L’application de l’intelligence artificielle et des nuages de points LiDAR terrestres dans la surveillance des forêts : rapport académique

Contexte académique

Avec le changement climatique mondial et l’importance croissante de la gestion des ressources forestières, la sylviculture de précision (Precision Forestry) est devenue un axe clé de la gestion forestière moderne. La sylviculture de précision repose sur la collecte et l’analyse de données forestières de haute précision, et les progrès des technologies LiDAR terrestres (Terrestrial LiDAR, TLS) et mobiles (Mobile LiDAR, MLS) ont fourni des détails sans précédent pour la surveillance des forêts. Cependant, le traitement de ces nuages de points tridimensionnels à haute densité reste un défi majeur, en particulier pour des tâches telles que la segmentation individuelle des arbres, la classification des espèces d’arbres et l’analyse de la structure forestière.

Les méthodes traditionnelles reposent sur des caractéristiques conçues manuellement et des algorithmes heuristiques, mais ces approches sont souvent inefficaces pour gérer des environnements naturels complexes et des structures forestières diversifiées. Ces dernières années, l’introduction de l’intelligence artificielle (Artificial Intelligence, AI), en particulier des techniques d’apprentissage profond (Deep Learning, DL), a offert de nouvelles solutions pour traiter ces données complexes. Cependant, malgré le potentiel énorme de l’IA dans la surveillance des forêts, ce domaine reste confronté à de nombreux défis, tels que le manque de métriques d’évaluation standardisées, le partage insuffisant des données et les problèmes de reproductibilité des modèles.

Par conséquent, cet article vise à passer en revue les applications de l’IA et des nuages de points LiDAR terrestres dans la surveillance des forêts, en explorant les progrès actuels, les défis et les orientations futures.

Source de l’article

Cet article a été co-écrit par Maksymilian Kulicki, Carlos Cabo, Tomasz Trzciński, Janusz Będkowski et Krzysztof Stereńczak, issus respectivement d’Ideas NCBR en Pologne, de l’Institut de recherche fondamentale en technologie de l’Académie polonaise des sciences, de l’Université d’Oviedo en Espagne, de l’Université de technologie de Varsovie et de l’Institut de recherche forestière de Pologne. L’article a été accepté le 26 septembre 2024 et publié dans la revue Current Forestry Reports, avec le DOI 10.1007/s40725-024-00234-4.

Contenu principal de l’article

1. Applications de l’intelligence artificielle dans la surveillance des forêts

L’article commence par passer en revue les applications de l’IA, en particulier de l’apprentissage profond, dans la surveillance des forêts. Ces dernières années, les modèles d’apprentissage profond ont excellé dans le traitement des données LiDAR terrestres, en particulier pour des tâches telles que la segmentation sémantique (Semantic Segmentation), la segmentation individuelle des arbres (Individual Tree Segmentation) et la classification des espèces d’arbres (Species Classification). Par rapport aux méthodes traditionnelles d’apprentissage automatique, les modèles d’apprentissage profond sont capables d’apprendre automatiquement des caractéristiques complexes à partir des données, améliorant ainsi considérablement la précision et l’efficacité des tâches.

Segmentation sémantique

La segmentation sémantique vise à attribuer une étiquette sémantique à chaque point du nuage de points, par exemple en distinguant les troncs, les branches et les feuilles. Les études montrent que les modèles d’apprentissage profond (comme PointNet++) excellent dans cette tâche, en particulier lorsqu’ils sont combinés avec des caractéristiques géométriques et des informations d’intensité.

Segmentation individuelle des arbres

La segmentation individuelle des arbres vise à séparer les nuages de points de chaque arbre dans un nuage de points global. Les méthodes heuristiques traditionnelles sont moins performantes dans les forêts denses, tandis que les méthodes basées sur l’apprentissage profond, comme la prédiction de décalage (offset prediction) utilisée dans TreeLearn, montrent une précision et une robustesse supérieures.

Classification des espèces d’arbres

La classification des espèces d’arbres consiste à identifier l’espèce d’un arbre à partir de son nuage de points. Les modèles d’apprentissage profond (comme PointNet++ et les CNN) excellent dans cette tâche, en particulier grâce à des méthodes de projection des nuages de points en images 2D.

2. Prétraitement des données et sélection des modèles

L’article discute également en détail de l’impact du prétraitement des données sur les performances des modèles d’IA. L’augmentation des données (Data Augmentation) est un moyen essentiel d’améliorer la capacité de généralisation des modèles, et les techniques courantes incluent la rotation des nuages de points, le bruitage, la mise à l’échelle et le retournement en miroir. De plus, la combinaison de caractéristiques géométriques conçues manuellement et d’informations d’intensité peut également améliorer considérablement les performances des modèles d’apprentissage profond.

En ce qui concerne la sélection des modèles, les architectures d’apprentissage profond pour les nuages de points, telles que PointNet++, PointCNN et PointMLP, excellent dans les tâches de surveillance forestière, tandis que les modèles traditionnels d’apprentissage automatique (comme les forêts aléatoires et les machines à vecteurs de support) conservent un certain avantage pour les petits ensembles de données.

3. Partage des données et reproductibilité

L’article souligne que, malgré les progrès significatifs de l’IA dans la surveillance des forêts, le partage des données et la publication des codes restent des défis majeurs dans ce domaine. De nombreuses études utilisent des ensembles de données auto-collectés sans les rendre publics, ce qui nuit gravement à la reproductibilité et à la comparabilité des recherches. Par conséquent, l’article appelle à la création de grands ensembles de données de référence internationaux et à l’établissement de formats de données et de normes d’évaluation uniformes.

4. Directions de recherche futures

L’article explore également les orientations de recherche futures possibles, notamment l’application des réseaux de neurones graphiques (Graph Neural Networks, GNNs), l’apprentissage semi-supervisé (Semi-Supervised Learning) et l’apprentissage auto-supervisé (Self-Supervised Learning). De plus, les modèles génératifs (Generative Models) ont un potentiel énorme pour la synthèse de données et la prédiction de la dynamique forestière.

Importance et valeur de l’article

Cet article passe en revue de manière systématique les applications de l’IA et des nuages de points LiDAR terrestres dans la surveillance des forêts, révélant le potentiel énorme de l’apprentissage profond pour améliorer la précision et l’efficacité de la surveillance forestière. En résumant les progrès actuels et les défis, l’article fournit des orientations et des recommandations importantes pour les recherches futures. De plus, il met l’accent sur l’importance du partage des données et de la publication des codes, appelant à l’établissement de méthodes d’évaluation standardisées et d’ensembles de données de référence pour faire progresser ce domaine.

Points forts

1. Supériorité des modèles d’apprentissage profond : L’article démontre, à travers de nombreuses études, que les modèles d’apprentissage profond surpassent significativement les méthodes traditionnelles d’apprentissage automatique dans les tâches de surveillance forestière.
2. Importance du prétraitement des données : L’augmentation des données et l’ingénierie des caractéristiques jouent un rôle crucial dans l’amélioration des performances des modèles.
3. Partage des données et reproductibilité : L’article appelle à la création de grands ensembles de données de référence internationaux et à l’établissement de formats de données et de normes d’évaluation uniformes.
4. Directions de recherche futures : Les réseaux de neurones graphiques, l’apprentissage semi-supervisé et les modèles génératifs ont un potentiel énorme dans la surveillance des forêts.

Conclusion

Cet article, à travers une revue systématique des applications de l’IA et des nuages de points LiDAR terrestres dans la surveillance des forêts, révèle le potentiel énorme de l’apprentissage profond pour améliorer la précision et l’efficacité de la surveillance forestière. En résumant les progrès actuels et les défis, l’article fournit des orientations et des recommandations importantes pour les recherches futures. De plus, il met l’accent sur l’importance du partage des données et de la publication des codes, appelant à l’établissement de méthodes d’évaluation standardisées et d’ensembles de données de référence pour faire progresser ce domaine.