Google cartographie les haies utiles au climat

Google Research a publié le 16 juin une ressource ouverte issue de Google Earth AI pour transformer des cartes de paysages agricoles en inventaire vectoriel de haies, murs de pierre, bosquets et petits bois au Royaume-Uni. Le fait central est précis : l’équipe ne se contente plus de détecter des pixels de végétation. Elle publie un jeu de données vectorisé, donc composé de formes géométriques exploitables, afin d’aider propriétaires, chercheurs et collectivités à mesurer des éléments écologiques fins qui échappent souvent aux inventaires forestiers classiques.

L’enjeu est concret. Planter ou protéger des arbres ne se résume pas à créer de grandes forêts. Sur des terres agricoles, des haies et corridors boisés peuvent stocker du carbone, freiner l’érosion, abriter la biodiversité et relier des habitats, tout en laissant les champs produire. Mais ces structures sont petites, longues, parfois mélangées à des murs ou à des limites de parcelles. Les images satellite standard les repèrent mal, et une carte par pixels reste difficile à utiliser pour décider où restaurer, mesurer ou financer des actions locales.

Pour passer des pixels à la planification, Google décrit une chaîne de traitement mêlant apprentissage profond, imagerie submétrique, LiDAR à un mètre et Google Earth Engine. Le modèle a été affiné à partir du backbone Vision Transformer de Remote Sensing Foundations, préentraîné sur plus de 300 millions d’images satellite mondiales. Comme les annotations locales ne couvraient qu’environ 247 km², ce préentraînement sert de base visuelle avant d’apprendre les formes propres aux campagnes britanniques. La méthode ajoute ensuite un étiquetage en deux couches pour distinguer les limites au sol et les objets au-dessus, puis recolle les géométries coupées par les tuiles cartographiques.

La partie intéressante est la sémantique ajoutée aux formes. Un amas d’arbres, une haie et un bois n’ont pas le même rôle écologique. Google indique utiliser notamment le score de compacité de Polsby-Popper, une mesure géométrique, pour classer les contours détectés : bois continus, petits bosquets ou éléments linéaires comme les haies. Ce n’est pas une décision de restauration automatique, mais un outil de lecture du territoire. Il peut aider à prioriser des corridors pour la faune, à documenter du stockage carbone ou à vérifier que des gains locaux ne déplacent pas la pression écologique ailleurs. Le signal Mindshot est là : l’IA appliquée au climat devient moins spectaculaire et plus cadastrale, avec des données assez fines pour entrer dans les arbitrages de terrain.