Méthode d'IA pour la surveillance horaire de l'absorption de carbone basée sur des données de satellites géostationnaires Environ 30 % des émissions mondiales de dioxyde de carbone (CO₂) sont captées par la végétation terrestre grâce à la photosynthèse. Une équipe de chercheurs de l'UNIST a récemment dévoilé une nouvelle technique d'analyse fondée sur l'intelligence artificielle (IA) permettant de prédire cette capture de CO₂ avec une résolution temporelle élevée. Cette avancée est susceptible de jouer un rôle crucial dans les efforts de lutte contre le changement climatique et l'élaboration de politiques visant la neutralité carbone. Menée par le Professeur Jungho Im du Département de Génie Environnemental, Urbain et de Construction de l'UNIST, l'équipe a annoncé le développement d'un modèle IA capable d'estimer la production primaire brute (GPP) journalière à des intervalles horaires en utilisant des données météorologiques à haute fréquence issues de satellites géostationnaires. Leur article a été publié dans la revue Remote Sensing of Environment. La GPP est un indicateur majeur qui représente la quantité de carbone absorbe activement par les plantes lors de la photosynthèse. Elle est essentielle pour quantifier la séquestration de carbone des écosystèmes. Ce modèle innovant s'appui sur des observations réalisées toutes les 10 minutes par le satellite géostationnaire Himawari-8 pour prédire la GPP avec une précision temporelle remarquable. Selon Sejeong Bae, premier auteur de l'étude, "contrairement aux satellites polaires, qui observent généralement un lieu donné de une à quatre fois par jour, notre modèle bénéficie d'une collecte de données plus fréquente, ce qui nous permet d'estimer précisément les variations diurnes de la photosynthèse." Le modèle intègre diverses données météorologiques, notamment la profondeur optique des aérosols (AOD), un indicateur dérivé des satellites qui mesure la concentration de particules fines dans l'atmosphère. L'AOD influence la quantité et la qualité de la lumière solaire atteignant la surface en absorbant ou en diffusant la radiation solaire, affectant ainsi l'activité photosynthétique des plantes. Pour comprendre comment le modèle effectue ses prédictions, les chercheurs ont utilisé la méthode d'explication d'IA appelée SHapley Additive exPlanations (SHAP). Les résultats indiquent que l'AOD est le facteur le plus influent pendant les heures matinales et du soir, lorsque l'angle du soleil est faible. Cette constatation corrobore la compréhension que l'augmentation de la diffusion de la lumière lors de bas angles solaires rend la réponse photosynthétique des végétaux plus sensible aux aérosols atmosphériques. " Notre approche peut estimer la dynamique spatiale et temporelle de l'absorption de carbone en Asie de l'Est avec une résolution de 2 km sur 24 heures," a souligné le Professeur Im. "Cela en fait un outil précieux pour l'analyse des flux de carbone des écosystèmes, la surveillance de la végétation et la modélisation du carbone basée sur l'environnement photique." Cette technique de surveillance horaire pourrait révolutionner la façon dont les scientifiques et les décideurs comprennent et gèrent les cycles de carbone, offrant une vue beaucoup plus détaillée et temporellement précise des processus écologiques en jeu. En intégrant des données sur la pollution atmosphérique, elle permet également une meilleure compréhension de l'impact des aérosols sur l'activité photosynthétique, un élément crucial dans l'adaptation des mesures de mitigation climatique. En conclusion, ce modèle IA basé sur les données du satellite Himawari-8 est une avancée significative qui devrait contribuer de manière notable aux efforts de lutte contre les changements climatiques et à la prise de décision en matière de neutralité carbone.