surveillance en ajoutant des observations localisées à haute fréquence. Cependant, des défis tels que l’inadéquation des perspectives et une couverture limitée persistent. Sur la base de ces défis, de nouvelles recherches sont nécessaires pour intégrer des observations multimodales et des outils d’IA pour la surveillance des terres en temps réel.
Des chercheurs de l'Université Tsinghua et leurs collaborateurs ont publié leur étude dans le Journal de télédétection. L’équipe a développé un cadre qui fusionne l’imagerie satellite, les caméras proches de la surface et les modèles avancés de segmentation de l’IA. Cette innovation s'attaque aux obstacles persistants dans la surveillance des terres, notamment l'interférence des nuages et les temps de revisite limités, offrant un système capable de cartographier la couverture terrestre mondiale en temps quasi réel pour des applications allant de l'agriculture à la conservation des écosystèmes.
L'étude démontre que FROM-GLC Plus 3.0 surpasse les produits précédents en termes de précision et de densité temporelle. En reconstruisant des séries chronologiques quotidiennes denses de NDVI à partir d’observations par caméra, le cadre a atteint une précision moyenne de 70,52 %. Il capture des transitions abruptes, telles que l’accumulation de neige en Amérique du Nord et l’expansion des zones humides en Europe, que les systèmes satellitaires uniquement n’ont pas réussi à détecter.
De plus, l'intégration du Segment Anything Model (SAM) permet une cartographie au niveau des parcelles avec un bruit réduit et des limites plus nettes, fournissant ainsi des informations à haute résolution sur les terres cultivées, les zones urbaines et les habitats naturels. Ensemble, ces innovations font de FGP 3.0 une solution flexible, évolutive et opportune pour suivre les changements environnementaux dans le monde entier.
Le cadre intègre trois modules : cartographie annuelle, suivi quotidien dynamique et classification des parcelles haute résolution. La cartographie annuelle combine les données spectrales Sentinel-1 SAR, Sentinel-2 et les entrées de caméras proches de la surface à l'aide d'algorithmes de correspondance spatiale automatisés pour reconstruire les séries temporelles NDVI quotidiennes. Cela améliore la précision dans divers écosystèmes, en particulier dans les mosaïques de terres cultivées et de zones arbustives.
Pour la surveillance dynamique, le système utilise des ensembles d'échantillons migrés et des images reconstruites pour détecter les transitions terrestres à l'échelle quotidienne, capturant des événements à court terme souvent invisibles pour les approches satellitaires uniquement. La cartographie haute résolution exploite SAM, mis en œuvre via l'outil open source samgeo, pour segmenter les parcelles et réduire le bruit poivre et sel, produisant ainsi des classifications plus claires et plus cohérentes. Des tests effectués en Chine ont montré que le cadre suivait avec précision les rotations des cultures de blé d'hiver et de maïs au niveau des parcelles. Par rapport aux versions précédentes, FGP 3.0 réduit les erreurs de classification, améliore la précision des limites et s'adapte efficacement du niveau régional au niveau mondial.
« Les produits uniquement satellitaires ne prennent souvent pas en compte les changements rapides qui façonnent notre environnement », a déclaré Le Yu, auteur correspondant de l'étude. « En fusionnant des données multimodales avec des modèles d'IA avancés, FROM-GLC Plus 3.0 fournit des informations quotidiennes et précises à l'échelle mondiale et parcellaire. Cette technologie offre non seulement une meilleure compréhension de l'environnement, mais également un soutien pratique à l'agriculture, à la préparation aux catastrophes et à la gestion durable des terres.
L’étude a combiné le radar Sentinel-1, l’imagerie multispectrale Sentinel-2 et les données denses des caméras proches de la surface. La correspondance spatiale automatisée a aligné les vues obliques de la caméra avec les pixels satellites, tandis que les modèles de régression ont reconstruit les séquences NDVI quotidiennes. Des classificateurs Random Forest ont été appliqués pour la classification de la couverture terrestre à l'aide de caractéristiques temporelles multimodales. Pour les mises à jour dynamiques, les échantillons migrés garantissaient la cohérence sur toutes les périodes. La cartographie parcellaire haute résolution a utilisé le modèle SAM dans samgeo, permettant une segmentation flexible des terres cultivées, des structures urbaines et des plans d'eau. La validation a été menée sur huit sites écologiquement divers sur plusieurs continents.
FROM-GLC Plus 3.0 ouvre la voie à la surveillance des terres de nouvelle génération. Sa capacité à capturer les changements quotidiens à petite échelle permet une alerte précoce en cas d’inondations, de sécheresses, de déforestation et d’expansion urbaine. Les applications agricoles incluent le suivi de la santé des cultures, de la rotation et du stress hydrique au niveau du champ, tandis que les défenseurs de l'environnement peuvent utiliser le système pour surveiller les habitats de biodiversité et la dégradation des terres. À mesure que les réseaux de caméras proches de la surface se développent et que les modèles d’IA évoluent, ce cadre pourrait devenir la pierre angulaire de l’intelligence environnementale mondiale, soutenant la résilience climatique et les stratégies d’utilisation durable des terres.
