Un jeu de données RVB par UAV et une méthode de segmentation des houppes d’arbres pour le suivi de la biodiversité

Pourquoi compter les arbres depuis le ciel importe

Les forêts en bonne santé régulent discrètement notre climat, stockent du carbone et abritent d’innombrables espèces. Pourtant, suivre la croissance, la mortalité ou les maladies d’arbres individuels sur de vastes surfaces est extrêmement difficile avec des équipes au sol seulement. Cette étude montre comment des drones à caméra grand public et une analyse d’images ingénieuse peuvent délimiter automatiquement les houppes d’arbres individuelles dans des forêts tropicales denses. Cette capacité constitue une étape clé vers un suivi de la biodiversité détaillé et abordable et une meilleure gestion forestière dans un monde qui se réchauffe.

Voir les arbres individuels dans une mer de vert

Vu d’en haut, une forêt mûre ressemble souvent à un tapis continu de feuilles. En réalité, elle est composée de nombreuses houppes d’arbres qui se chevauchent, d’espèces et de tailles différentes. Pour comprendre la santé d’une forêt ou son stockage de carbone, les scientifiques doivent savoir où s’achève un arbre et où commence le suivant. Cette tâche, appelée segmentation d’instances de houppes d’arbres, est particulièrement difficile dans les forêts tropicales denses, où les houppes voisines se fondent les unes dans les autres et où ombres, saisonnalité et formes similaires perturbent aussi bien les humains que les algorithmes. Les méthodes traditionnelles manquent soit des arbres, soit fusionnent plusieurs arbres en un seul, soit nécessitent des capteurs coûteux comme le laser. Les auteurs se concentrent plutôt sur l’exploitation maximale de simples photos couleur prises depuis des drones, beaucoup moins chères et plus faciles à déployer à l’échelle mondiale.

Une nouvelle bibliothèque d’images de forêts tropicales

Pour entraîner et tester leurs algorithmes, les chercheurs ont créé une nouvelle collection d’images appelée ForestSeg. À l’aide de deux drones commerciaux au-dessus d’une forêt riche en biodiversité près de Hanoï, au Vietnam, ils ont effectué quatre campagnes à différentes hauteurs et à différents mois. À partir de ces vols, ils ont construit des images aériennes haute résolution puis les ont découpées en petits carreaux carrés, chacun de 1024 par 1024 pixels, contenant typiquement 6 à 10 arbres. Des experts humains ont tracé avec soin le contour de chaque houppe visible, générant au total 2 944 carreaux annotés répartis en quatre sous-ensembles. Parce que les vols couvrent des saisons et des altitudes variées, ForestSeg capture des changements d’éclairage, de couleur des feuilles et de taille apparente des arbres, offrant un banc d’essai exigeant pour toute méthode qui prétend fonctionner de manière fiable dans le temps.

Découper les arbres en morceaux pour retrouver des houppes entières

Plutôt que d’essayer de dessiner les contours des arbres en une seule passe, l’équipe a conçu une stratégie en deux étapes appelée TreeCoG. D’abord, elle « sur-segmente » délibérément la canopée. Un réseau moderne de détection de contours repère de fins bords dans l’image drone, découpant la forêt en nombreux petits fragments de contours qui ont peu de chances de contenir des parties de plusieurs arbres à la fois. Ensuite, ces fragments sont transformés en nœuds d’un graphe, où les fragments voisins sont reliés et comparés. Pour chaque fragment, la méthode mesure des propriétés de forme simples comme la surface et l’allongement, et analyse aussi la similarité en couleur et texture entre patches voisins. Un réseau de neurones graphique apprend alors, à partir de nombreux exemples étiquetés, quels fragments voisins appartiennent au même arbre et doivent être fusionnés, et lesquels appartiennent à des arbres différents et doivent rester séparés. Le résultat est un ensemble de masques qui délimitent les houppes individuelles plus proprement que les approches antérieures.

Quelle est l’efficacité de la méthode en pratique

Pour évaluer les performances, les auteurs ont comparé TreeCoG à des outils populaires d’apprentissage profond pour la segmentation d’objets, y compris Mask R-CNN et les derniers modèles YOLO. Sur ForestSeg, TreeCoG a obtenu la plus grande précision tout en s’exécutant plus rapidement que ses concurrents, ce qui le rend attrayant pour des relevés à grande échelle. Il s’est également bien comporté sur un jeu de référence européen indépendant connu sous le nom de BAMFORESTS, montrant que l’approche peut se transférer à des forêts d’autres régions. En analysant les résultats sur les quatre sous-ensembles de ForestSeg, l’étude révèle en outre comment l’heure du jour, la saison et l’altitude de vol influencent le succès : des images plus nettes et des angles solaires plus bas tendent à donner des frontières de houppes plus claires, mais la méthode reste robuste même lorsque les conditions sont moins favorables.

Ce que cela signifie pour les forêts et la biodiversité

En termes simples, ce travail montre que des drones peu coûteux et des algorithmes intelligents peuvent identifier de façon fiable des arbres individuels dans certaines des forêts les plus complexes de la planète. Le jeu de données ForestSeg fournit aux chercheurs un nouveau banc d’essai exigeant, et TreeCoG propose une recette pratique pour transformer des photos aériennes brutes en cartes détaillées des houppes d’arbres. Ces cartes peuvent alimenter des étapes ultérieures telles que la reconnaissance d’espèces, le suivi de la croissance et l’évaluation de la santé, aidant en fin de compte les scientifiques et les gestionnaires forestiers à surveiller la biodiversité et les stocks de carbone plus fréquemment et sur des zones plus vastes que ce qui était possible avec des inventaires de terrain seuls.

Citation: Do, M.V.H., Phung, DT., Pham, H.D.L. et al. A UAV RGB dataset and method for instance tree crown segmentation for biodiversity monitoring. Sci Rep 16, 5788 (2026). https://doi.org/10.1038/s41598-026-36541-y

Mots-clés: drone forestier, cartographie des houppes d’arbres, suivi de la biodiversité, télédétection, segmentation par apprentissage profond