L’étude « Sub-continental-scale carbon stocks of individual trees in African drylands » dans Nature démontre l’utilisation de l’apprentissage automatique pour localiser plus de 9,9 milliards d’arbres à travers l’Afrique subsaharienne, une zone équivalente à la partie continentale des États-Unis plus l’Alaska.

Les modèles précédents avaient sous-estimé les stocks de carbone des arbres dispersés dans cette zone en raison de l’utilisation de données spatiales plus grossières. Le succès de l’étude était dû à l’utilisation d’images satellites à haute résolution et à une conservation minutieuse des ensembles de données pour tenir compte de la variation des bandes spectrales, des conditions atmosphériques et des angles soleil-cible-satellite.

Les auteurs soulignent l’importance de tenir compte de toutes les sources de variation dans l’ensemble de données de formation pour un apprentissage automatique réussi. Cet article montre comment des techniques simples d’apprentissage automatique peuvent avoir un impact significatif lorsqu’elles sont associées à une conservation minutieuse des ensembles de données.

Sources:

• 📖 Paper

• 💻 Code

• 🗺️ Data viewer