Érosion des sols: quantification par photographie aérienne

Pour comprendre les phénomènes environnementaux complexes, il ne suffit en général pas de traiter et d’analyser de gros volumes de données de capteurs. Il est souvent indispensable d’avoir recours à des observations sur le terrain. Sur la base de deux études de cas, le projet WeObserve a combiné et analysé de manière intégrée des données de capteurs dont l’exactitude est limitée avec des observations de terrain précises mais souvent fragmentaires.

Dans la première étude, nous avons développé un système de traitement dual afin d’effectuer une analyse à grande échelle de phénomènes d’érosion du sol dans les Alpes.

Dans la deuxième étude, nous avons intégré des données de capteurs et d’observations sur le terrain déjà existantes afin de mieux comprendre les migrations de masse des oiseaux migrateurs.

L’analyse des flux de données de capteurs est essentielle à une meilleure compréhension de nombreux phénomènes environnementaux. L’évaluation automatique de ces flux étant limitée, des corrélations complexes sont souvent impossibles à déceler. Le projet WeObserve a développé de nouveaux processus afin de combiner des données de capteurs nombreuses ainsi que des observations de terrain ponctuelles mais très précises et d’analyser de manière intégrée. Selon le domaine d'application, les informations sélectives proviennent de plus en plus de non-spécialistes qui documentent des observations pertinentes et complètent les sources de données existantes.

L’objectif du projet était le développement de processus à même de traiter, combiner et analyser autant des données de capteurs sur une grande échelle que des observations de terrain ponctuelles. Les deux études de cas ont

(a) permit une meilleure compréhension des processus d’érosion et

(b) amélioré les prévisions du modèle de migration spatial et temporel de diverses espèces d’oiseaux.

Le développement de nouvelles méthodes de traitement, d’intégration et d’analyse des flux de données hétérogènes et d’observations sur le terrain a permis d’acquérir de nouvelles connaissances en sciences de l’environnement. Ces deux études de cas ont amélioré, d’une part, la compréhension des écosystèmes alpins qui revêtent une grande importance pour la biodiversité et le régime des eaux. Elles ont permis, d’autre part, une meilleure connaissance des migrations annuelles des oiseaux afin de répondre à des questions sur l’utilisation durable de l’énergie éolienne ou la propagation de maladies par les oiseaux migrateurs.

Dans les deux cas, nous avons généré de nouvelles informations très utiles pour les universitaires, les praticien(ne)s et le public intéressé. Les méthodes mises au point sur la base de techniques d'apprentissage automatique et d'apprentissage profond fournissent des flux de travail permettant d'intégrer des ensembles de données hétérogènes et de faire progresser les possibilités actuelles afin de permettre de nouvelles applications et une analyse à grande échelle. Nos principaux résultats sont les suivants:

(a) Érosion du sol: En utilisant différents modèles, nous avons pu démontrer une augmentation de l'érosion du sol dans les pâturages alpins suisses au cours des dernières années. Pour la vallée d'Urseren en particulier, nous avons conclu que les sites touchés par l'érosion du sol ont augmenté de 156% à 201% entre 2000 et 2016. De plus, nous avons analysé dix pentes de pâturages à travers la Suisse afin d’identifier les facteurs de causalité d'un type d'érosion commun. Notre étude a révélé qu'en général, les informations sur le versant, son orientation ainsi que la rugosité du terrain, sont les facteurs les plus pertinents pour l'apparition de l'érosion, en plus d'autres facteurs spécifiques au site. Nous avons également démontré que notre approche entièrement automatisée basée sur les réseaux neuronaux permet d'identifier les sites d'érosion à un degré sans précédent.

(b) Observation des oiseaux: Nous avons évalué plusieurs approches pour modéliser l’observation des espèces d’oiseaux en Europe centrale. En tenant compte de la proportion de chaque espèce, nous avons examiné les biais inhérents aux données des sciences participatives, comme la forte corrélation entre les observations et la densité de population. Les résultats expliquent en grande partie la variation de l’abondance mensuelle de plusieurs espèces en fonction de l'environnement.

Migration des oiseaux: En incluant des informations météorologiques, nous avons étendu les modèles de processus gaussiens pour améliorer la prédiction de la vitesse de migration. Comme ces résultats sont généralement difficiles à visualiser et à interpréter, nous avons également développé une visualisation des voies de migration simulées.
Pour la première fois, les voies simulées utilisent l'incertitude du modèle. Ces nouveaux outils permettent d'étudier plus en détail la migration et l'abondance des oiseaux.

weObserve: Integrating Citizen Observers and High Throughput Sensing Devices for Big Data Collection, Integration, and Analysis