Cartographie des espèces d'arbres dans les forêts tropicales

Les forêts tropicales humides sont connues pour leur incroyable diversité d'espèces. Savoir identifier les différents types d'arbres en utilisant des techniques de télédétection spéciales est super important pour les scientifiques et les gens dans plein de domaines. Cette capacité permet de faire des vérifications en temps réel et de surveiller la biodiversité et la variété des espèces d'arbres. Ça aide aussi à comprendre les environnements où vivent ces arbres et comment ils interagissent dans l'écosystème. Ces infos peuvent être cruciales pour les efforts de conservation, car elles aident à repérer des espèces spécifiques, estimer le carbone stocké dans la forêt, suivre les espèces envahissantes nuisibles, gérer les besoins en eau, surveiller les insectes nuisibles et les maladies, et étudier la migration des animaux.

Les cartes montrant le couvert forestier sont aussi utiles pour évaluer comment l'incroyable diversité des forêts tropicales affecte les processus écosystémiques, y compris leur capacité à faire face au changement climatique. Pourtant, même si on sait que plus d'espèces peuvent rendre les écosystèmes plus stables, c'est pas encore clair si cette diversité est essentielle à cause de la présence de certaines espèces qui pourraient jouer des rôles similaires.

Savoir où se répartissent les différentes espèces d'arbres est important pour examiner les impacts des activités humaines et développer des plans efficaces pour la gestion durable de ces écosystèmes vitaux. D'un point de vue commercial, utiliser la télédétection pour cartographier les espèces d'arbres peut aider à accélérer les inventaires forestiers, ce qui aide à évaluer les ressources disponibles et à planifier une récolte durable. Globalement, ces connaissances soutiennent des politiques basées sur des preuves qui visent à équilibrer les activités humaines et la protection de l'environnement.

#Défis dans la cartographie des espèces d'arbres individuelles

Cartographier les Couronnes d'arbres individuelles et identifier leurs espèces à grande échelle dans des forêts tropicales denses est un vrai défi. Délimiter précisément les couronnes d'arbres et classer les pixels à l'intérieur de ces couronnes nécessite des méthodes avancées. Le premier défi est de repérer et de délimiter avec précision les couronnes individuelles d'en haut, car elles peuvent se chevaucher de manière complexe. La plupart des efforts pour identifier les arbres individuels se sont concentrés sur les données lidar aériennes, qui ont bien fonctionné dans les forêts tempérées mais ont du mal dans les canopées complexes des forêts tropicales.

Les photos RGB peuvent fournir des infos sur la couleur et la texture pour différencier les arbres, mais les analystes humains ne sont souvent pas d'accord sur la localisation des arbres et la forme de leurs couronnes. Les approches récentes utilisant une technologie appelée Mask R-CNN ont montré des promesses en utilisant la couleur et la texture des images RGB pour mieux délimiter les bords des couronnes d'arbres voisines. Cependant, des variations dans les conditions d'éclairage, le mouvement des arbres, les changements saisonniers et les incohérences dans le mélange des images peuvent entraîner une délimitation inexacte des couronnes.

Donc, on a besoin de méthodes qui peuvent combiner des données de différentes dates et qui sont testées contre des Données de vérité terrain fiables.

#Difficulté à attribuer des étiquettes d'espèces

Attribuer des étiquettes d'espèces aux canopées d'arbres est aussi difficile à cause du grand nombre d'espèces, avec beaucoup qui sont rares. Les forêts tropicales ont plein d'espèces, mais quelques-unes sont communes tandis que la plupart en ont très peu par zone. Dans une grande étude de plus de 640 000 arbres à travers divers parcelles forestières dans l'Amazonie, on a découvert qu'une part significative des espèces avait des populations de moins de 1 000 individus, avec seulement un très petit pourcentage représentant la moitié de tous les arbres. Cette répartition inégale menace la biodiversité, car beaucoup d'espèces sont à risque d'extinction à cause de leur petit nombre.

Cette rareté complique les efforts pour identifier et étudier les espèces d'arbres en utilisant la télédétection, car les espèces rares pourraient ne pas avoir suffisamment de représentation dans les données pour être détectées ou classées de manière fiable. Bien que les arbres aient de nombreuses espèces, la chlorophylle et d'autres pigments sont présents dans la plupart. Ça rend dur d'identifier les espèces uniquement sur la base de la pigmentation, car des espèces étroitement liées peuvent partager certaines caractéristiques qui influencent leurs propriétés spectrales. Des facteurs comme la structure des feuilles et la composition chimique peuvent varier entre les familles, affectant leurs propriétés spectrales.

Cependant, des variations significatives dans les propriétés spectrales peuvent se produire même parmi des espèces étroitement liées à cause de différences au niveau du genre et de l'espèce, des conditions environnementales, et de l'état de santé des plantes. Ainsi, même si certaines similitudes existent parmi les membres d'une même famille, celles-ci ne sont pas absolues, et une classification approfondie basée sur des données spectrales nécessite une attention particulière aux caractéristiques spécifiques et aux techniques avancées d'Apprentissage automatique.

#Utilisation de la télédétection hyperspectrale

La télédétection hyperspectrale mesure l'intensité de la lumière à travers de nombreuses bandes spectrales étroites, ce qui en fait un outil puissant pour cartographier les espèces d'arbres. Les propriétés spectrales des arbres sont influencées par plusieurs facteurs, y compris leurs caractéristiques biochimiques et structurelles. De nombreuses études ont montré que de petites différences dans la réflectance spectrale dues à ces traits peuvent être identifiées dans les données hyperspectrales, permettant la cartographie des espèces et le suivi de la santé dans des systèmes moins diversifiés.

Cependant, distinguer les espèces dans des forêts tropicales denses s'est avéré plus complexe. Certaines études ont réussi à différencier un nombre limité d'espèces dans des environnements tropicaux en utilisant des données hyperspectrales. Par exemple, une étude a réussi à identifier sept espèces dans une forêt tropicale du Costa Rica, tandis qu'une autre en a identifié 17 à Hawaï. La précision de classification est plus élevée dans les zones avec des espèces bien représentées. Mais les nombreux traits qui se chevauchent dans les spectres rendent difficile de cibler des espèces individuelles.

Développer des méthodes qui peuvent analyser et séparer efficacement les signaux spectraux par rapport aux traits des espèces d'arbres est crucial pour améliorer la détection des espèces.

#Combinaison de données pour une détection améliorée

Les techniques de vision par ordinateur qui intègrent des infos dans le temps pourraient améliorer la détection et la segmentation des arbres de la canopée. Les données RGB traditionnelles, bien qu'elles manquent des détails spectraux que les données hyperspectrales offrent, ont souvent une résolution spatiale supérieure, surtout quand elles sont obtenues à partir de drones opérant près de la canopée forestière. Le coût inférieur de ces capteurs rend faisable la réalisation d'enquêtes régulières sur la même zone.

Cependant, les variations dans la canopée forestière, l'atmosphère et la lumière au fil du temps peuvent signifier que les cartes de couronnes prévues diffèrent considérablement d'une date à l'autre. Pour résoudre ce problème, une approche de fusion de consensus peut combiner des cartes de couronnes d'arbres détectées à différentes dates. En associant les couronnes de différentes dates et en moyenne leurs paramètres, il est possible de créer des cartes qui reflètent le consensus sur les emplacements et les formes des couronnes, ce qui pourrait mener à une délimitation plus cohérente et précise.

Dans cette étude, une nouvelle méthode pour cartographier les arbres de la forêt tropicale est proposée, axée sur :

1. Délimiter avec précision les couronnes d'arbres individuelles.
2. Classifier l'espèce de chaque arbre.

La délimitation automatique des couronnes d'arbres individuelles a été réalisée en utilisant detectree2, un outil basé sur une architecture d'apprentissage profond. Pour la première fois, la méthode combine les couronnes d'arbres identifiées lors d'enquêtes aériennes répétées, en analysant si l'identification du consensus à travers plusieurs cartes améliore la précision.

#Questions de recherche

L'étude explore plusieurs questions de recherche importantes :

1. Combiner des infos de différentes dates peut-il améliorer la précision des cartes de couronnes d'arbres à partir d'images aériennes ?
2. Un large éventail d'espèces d'arbres tropicaux peut-il être classé avec précision en utilisant des données hyperspectrales ?
3. Quel type de classificateur d'apprentissage automatique est le plus efficace pour prédire les espèces d'arbres à partir de données hyperspectrales ?
4. Combien d'échantillons d'une espèce particulière sont nécessaires pour obtenir une bonne précision de classification ?
5. Quels sont les longueurs d'onde spécifiques les plus efficaces pour déterminer les espèces ?
6. Comment les spectres de réflectance des arbres se rapportent-ils à leurs familles évolutives ?
7. Les propriétés spectrales observées au sein des couronnes d'arbres montrent-elles des signaux évolutifs ?
8. Les longueurs d'onde les plus utiles pour la classification sont-elles aussi celles avec de forts signaux évolutifs ?
9. Les espèces étroitement liées ont-elles tendance à être confondues plus souvent dans leur classification que celles qui sont éloignées ?

En combinant la cartographie des couronnes d'arbres validée par le terrain et les techniques d'apprentissage automatique, une méthode fiable et précise pour délimiter les couronnes d'arbres et prédire leurs espèces a été développée. Cette méthode utilise un travail de terrain traditionnel, un apprentissage automatique avancé, des données de télédétection haute résolution et des connaissances sur l'évolution des plantes, offrant une nouvelle approche pour cartographier les espèces d'arbres.

#Zone d'étude et méthodes

La recherche a eu lieu dans les forêts de la Station de terrain de Paracou en Guyane française, où les forêts tropicales de plaine prospèrent dans des sols peu profonds. La zone reçoit environ 3 200 mm de pluie par an, avec une saison sèche de mi-août à mi-novembre. La station de terrain a de nombreuses parcelles permanentes contenant un grand nombre d'arbres de différentes espèces.

Les données ont été recueillies à l'aide d'une caméra montée sur UAV et d'un spectromètre d'imagerie monté sur avion, tous deux alignés avec un modèle de hauteur de canopée produit par des données LiDAR. Un réseau de neurones convolutifs a été appliqué aux données UAV-RGB collectées lors de plusieurs enquêtes pour localiser et délimiter les couronnes d'arbres individuelles. Les images hyperspectrales ont ensuite été utilisées pour classifier les espèces de ces couronnes. Chaque espèce d'arbre reflète et absorbe la lumière de manière unique à travers différentes longueurs d'onde, créant une signature spectrale qui peut aider à distinguer les espèces.

Les étapes d'acquisition et de traitement des données comprenaient des images RGB haute résolution collectées à l'aide de drones à intervalles réguliers, tandis que les données hyperspectrales ont été recueillies à l'aide de capteurs couvrant une large gamme de longueurs d'onde. La co-enregistrement des données a garanti un alignement spatial précis entre les différentes bases de données pour soutenir une analyse fiable.

#Construction de la base de données de vérité terrain

Pour former et valider les modèles, un ensemble de couronnes d'arbres délimitées manuellement avec des étiquettes d'espèces a été créé. Cette base de données a été construite sur plusieurs missions de terrain en superposant des couches de télédétection et en affinant les contours des couronnes d'arbres. Chaque couronne a reçu des scores de confiance concernant son intégrité et son association avec des arbres spécifiques dans l'inventaire.

Le travail de terrain a joué un rôle essentiel dans la mise à jour et le raffinement des couronnes basées sur des observations in situ. Le jeu de données résultant a fourni une référence solide pour la Classification des espèces et la formation des modèles.

#Délimitation automatique des couronnes et fusion

Les couronnes d'arbres délimitées manuellement ont été divisées en ensembles d'entraînement et de test en fonction de leur emplacement géographique pour garantir l'indépendance dans l'évaluation des performances. L'outil detectree2 a été formé sur les couronnes dessinées à la main et les images RGB correspondantes. Divers modèles ont été testés pour mieux comprendre quel niveau de données d'entraînement est nécessaire pour une cartographie précise.

Les modèles ont été utilisés pour prédire et délimiter les couronnes d'arbres dans la région sur la base des scans UAV. Les résultats ont été combinés en cartes de consensus pour refléter les accords inter-dates et améliorer la précision de segmentation. Des évaluations de la précision de segmentation ont été réalisées en mesurant les chevauchements entre les prédictions et les couronnes de référence.

#Classification des espèces

Une fois les couronnes d'arbres cartographiées, il fallait leur attribuer des étiquettes d'espèces. Pour y parvenir, un classificateur a été formé en utilisant des données hyperspectrales extraites des couronnes d'arbres délimitées, en se concentrant sur l'identification d'espèces spécifiques. Étant donné la représentation variée des espèces dans le jeu de données, une méthode d'échantillonnage stratégique a été employée pour garantir une évaluation équitable entre les espèces.

Divers classificateurs ont été évalués pour déterminer lequel offrait le meilleur pouvoir prédictif. La précision de la classification a également été analysée en fonction du nombre de couronnes d'entraînement disponibles pour chaque espèce.

#Importance des bandes de longueur d'onde

L'étude a examiné les longueurs d'onde les plus importantes pour distinguer avec précision les espèces. Les bandes dans la plage du bord rouge supérieur se sont avérées essentielles pour la discrimination des espèces, tandis que d'autres longueurs d'onde étaient également significatives pour identifier diverses caractéristiques.

#Signaux phylogénétiques dans les spectres

La recherche a exploré si les spectres de réflectance observés au sein des couronnes d'arbres affichent des signaux évolutifs. La plupart des bandes spectrales ont montré des signaux phylogénétiques notables, indiquant que les espèces étroitement liées réfléchissent la lumière de manière similaire. Cependant, une corrélation négative a été trouvée entre la force des signaux phylogénétiques et leur utilité dans la classification.

#Confusion parmi les espèces étroitement liées

L'analyse a également évalué la tendance des espèces étroitement liées à être confondues lors de la classification. Les résultats ont suggéré qu'à mesure que la distance phylogénétique entre les espèces diminuait, la probabilité de mauvaise classification augmentait.

#Conclusion

Cartographier les espèces d'arbres dans les forêts tropicales est crucial pour comprendre les processus écologiques à plus grande échelle. Cette étude a amélioré la capacité à identifier les espèces en utilisant la télédétection, atteignant une plus grande précision avec plus d'espèces que les efforts précédents. En se concentrant sur un large éventail d'espèces et en utilisant des données de haute qualité provenant de multiples sources, des progrès significatifs ont été réalisés dans la cartographie précise des espèces d'arbres et de leur canopée.

Les efforts pour améliorer la classification des espèces, augmenter la précision de la cartographie et relever les défis de la transférabilité entre différentes localisations forestières ont jeté les bases pour des recherches futures. Les avancées dans les méthodes d'apprentissage automatique combinées à des données de terrain fiables et à des images de haute qualité permettent une compréhension plus approfondie des forêts tropicales, offrant des perspectives qui peuvent informer les efforts de conservation et soutenir des pratiques de gestion durable.