Les espèces végétales envahissantes font plus que nuire à l’agriculture et aux espèces indigènes car elles remodèlent les paysages. Ils causent également des pertes économiques de plus de 20 milliards de dollars par an aux États-Unis seulement. Identifier où et à quelle vitesse les plantes envahissantes se propagent est essentiel pour lutter contre une invasion. Les scientifiques et les gestionnaires des terres utilisent actuellement des enquêtes sur le terrain sur la taille, la densité ou les taux de croissance de la population pour obtenir ces informations, qui peuvent être d’un coût prohibitif et nécessiter beaucoup de main-d’œuvre. De plus, les espèces envahissantes se propagent si rapidement dans le monde que les méthodes traditionnelles sont devenues intenables. De nouvelles techniques sont nécessaires de toute urgence pour suivre plus efficacement les espèces envahissantes.
Une étude récente co-écrite par le professeur David Moeller de l’Université du Minnesota, avec l’étudiant diplômé Thomas Lake et le chercheur Ryan Briscoe Runquist, a évalué une de ces techniques et les résultats sont encourageants. L’équipe de recherche a développé des modèles d’apprentissage en profondeur connus sous le nom de réseaux de neurones convolutifs, qui permettent à un ordinateur d’apprendre à identifier des objets d’intérêt dans des images satellites. À l’aide des modèles d’apprentissage en profondeur, des ordinateurs ont scanné des images satellite de la région des villes jumelles à la recherche d’une plante envahissante connue sous le nom d’euphorbe feuillue (Euphorbia virgata parfois également appelée Euphorbia esula). L’équipe a utilisé à la fois des images à plus haute résolution qui sont prises rarement et des images à plus faible résolution qui sont prises quotidiennement par les satellites. Ils voulaient déterminer si une série d’images de résolution inférieure prises au fil des saisons pouvait être utilisée pour une détection précise de la plante.
« L’analyse des séries chronologiques est relativement nouvelle dans ce type de modèle d’apprentissage en profondeur, nous étions donc vraiment ravis de constater qu’elle fonctionnait si bien pour identifier les populations d’euphorbes feuillues. » dit Briscoe Runquist. « L’apprentissage en profondeur permet aux scientifiques de découvrir des modèles qui auraient été auparavant impossibles à détecter. »
L’étude a révélé que :
Les résultats suggèrent que les modèles d’apprentissage en profondeur peuvent identifier avec précision des espèces individuelles sur des paysages complexes avec des images satellite, même si une série temporelle d’images à plus faible résolution est utilisée. Cela signifie qu’à l’avenir, les modèles d’apprentissage en profondeur ont un grand potentiel pour suivre dynamiquement les espèces envahissantes au fil du temps à l’aide d’images satellites accessibles au public. Les recherches futures suivront la propagation de l’euphorbe feuillue dans les Grandes Plaines au cours des 35 dernières années et prédiront comment sa distribution est susceptible de changer à l’avenir avec le changement climatique.
Selon Moeller, « les espèces envahissantes sont plus difficiles que jamais à gérer et la surveillance par satellite est une méthode rapide et peu coûteuse pour surveiller dynamiquement les invasions ».
La recherche a été publiée dans Télédétection en écologie et conservation.
Thomas A. Lake et al, L’apprentissage en profondeur détecte les espèces végétales envahissantes dans des paysages complexes à l’aide de l’imagerie satellite Worldview‐2 et Planetscope, Télédétection en écologie et conservation (2022). DOI : 10.1002/rse2.288