Swamp-AI : un modèle d’apprentissage profond pour surveiller les changements des zones humides à l’échelle mondiale

Pourquoi il importe d’observer les lisières détrempées de la Terre

Les zones humides — marais, bourbiers, deltas et plaines inondables — protègent discrètement nos côtes, stockent du carbone, filtrent l’eau et abritent la faune. Pourtant, elles rétrécissent partout dans le monde, souvent hors de vue, dans des zones reculées ou difficiles d’accès. Cette étude présente « Swamp-AI », un système de vision par ordinateur qui analyse des images satellite pour repérer les zones humides et suivre l’évolution de leur empreinte au fil du temps, offrant une manière plus rapide et moins coûteuse de surveiller ces paysages menacés.

Voir les eaux cachées depuis l’espace

Les enquêtes traditionnelles sur les zones humides reposent sur des experts se rendant sur place pour mesurer la végétation, les sols et les niveaux d’eau. Ce type de travail de terrain est lent et onéreux, et de nombreuses zones humides se trouvent dans une toundra sans routes, des plaines inondables tropicales ou des régions politiquement instables. Les satellites, en revanche, font le tour de la Terre tous les quelques jours et capturent des images répétées de la surface. Le défi consiste à transformer ces images brutes en cartes fiables des zones humides sans une armée d’interprètes humains. Les méthodes de cartographie antérieures exigeaient que des spécialistes règlent soigneusement des seuils ou dessinent les limites à la main, et les modèles obtenus fonctionnaient souvent dans un seul pays ou pour un seul type de zone humide. Swamp-AI vise à lever ce goulot d’étranglement en apprenant des « signatures visuelles » générales des zones humides qui tiennent de la Louisiane au delta du Mékong.

Constituer un atlas d’entraînement global

Pour apprendre à un algorithme à quoi ressemble une zone humide, l’équipe a d’abord dû assembler un atlas d’entraînement constitué de scènes satellite étiquetées. Ils ont créé la Global Swamp Annotated Database (GSADB) en utilisant des images 2019 du satellite Sentinel-2 de l’Europe, qui fournit des vues couleur et infrarouge de résolution moyenne tous les cinq jours. À partir de 34 emplacements dans le monde, couvrant 21 régions intérieures et 13 régions côtières, ils ont tracé 102 masques détaillés indiquant où les zones humides étaient présentes. Plutôt que de visiter chaque site, ils ont combiné plusieurs produits de données mondiaux : une carte existante des zones humides à 30 mètres, un modèle numérique d’élévation qui signale les terrains bas et sujets aux inondations, et un indice de végétation qui met en évidence la végétation verte et en croissance. Quatre annotateurs ont vérifié mutuellement leur travail, écartant les scènes lorsque le consensus faisait défaut, et ont défini une unique classe large de « zone humide » pour maintenir la cohérence des étiquettes, des marais arctiques aux tourbières tropicales.

Apprendre à la machine à reconnaître les terrains détrempés

Munis de cet atlas, les chercheurs ont entraîné 15 modèles d’apprentissage profond différents réalisant de la « segmentation sémantique » : affecter chaque pixel d’une image à la classe zone humide ou non-zone humide. Ils ont testé trois architectures de réseaux populaires qui ont donné de bons résultats sur des scans médicaux et d’autres images environnementales, et ont associé chacune à cinq manières de mesurer l’erreur d’entraînement, appelées fonctions de perte. Comme les zones humides constituaient généralement la minorité dans chaque scène, ils ont aussi expérimenté des fonctions de perte adaptées aux jeux de données déséquilibrés. Les images d’entraînement ont été réparties selon la géographie, et non de façon aléatoire, de sorte que les modèles étaient toujours évalués sur des lieux qu’ils n’avaient jamais vus à proximité, réduisant le risque de surapprentissage lié à des particularités locales.

Choisir un vainqueur et le tester sur le terrain

Après l’entraînement, les modèles les mieux classés ont été soumis à des examens plus sévères. L’équipe a constitué un jeu de test indépendant à partir d’images plus fines, à trois mètres, de trois réserves fauniques aux États-Unis, puis a rétrogradé les contours dessinés à la main des zones humides pour les adapter à la résolution plus grossière de Sentinel-2. Le champion s’est avéré être un réseau appelé ResUNet34 combiné à une perte hybride « focal-dice ». Cette version de Swamp-AI a correctement étiqueté environ 94 % des pixels au global et obtenu un score intersection-sur-union — une mesure stricte du recoupement entre zones humides prédites et réelles — d’environ 75 %. Les vérifications visuelles ont montré qu’il continuait de repérer marais et bourbiers même en dehors des régions utilisées pour les tests. Les auteurs ont ensuite appliqué Swamp-AI à des zones humides célèbres dans le monde, et ont constaté qu’avec un léger réglage de son seuil de confiance interne, il conservait une grande précision, des tourbières froides du Nord aux plaines inondables tropicales.

Suivre un trait de côte qui recule à New York

Pour illustrer l’usage pratique de Swamp-AI, l’équipe a suivi les îles de marais salés de Jamaica Bay, New York, de 2019 à 2024. En exécutant le modèle sur des composites annuels d’images, ils ont estimé que les îles de la baie perdaient collectivement environ 18 hectares de zones humides par an, certaines îles restant relativement stables tandis que d’autres montraient de forts signes de recul. La comparaison d’images prises à marée haute et à marée basse en 2024 a révélé une autre nuance : lorsque le niveau d’eau était bas et que les surfaces de marais étaient exposées, Swamp-AI a détecté presque 30 % de surface humide en plus que dans la vue à marée haute, soulignant la sensibilité de la cartographie satellite au moment de l’acquisition et au niveau d’eau.

Un nouveau système d’alerte précoce pour la perte de zones humides

Pour un public non spécialiste, le message clé est que Swamp-AI agit comme un inspecteur automatisé des zones humides, analysant en continu les flux d’images satellite mondiaux et signalant où les zones végétalisées et détrempées se maintiennent ou disparaissent. Il ne peut pas encore distinguer des détails fins tels que les espèces végétales ou les sous-types de zones humides, et il hérite de certaines limites des cartes de référence utilisées pour son entraînement. Néanmoins, en fournissant des cartes rapides et cohérentes à l’échelle mondiale avec une précision comparable à de nombreuses études locales, Swamp-AI offre aux conservateurs et aux planificateurs un outil d’alerte précoce. Il peut aider à orienter des enquêtes de terrain coûteuses vers les sites les plus vulnérables et soutenir des décisions plus éclairées sur la restauration, la protection côtière et la résilience climatique.

Citation: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

Mots-clés: zones humides, télédétection, apprentissage profond, surveillance environnementale, imagerie satellite