Le modèle d’apprentissage en profondeur de l’intelligence artificielle pour la cartographie des zones humides donne une précision de 94 %

L’équipe de science des données de Chesapeake Conservancy a développé un modèle d’apprentissage en profondeur d’intelligence artificielle pour cartographier les zones humides, qui a abouti à une précision de 94 %. Soutenu par l’EPRI, un institut de recherche et de développement énergétique indépendant à but non lucratif ; Système électrique Lincoln ; et le Grayce B. Kerr Fund, Inc., cette méthode de cartographie des zones humides pourrait produire des résultats importants pour la protection et la conservation des zones humides. Les résultats sont publiés dans la revue à comité de lecture Science de l’environnement total.

L’équipe a formé un modèle d’apprentissage automatique (réseau neuronal convolutif) pour la cartographie haute résolution (1 m) des zones humides avec des données librement disponibles provenant de trois régions : le comté de Mille Lacs, Minnesota ; comté de Kent, Delaware ; et le comté de St. Lawrence, New York. Le modèle complet, qui nécessite des données de formation locales fournies par les données des zones humides de l’État et l’inventaire national des zones humides (NWI), a cartographié les zones humides avec une précision de 94 %.

« Nous sommes heureux de soutenir ce projet passionnant car il explore de nouvelles méthodes de délimitation des zones humides à l’aide de l’imagerie satellite », a déclaré le Dr Nalini Rao, responsable technique principal de l’EPRI. « Il a le potentiel de faire gagner du temps aux gestionnaires des ressources naturelles sur le terrain en utilisant un outil SIG directement depuis leur bureau. De plus, il peut aider les entreprises et le public à gérer les impacts sur les zones humides alors que la construction d’infrastructures est prévue pour atteindre les objectifs de décarbonisation. »

« La loi sur l’investissement et l’emploi dans les infrastructures injecte des centaines de milliards de dollars dans des projets qui auront un impact sur le paysage. Cependant, les données sur lesquelles nous nous appuyons pour minimiser les impacts sur les zones humides sont terriblement obsolètes », a déclaré l’économie de restauration du Centre d’innovation en politique environnementale. Becca Madsen, directrice du centre, ancienne chercheuse à l’EPRI. « Il n’y a jamais eu de meilleur moment pour investir dans la mise à jour des données sur les zones humides de notre pays et dans l’établissement d’un processus durable et rentable pour les tenir à jour. »

« Lorsque ce modèle très précis sera mis à l’échelle pour prédire les zones humides dans une géographie beaucoup plus vaste, comme la baie de Chesapeake ou les États-Unis contigus, cela changera la donne. Il évite le besoin de cartographie manuelle des zones humides ainsi que la cartographie des zones humides avec des méthodes traditionnelles. l’apprentissage automatique qui nécessite beaucoup de traitement de données, de conservation et d’ingénierie manuelle des fonctionnalités, qui sont tous deux chronophages, laborieux et très coûteux », a déclaré le Dr Kumar Mainali, Data Science Lead/Senior Data Scientist de Chesapeake Conservancy.

Ce que cela signifie pour la protection et la conservation des zones humides

Le nouveau modèle aidera les planificateurs d’infrastructures à éviter les zones humides dans le processus de planification, ce qui se traduira par des économies de coûts et la conservation des zones humides. Les situations potentiellement bénéfiques comprennent les efforts continus pour étendre et développer les énergies renouvelables, ce qui nécessite l’expansion des infrastructures d’alimentation électrique.

Le produit du modèle est une carte de probabilité des zones humides. Ces données de probabilité peuvent être utilisées pour cartographier l’étendue la plus probable des zones humides, mais si les utilisateurs le préfèrent, ils peuvent cartographier l’étendue des zones humides avec un seuil de probabilité inférieur. La carte résultante limite la probabilité d’omission de zones humides même si elle cartographie plus de zones humides qu’il n’y en a en réalité.

Il pourrait également être possible d’utiliser ce modèle pour cartographier les endroits où les terres humides ont déjà été perdues depuis qu’elles ont été cartographiées avec NWI. De plus, des emplacements potentiels pour la restauration des zones humides pourraient également être identifiés. Par exemple, les champs agricoles constamment humides sont pris en compte par le modèle même si, aux fins de la délimitation des terres humides sur le terrain, ces zones ne sont pas considérées comme des terres humides lorsqu’elles sont activement cultivées.

L’équipe étendra le modèle à des États ou à des régions plus vastes et continuera à former le modèle sur des zones géographiques variées.

Le modèle surmonte les données obsolètes dans le pilote du Nebraska

Suite au développement initial du modèle, le modèle a été étendu pour inclure le comté de Lancaster, Nebraska. La modélisation des zones humides dans cette région s’est avérée difficile car les données NWI pour la zone étaient obsolètes depuis des décennies et comprenaient des zones humides dans plusieurs zones où elles avaient été perdues au profit du développement. L’équipe souhaitait savoir si le modèle pouvait réussir à cartographier les zones humides là où aucun ensemble de données récentes de haute qualité sur les zones humides n’était disponible pour former le modèle.

Le modèle de zone humide a été formé avec l’ensemble de données NWI vieux de plusieurs décennies et des données récentes d’imagerie satellitaire et aérienne. L’équipe a constaté que les données NWI amélioraient la précision locale de la cartographie des zones humides de 10 % par rapport aux prévisions avant la formation, ce qui montre l’importance d’utiliser les données de formation locales dans de nouvelles zones géographiques.

De plus, le modèle a correctement omis les zones humides où elles avaient été perdues au profit du développement, bien que ces zones humides restent dans les données d’entraînement obsolètes, comme le montre l’image ci-dessous (données d’entraînement obsolètes affichées en vert ; prédiction du modèle en violet, superposées sur des images satellite récentes ). La performance du modèle dans la détermination du modèle dominant dans les données pour à la fois améliorer la précision de la cartographie locale tout en reflétant avec précision la présence et l’absence des zones humides est prometteuse pour l’utilité de cette approche.

Malgré le rôle important des données sur les terres humides dans la planification des projets d’infrastructure et la gestion de la faune, les données sur les terres humides du NWI n’ont pas été entièrement mises à jour depuis de nombreuses années. Comme le montre la carte ci-dessous, la plupart des données NWI à travers le pays datent des années 1970 et 1980, mais restent les meilleures données disponibles. Une approche de modélisation de la cartographie des zones humides qui peut utiliser des données de formation de différentes époques sera extrêmement utile pour moderniser la cartographie des zones humides là où elle est le plus nécessaire.

À propos du modèle

Les couches « prédicteurs » utilisées dans la formation sur les zones humides à partir desquelles le modèle apprend les modèles trouvés dans les zones humides étaient : l’imagerie aérienne du programme national d’imagerie agricole (NAIP) de l’USDA (1 m), l’imagerie par satellite optique Sentinel-2 (10-20 m), dérivée du LiDAR les géomorphons, une approche de cartographie des reliefs que Chesapeake Conservancy a appliquée pour faire progresser la cartographie des cours d’eau à haute résolution ; et l’intensité LiDAR, un indice fréquemment utilisé pour identifier l’eau et les sols constamment humides.

De plus, l’équipe a formé un modèle plus simple en utilisant uniquement les données USDA NAIP et Sentinel-2 comme couches d’entrée, garantissant une précision de 91,6 %.