Aperçu de la forêt expérimentale de Bartlett, New Hampshire (BART) montrant 4 352 930 prédictions d’arbres pour sept espèces à trois échelles spatiales. Crédit : Weinstein BG, et al., 2024, PLOS BiologieCC-BY 4.0 (creativecommons.org/licenses/by/4.0/)
Une équipe collaborative de chercheurs dirigée par Ben Weinstein de l’Université de Floride, Oregon, États-Unis, a utilisé l’apprentissage automatique pour générer des cartes très détaillées de plus de 100 millions d’arbres individuels provenant de 24 sites à travers les États-Unis, et a publié ses résultats le 16 juillet dans la revue en libre accès PLOS BiologieCes cartes fournissent des informations sur les espèces d’arbres individuelles et leurs conditions, ce qui peut grandement aider les efforts de conservation et d’autres projets écologiques.
Les écologistes collectent depuis longtemps des données sur les espèces d’arbres afin de mieux comprendre l’écosystème unique d’une forêt. Historiquement, ils le faisaient en examinant de petites parcelles de terrain et en extrapolant les résultats, bien que cela ne puisse pas tenir compte de la variabilité à l’échelle de la forêt entière. D’autres méthodes peuvent couvrir des zones plus vastes, mais ont souvent du mal à catégoriser les arbres individuellement.
Pour générer des cartes forestières de grande taille et très détaillées, les chercheurs ont entraîné un type d’algorithme d’apprentissage automatique appelé réseau neuronal profond à l’aide d’images de la canopée des arbres et d’autres données de capteurs prises par avion. Ces données d’entraînement couvraient 40 000 arbres individuels et, comme toutes les données utilisées dans cette étude, ont été fournies par le National Ecological Observatory Network.
Le réseau neuronal profond a pu classer les espèces d’arbres les plus courantes avec une précision de 75 à 85 %. En outre, l’algorithme pourrait également fournir d’autres analyses importantes, comme l’identification des arbres vivants ou morts.
Les chercheurs ont constaté que le réseau neuronal profond avait la plus grande précision dans les zones avec plus d’espace ouvert dans la canopée des arbres et était plus performant lors de la catégorisation des espèces de conifères, telles que les pins, les cèdres et les séquoias.
Le réseau a également obtenu les meilleurs résultats dans les zones où la diversité des espèces est plus faible. Comprendre les points forts de l’algorithme peut être utile pour appliquer ces méthodes à divers écosystèmes forestiers.
Les chercheurs ont également téléchargé les prévisions de leurs modèles sur Google Earth Engine afin que leurs résultats puissent aider d’autres recherches écologiques. Selon les chercheurs, « la diversité des ensembles de données qui se chevauchent favorisera des domaines de compréhension plus riches de l’écologie forestière et du fonctionnement des écosystèmes ».
Les auteurs ajoutent : « Notre objectif est de fournir aux chercheurs les premières cartes à grande échelle de la diversité des espèces d’arbres des écosystèmes des États-Unis. Ces cartes de la canopée des arbres peuvent être mises à jour avec de nouvelles données collectées sur chaque site. En collaborant avec les chercheurs des sites NEON, nous pouvons établir des prévisions de plus en plus précises au fil du temps. »
Plus d’information:
Weinstein BG, Marconi S, Zare A, Bohlman SA, Singh A, Graves SJ, et al. (2024) Cartes individuelles des espèces d’arbres de la canopée pour le National Ecological Observatory Network, Biologie PLoS (2024). DOI: 10.1371/journal.pbio.3002700
Fourni par la Bibliothèque publique des sciences
Citation:Les scientifiques utilisent l’apprentissage automatique pour prédire la diversité des espèces d’arbres dans les forêts (2024, 16 juillet) récupéré le 16 juillet 2024 à partir de
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre d’information uniquement.
