Meteory fournit les évolutions cartographiques des haies rurales de France : un atout pour leur conservation
Haies bocagères en Limousin, photo Frédéric Douard
La société de conseil Meteory a pour vocation de faciliter l’accès aux données environnementales, sur la forêt, l’agriculture ou l’énergie, permettant aux décideurs locaux d’acquérir une compréhension globale de l’environnement de leur territoire et de prendre des décisions éclairées vers un avenir durable et résilient. C’est le cas notamment pour l’évaluation des haies bocagères dont l’entretien et la survie dépendent de leur utilité économique directe, avec en particulier la valorisation de bois-énergie, les autres usages de ces bois irréguliers, comme la fabrication des objets du quotidien, ayant disparu avec l’arrivée du plastique et des produits manufacturés.
Comprendre l’évolution temporale des haies est crucial. Ces structures naturelles jouent en effet un rôle important dans la séquestration du carbone, la biodiversité et l’intégrité écologique des paysages. 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 :
- stocker du carbone : ils agissent comme des puits de carbone, atténuant les émissions de gaz à effet de serre.
- la biodiversité : les haies servent d’habitats et de corridors à diverses espèces, favorisant la diversité écologique et la résilience.
- la conservation des sols : ils préviennent l’érosion des sols et favorisent la stabilité hydrologique.
- des 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 d’affiner la façon de surveiller ces ressources naturelles critiques grâce au travail énorme réalisé par l’IGN avec l’imagerie aérienne de la BD ORTHO, prenant régulièrement des photos en haute résolution de l’ensemble du pays, une formidable nouvelle source de données !
Un modèle de détection automatique des haies
Meteory a développé un modèle de surveillance des haies à travers la France qui utilise l’imagerie aérienne comme entrée pour détecter les haies présentes. Ce modèle y parvient en deux grandes étapes.
1 – Classification des couvertures basée sur l’apprentissage automatique
La première étape de l’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.
2 – Synthèse des linéaires de haies
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 réelles des haies pour permettre une analyse qualitative et quantitative.
La deuxième étape consiste donc à synthétiser les linéaires à travers les étapes de traitement suivantes :
- Application dans un premier temps un filtre de flou à l’image pour lisser la distribution des probabilités.
- Application d’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.
- Filtration des forêts et des zones urbaines. Le réseau neuronal interprète parfois à tort des parties de forêts comme des haies, ces zones sont exclues, tout comme les haies en zones urbaines.
- Les données sont ensuite converties en vecteurs polygonaux et les petits vecteurs irréguliers sont exclus.
- Puisque les polygones qui ont été générés à partir de données d’image sont plutôt grossiers, pour obtenir une forme plus naturelle, la géométrie des vecteurs est simplifiée, puis des lignes sont créées et nettoyées automatiquement de leurs irrégularités.
Grâce à ces résultats, il est possible de surveiller le linéaire de haies sur son territoire ainsi que son évolution au cours du temps. On peut ainsi voir où ils en ont perdu ainsi que là où ils en ont gagné, donnant ainsi une vision globale du territoire.
Pour en savoir plus, contacter Pierre Blanchet : pierre.blanchet@meteory.eu – 06 49 36 24 91 – www.meteory.eu
Frédéric Douard
FABTEC Solutions
Euro-Energies
BKtech
Ecomembrane
AFD Environnement
Amio
Gaz de Ferme
