La cartographie consensuelle de l’occupation du sol améliore la classification des prairies dans les paysages de montagne européens

Pourquoi les prairies de montagne comptent

Les pelouses d’altitude des Alpes et des Carpates ne sont pas seulement de beaux paysages — ce sont des « hotspots » de biodiversité, des pâturages et des zones tampons face au changement climatique. Pour protéger ces espaces, scientifiques et décideurs s’appuient sur des cartes numériques issues de satellites qui indiquent où se trouvent forêts, champs, villes et prairies. Mais que se passe-t-il lorsque différentes cartes globales divergent fortement sur l’étendue et la localisation des prairies ? Cette étude examine si la combinaison de plusieurs cartes existantes en une vue « consensuelle » peut fournir une image plus claire et plus fiable des prairies de montagne en Europe.

Beaucoup de cartes, autant d’histoires différentes

Ces dernières années, plusieurs cartes d’occupation du sol basées sur des satellites sont devenues disponibles à très haute résolution, montrant des éléments jusqu’à l’échelle d’une petite maison. Six de ces produits — élaborés par des organisations comme Google, l’Agence spatiale européenne et d’autres — couvrent déjà les Alpes et les Carpates. Tous utilisent des images satellites similaires, mais reposent sur des jeux de données d’apprentissage et des méthodes de classification différents. Lorsque les auteurs les ont comparés, ils ont constaté de larges divergences : certaines cartes globales montraient seulement environ la moitié de la superficie de prairies indiquée par d’autres, et plaçaient souvent les prairies à des altitudes ou sur des pentes différentes. Pour les utilisateurs qui cherchent à modéliser les habitats d’espèces, planifier la conservation ou évaluer les services écosystémiques, cette incohérence rend incertain le choix de la carte à privilégier.

Construire une image partagée à partir de vues conflictuelles

Plutôt que de choisir un seul produit « meilleur », les chercheurs ont exploré trois façons de fusionner les six cartes en versions consensuelles. Une méthode laissait chaque carte « voter » pour la classe correcte en chaque point, les voix étant pondérées selon les performances antérieures de chaque carte. Une deuxième méthode allait plus loin en récompensant les combinaisons de classes qui avaient tendance à être correctes et en pénalisant celles qui entraînaient souvent des confusions. La troisième et plus avancée traitait les six cartes comme entrées d’un modèle d’ensemble d’apprentissage automatique, qui a appris, à partir de milliers de points de référence interprétés avec précision, quand chaque carte était fiable pour les prairies et quand elle risquait de se tromper.

Soumettre les cartes à l’épreuve

Pour évaluer les performances, l’équipe a rassemblé un jeu indépendant de près de 3 000 emplacements de référence répartis dans les deux massifs. Des experts ont inspecté visuellement des images récentes à haute résolution pour chaque point et se sont mis d’accord sur l’occupation réelle du sol. La comparaison de tous les produits avec ce référentiel a montré que les cartes initiales variaient largement en précision globale, et étaient particulièrement inégales pour les prairies. Certains produits globaux omettaient systématiquement les prairies de montagne, tandis que d’autres avaient tendance à regrouper trop de surface dans cette classe. En revanche, les trois approches consensuelles ont toutes amélioré la situation, et le modèle d’ensemble a donné les meilleurs résultats : il a atteint environ 90–92 % de précision globale et a porté les précisions « utilisateur » et « producteur » pour les prairies au-delà de 84 %, surpassant n’importe quel jeu de données d’entrée pris isolément.

Des prairies qui correspondent aux montagnes

Au-delà de la simple précision, les cartes consensuelles ont produit des motifs de prairies mieux conformes aux attentes des écologues pour les paysages réels. Elles ont capté les prairies sur l’ensemble des gradients d’altitude — des pâturages de basse altitude aux pelouses alpines d’altitude — et rendu des contrastes plus réalistes entre les Alpes, avec leurs pentes abruptes et accidentées, et les Carpates généralement plus douces. Les mesures de forme et de fragmentation des taches paraissaient aussi plus plausibles : au lieu de blocs irréalistes, lisses et énormes ou d’éclats trop fragmentés, le résultat consensuel montrait des mosaïques cohérentes mais finement texturées, similaires à celles observées sur les images satellites et dans les études de terrain. En moyennant les angles morts des produits individuels, les cartes consensuelles ont préservé les gradients environnementaux clés tout en atténuant les extrêmes et les valeurs aberrantes.

Ce que cela signifie pour la nature et les politiques

Pour les non-spécialistes, la conclusion est simple : lorsqu’il s’agit de cartographier les prairies de montagne fragiles, aucun produit global unique n’a tout bon, mais la combinaison soigneuse de plusieurs produits peut s’en approcher remarquablement. L’étude montre que des cartes d’occupation du sol consensuelles, construites à partir de sources et de méthodes multiples, donnent une vision plus précise et écologiquement cohérente de l’endroit où se trouvent les prairies et de leur organisation dans le paysage. Cela rend les analyses en aval — de la modélisation des habitats fauniques aux évaluations de la connectivité paysagère et de l’intensité d’usage des terres — plus fiables. Au fur et à mesure que des données satellitaires et des observations de terrain de meilleure qualité seront disponibles, de telles approches intégratives offrent une voie robuste vers les cartes détaillées et dignes de confiance nécessaires pour orienter les décisions de conservation et d’utilisation des terres dans les régions montagneuses emblématiques d’Europe.

Citation: Opravil, Š., Baumann, M., Goga, T. et al. Consensus land-cover mapping improves grassland classification in European mountain landscapes. Sci Rep 16, 8077 (2026). https://doi.org/10.1038/s41598-026-39197-w

Mots-clés: cartographie des prairies, occupation du sol par satellite, Alpes et Carpates, biodiversité de montagne, ensembles de données consensuelles