Chaque jour, il semble que des scientifiques publient une nouvelle technologie ou un algorithme. L'intelligence artificielle et l'apprentissage automatique sont tous des outils puissants qui peuvent aider les gens du monde entier et accélérer la recherche elle-même. On peut se demander si ces approches nécessitent encore une certaine supervision humaine.

L'une des tâches à forte intensité de main-d'œuvre pour les écologistes et les défenseurs de l'environnement du monde entier consiste à cataloguer et à surveiller les habitats forestiers. Balayage laser terrestre (TLS) est en train de devenir l'une des approches courantes pour prendre un scan 3D d'un arbre individuel ou d'une parcelle forestière pour extraire différentes mesures (par exemple, le nombre d'arbres, la hauteur des arbres, le diamètre des arbres). Cette approche complexe sur le plan informatique est sujette à des taux d'erreur élevés car elle repose sur des algorithmes déterminant ce qu'est un arbre ou une partie d'arbre dans un nuage de points 3D (c'est-à-dire une image).

Dr Olivier Martin Ducup de l'Université de Montpellier et des collègues de l'Université de Yaoundé, de l'Université Aalto et de l'Université de Tampere comparaison des mesures d'arbres automatiques et humaines dans une parcelle d'un hectare dans la réserve de faune du Dja au Cameroun. Les chercheurs ont découvert que lorsqu'ils isolaient les arbres sur les scans laser, ils réduisaient les erreurs de mesure d'un facteur de trois à dix fois.

En 2018, Martin-Ducup et ses collègues ont établi une parcelle forestière de 1 ha dans la réserve de faune du Dja. L'équipe a mesuré 391 arbres et a scanné la parcelle en serpentant. L'arbre, Uapaca guineensis, était l'espèce la plus commune, alors que Irvingia grandifolia avait le plus grand diamètre (1.2 m).

Les scientifiques ont testé cinq pipelines entièrement automatisés à l'aide de différents logiciels, algorithmes et paramètres. Les trois étapes principales consistaient d'abord à localiser et à isoler les arbres individuels du nuage de points 3D généré par LIDAR, à segmenter les feuilles et le bois et à reconstruire les arbres à l'aide d'une modélisation structurelle quantitative.

Les scientifiques ont testé si l'assistance humaine aux différentes étapes de traitement pouvait réduire les taux d'erreur au niveau de la parcelle, de la sous-parcelle et de l'arbre. La hauteur, le diamètre, la surface de la couronne, la surface terrière et le volume de bois des arbres ont été estimés et comparés aux mesures manuelles.

À l'échelle de l'arbre, le chercheur a constaté que l'isolement des arbres à l'aide d'une assistance humaine réduisait d'un facteur dix l'erreur sur le volume de bois. À l'échelle de la parcelle de 1 ha, la localisation des arbres avec une assistance humaine a réduit l'erreur d'un facteur trois.

"Les résultats ont montré que tous les pipelines renvoyaient des résultats peu fiables lorsqu'ils étaient exécutés de manière entièrement automatique", écrivent Martin-Ducup et ses collègues.

« Ce constat met en évidence le risque d'utiliser aveuglément ces traitements automatisés à l'échelle de la parcelle. Cependant, nous avons démontré que fournir une assistance humaine, même limitée, dans les étapes critiques des méthodes de pipeline automatisées pourrait grandement aider à réduire les erreurs d'estimation.

La numérisation LIDAR, l'apprentissage automatique et l'intelligence artificielle sont tous de nouveaux outils passionnants qui peuvent aider les scientifiques, les défenseurs de l'environnement et les gestionnaires des terres. Mais raconter des arbres dans une image 3D peut encore être mieux fait par une personne.