L'apprentissage profond pour la prévision des images satellitaires de la verdure végétale

L’arrivée de données abondantes issues de l’observation de la Terre permet le développement de nouvelles méthodes prédictives pour anticiper les impacts du climat sur l’état et la santé des écosystèmes terrestres. Dans cette étude, nous nous concentrons sur les variations spatiales et temporelles de la réflectance de la surface terrestre et de la verdure végétale, en mesurant la densité de végétation verte et la surface active de feuillage, conditionnées par les données climatiques actuelles et passées ainsi que par la topographie locale. Nous entraînons deux modèles profonds récurrents alternatifs, reposant sur des couches convolutionnelles, afin de prédire la déviation spatialement résolue de la réflectance de surface à travers un paysage hétérogène à partir d’un état initial prédéfini (Cadre de référence). Nous démontrons l’efficacité de ce Cadre de référence en termes de vitesse de convergence durant l’entraînement. En utilisant des données provenant d’écosystèmes et de types de couverture des sols diversifiés en Europe, et en suivant un cadre standardisé d’évaluation des modèles (Défi EarthNet2021), les résultats indiquent une amélioration significative de la performance dans la prévision de la verdure de surface lors d’événements de sécheresse par rapport aux références actuellement publiées. Nos résultats mettent en évidence la capacité des méthodes d’apprentissage profond à détecter précocement les réponses de la végétation aux événements extrêmes climatiques, tels que la perte de feuillage vert liée aux sécheresses.