Cartographier toutes les haies de France - la méthode

Comprendre l’évolution temporale des haies est crucial. Ces structures naturelles jouent un rôle important dans la séquestration du carbone, la préservation de la biodiversité et l'intégrité écologique des paysages ruraux et semi-urbains. Pour combler le manque de données quantitatives, Meteory a développé pendant plus d’un an un modèle qui analyse les images hautes résolutions de la BD ORTHO de l’IGN afin de cartographier toutes les haies, de 2008 à aujourd’hui.

L'impératif d'une analyse avancée des haies

Les haies ne sont pas de simples éléments du paysage ; ce sont des écosystèmes dynamiques qui contribuent à :

• Stockage de carbone : Ils agissent comme des puits de carbone, atténuant les émissions de gaz à effet de serre.
• Biodiversité : Les haies servent d'habitats et de corridors à diverses espèces, favorisant la diversité écologique et la résilience.
• Conservation des sols : Ils préviennent l'érosion des sols et favorisent la stabilité hydrologique.
• Avantages agricoles : Les haies peuvent améliorer les rendements des cultures en protégeant du vent et en soutenant les insectes utiles.

Compte tenu de ces avantages, la nécessité de disposer de données précises et régulièrement mises à jour est évidente.

Le défi de la surveillance des haies

Traditionnellement, les territoires s'appuient sur des outils comme ALDO et la BD TOPO, une base de données topographique issue de l’IGN, pour estimer et cartographier la présence de haies. Bien que ces ressources fournissent des données fondamentales, elles présentent certaines limites :

• Mises à jour peu fréquentes : Ces ensembles de données ne sont pas régulièrement actualisés, ce qui rend difficile le suivi des changements au fil du temps ou la réponse rapide aux crises environnementales.
• Détails incohérents : Le niveau de détail peut être insuffisant pour une analyse écologique fine et une planification de la conservation.
• Portée limitée : Les outils existants peuvent ne pas capturer toutes les caractéristiques physiques et biologiques des haies, telles que la diversité des espèces, la santé et l'intégrité structurelle, qui sont vitales pour les évaluations écologiques.

Il existe une opportunité de révolutionner et d’affiner la façon dont nous surveillons et comprenons ces ressources naturelles critiques. Grâce au travail incroyable réalisé par l'IGN avec l'imagerie aérienne de la BD ORTHO, prenant régulièrement des photos hautes résolution de l'ensemble du pays, une formidable nouvelle source de donnée est disponible.

Notre modèle de détection automatique des haies

Nous avons développé un modèle de surveillance des haies à travers la France qui utilise l'imagerie aérienne comme entrée pour détecter les haies présentes. Notre modèle y parvient en deux grandes étapes.

Classification des couvertures basée sur l'apprentissage automatique

La première étape de notre approche est un modèle de réseau neuronal à convolution (CNN) développé en interne, formé à l'aide de l'ensemble de données BD ORTHO mentionné précédemment comme entrée et d'un vaste ensemble de données d'entraînement étiqueté manuellement pour validation.

Le réseau neuronal résultant peut convertir des images aériennes en images décrivant la probabilité que chaque pixel soit une haie.

Synthèse des linéaires de haies

Comme le montre l'image ci-dessus, le modèle décide quelles parties de l'image sont susceptibles d'être des haies, mais avoir uniquement ces probabilités par pixel est encore loin d'avoir les formes directes des haies pour permettre une analyse qualitative et quantitative.

La deuxième étape de notre modèle consiste donc à synthétiser les linéaires. Cette synthèse est réalisée à travers les étapes de traitement suivantes :

1. Nous appliquons dans un premier temps un filtre de flou à l'image pour lisser la distribution des probabilités.
2. Nous appliquons alors un seuil. Toutes les probabilités supérieures à un certain seuil sont considérées comme des pixels de haies, tous les autres pixels ne sont pas des haies.
3. Enfin, nous filtrons les forêts et les zones urbaines. Le réseau neuronal interprète parfois à tort des parties de forêts comme des haies, ces zones sont filtrées des haies que nous considérons. Nous filtrons également les haies en zone urbaine.

4.Les données sont ensuite converties en vecteurs polygonaux et les petits vecteurs irréguliers sont filtrés.

5.Puisque les polygones ont été générés à partir de données d'image, leur forme est plutôt grossière, pour obtenir une forme plus naturelle, nous simplifions la géométrie des vecteurs, puis créons des lignes à partir de là et nettoyons automatiquement les quelques irrégularités.

Grâce à ces résultats, nos partenaires sont en mesure de surveiller le linéaire de haies sur leur territoire ainsi que son évolution au cours du temps. Ils peuvent voir où ils en ont perdu ainsi que là où ils en ont gagné, donnant ainsi une vision globale du territoire.

De nouvelles solutions pour de nouveaux défis

La capacité de surveiller les haies comble efficacement une lacune importante en matière de gestion environnementale. En tirant parti de l'imagerie aérienne haute résolution et des techniques avancées de détection d'objets, notre modèle fournit des données critiques qui sont non seulement plus précises, mais également plus à jour que les méthodes traditionnelles.

Cette innovation améliore non seulement notre compréhension de la dynamique écologique, mais permet également aux parties prenantes de prendre des décisions éclairées qui soutiennent la durabilité et la résilience environnementales. Le développement et le perfectionnement continus de ces modèles, facilités par des ensembles de données open source et des initiatives de données communautaires, soulignent le rôle vital de la technologie dans la progression de nos objectifs écologiques et de conservation.

Si vous souhaitez connaître l'état de vos haies sur votre territoire, contactez-nous à pierre.blanchet@meteory.eu ou par téléphone au 06 49 36 24 91.