Les prairies largement utilisées abritent un degré élevé de biodiversité et remplissent une fonction importante de protection du climat en tant que puits de carbone et servent également à la production de fourrage et de nourriture. Cependant, ces services écosystémiques sont menacés si la productivité de ces terres est maximisée et leur utilisation donc intensifiée. Jusqu’à présent, les données sur l’état des prairies et des pâturages en Allemagne n’étaient pas disponibles pour les grandes surfaces. Dans la revue Télédétection de l’environnementdes chercheurs du Centre Helmholtz pour la recherche environnementale (UFZ) ont maintenant décrit comment les données satellitaires et les méthodes d’apprentissage automatique nous permettent d’évaluer l’intensité de l’utilisation des terres.
La mission spatiale Sentinel-2 a débuté avec le lancement du satellite d’observation de la Terre Sentinel-2A en juin 2015, et Sentinel-2B a été lancé en mars 2017. Depuis lors, ces deux satellites sont en orbite dans l’espace à une altitude de près de 800 kilomètres et , dans le cadre du programme Copernicus de l’Agence spatiale européenne (ESA), fournissant des données pour, par exemple, la protection du climat et la surveillance des terres. Tous les trois à cinq jours, ils enregistrent des images dans la gamme visible et infrarouge du spectre électromagnétique, qui, avec une très haute résolution allant jusqu’à 10 mètres, fournissent une base solide pour détecter des caractéristiques telles que les changements de végétation.
Une équipe interdisciplinaire de chercheurs du Centre Helmholtz pour la recherche environnementale (UFZ) a utilisé ces données librement accessibles pour étudier l’intensité d’utilisation des terres des prairies allemandes pour les années 2017 et 2018. Selon l’Office fédéral de la statistique, ces prairies couvrent une superficie de environ 4,7 millions d’hectares et donc près de 30 pour cent de toutes les terres agricoles. « Nous avons besoin de plus d’informations sur l’intensité d’utilisation des terres des prairies afin de mieux comprendre la stabilité et le fonctionnement de nos écosystèmes. Plus les prairies sont utilisées de manière intensive, plus l’influence sur la production primaire, les dépôts d’azote et la résilience aux changements climatiques est grande », déclare auteur principal Dr Maximilian Lange. Il est scientifique au Département de télédétection de l’UFZ, qui fait partie du « Centre de télédétection pour la recherche sur le système terrestre » fondé conjointement par l’UFZ et l’Université de Leipzig.
Une condition préalable à la préservation à long terme des prairies est une gestion sous-jacente, par exemple la coupe ou le pâturage. Si elles ne sont pas utilisées, les zones sont envahies par des arbustes. Mais l’intensité de la gestion des prairies est essentielle à leur capacité à fournir des services écosystémiques. Cependant, aucune donnée à l’échelle de l’Allemagne n’est publiquement disponible sur la façon dont les agriculteurs gèrent leurs prairies. Le scientifique de l’UFZ a maintenant utilisé les données satellitaires avec une résolution de 20 mètres pour tirer des conclusions sur la fréquence de tonte, l’intensité de pâturage des bovins, des chevaux, des moutons et des chèvres et la fertilisation en Allemagne.
« L’ampleur de ces trois types de gestion est essentielle à l’intensité de l’utilisation », déclare Lange. Il a défini des classes de fréquence de tonte de 0 (non tondu) à 5 (tondu cinq fois par an) et a calculé une intensité de pâturage de 0 à 3 (fortement pâturé) à partir d’un mélange de nombre, d’espèces et d’âge du bétail. Pour la fécondation, il distinguait entre fécondé et non fécondé. Il a combiné ces trois catégories pour dériver un indice qui indique l’intensité de la gestion d’une zone de prairie allant de « extensif » à « intensif ».
Il a utilisé l’intelligence artificielle (IA) pour dériver des informations sur les trois paramètres d’utilisation basés sur les données multidimensionnelles que les chercheurs ont obtenues à partir des images satellites. « L’IA peut très efficacement dériver des informations à partir de données trop complexes pour être comprises par les humains. Les données de référence peuvent être utilisées pour former des algorithmes d’apprentissage automatique afin d’identifier des modèles dans les données satellitaires que nous pouvons ensuite évaluer et appliquer pour déduire des conclusions pour de vastes zones », il dit.
Lange a obtenu les données de référence à partir des données de terrain de trois exploratoires de la biodiversité parrainés par la Fondation allemande pour la recherche (DFG) à Hainich, Schorfheide et Schwäbische Alb. Diverses expérimentations y sont menées depuis 2006 dans le cadre d’études à long terme sur des prairies à différents niveaux d’intensité d’occupation des sols. Ces expériences étudient des sujets tels que la façon dont l’utilisation des terres affecte la biodiversité et les effets des changements dans la composition des espèces sur les processus écosystémiques.
Lange a utilisé deux algorithmes pour évaluer la précision avec laquelle l’apprentissage automatique reconnaît l’utilisation réelle des prairies à partir des données satellitaires : Random Forest, une méthode standard de télédétection pour classer l’occupation du sol, et CNN (Convolutional Neural Networks), une méthode d’apprentissage en profondeur principalement utilisée dans le traitement d’images. . Le résultat : « Les deux méthodes représentent bien la réalité, et la méthode CNN est légèrement meilleure », dit-il. Avec la méthode CNN, le chercheur de l’UFZ a pu approximer les données des exploratoires de la biodiversité de la DFG, qui variaient de 66 à 85 % (intensité de pâturage 66 %, régime de tonte 68 %, fertilisation 85 %) pour l’exemple de 2018. Random Forest les résultats étaient légèrement inférieurs pour les trois paramètres.
Il s’agit d’une précision de classification élevée pour des études de télédétection écologique comparables, mais elle pourrait encore être améliorée si davantage de données sur l’utilisation des prairies étaient disponibles. « Plus il y a de données qui peuvent être utilisées pour former une méthode d’apprentissage en profondeur et plus ces données sont précises, plus les résultats seront précis », explique Lange. Dans une étape ultérieure, il a testé la plausibilité des résultats dans quatre régions d’exemple en Allemagne. Deux de ces régions (Oberallgäu et Dithmarschen) sont connues pour leur utilisation intensive des prairies, tandis que l’une près de la réserve de biosphère de la Rhön ne connaît qu’une utilisation modérée et l’autre, une réserve naturelle en Saxe-Anhalt, n’est utilisée que de manière intensive. Cette comparaison a également donné une bonne correspondance entre les résultats basés sur la télédétection et les données réelles.
Dans l’ensemble, l’équipe de l’UFZ a constaté que les prairies étaient utilisées moins intensivement en Allemagne en 2018 qu’en 2017. « Cela est principalement dû à la sécheresse de 2018 et à la perte associée de productivité des prairies », explique le Dr Daniel Doktor, dernier auteur de la publication et chef du groupe de travail UFZ Land Cover & Dynamics. Par exemple, les calculs montrent que 64 % des prairies n’ont pas été fauchées en 2018 alors que cette valeur n’était que de 36 % en 2017.
« Les résultats montrent également les différences de gestion à travers l’Allemagne. La gestion est souvent très intensive dans des régions comme l’Allgäu ou le Schleswig-Holstein, alors qu’elle est beaucoup plus étendue dans le Brandebourg ou dans certaines parties de la Saxe », dit-il. Mais cette évaluation n’est qu’un début. Des données de gestion plus précises provenant d’autres régions d’Allemagne sont nécessaires pour tirer des conclusions encore plus précises avec les algorithmes d’apprentissage automatique.
Maximilian Lange et al, Cartographie de l’intensité d’utilisation des terres des prairies en Allemagne avec l’apprentissage automatique et les séries chronologiques Sentinel-2, Télédétection de l’environnement (2022). DOI : 10.1016/j.rse.2022.112888