Une équipe de chercheurs a mis au point une technique permettant de mesurer la teneur en sel des sols à l'échelle mondiale avec une précision remarquable, jusqu'à 10 mètres de profondeur. Cette avancée répond à un besoin crucial d'évaluations précises de la salinité des sols, un enjeu majeur qui affecte la productivité agricole et la santé des sols dans le monde entier.
La salinisation des sols, une forme de dégradation des terres, touche plus d'un milliard d'hectares à travers le monde, nuisant à la productivité agricole et à la santé de l'environnement. Les tentatives précédentes de cartographie de la salinité des sols se sont heurtées à des difficultés liées au manque de précision des données disponibles et à la complexité de représenter l'évolution continue des niveaux de salinité.
Face à ces difficultés, l'équipe de recherche a entrepris de créer un modèle utilisant des images Sentinel-1/2, des données climatiques, des informations topographiques et des algorithmes d'apprentissage automatique avancés. Leur objectif était d'estimer la salinité des sols dans cinq régions climatiques.
Les résultats ont été publiés dans un article paru le 28 mars 2024 dans le Journal of Remote Sensing. Cette recherche présente une innovation qui combine efficacement des canaux en spirale inclinés avec des réseaux de contraction-expansion périodiques.
Ce projet repose essentiellement sur l'intégration de données issues de diverses technologies de télédétection, notamment celles des satellites Sentinel-1/2, et sur l'utilisation stratégique d'algorithmes d'apprentissage automatique. Cette approche a permis de développer un modèle avancé capable de cartographier avec une précision remarquable la salinité des sols – une résolution de 10 mètres – même sous des climats très variés.
Cette méthode novatrice nous permet de dépasser largement les limites des travaux précédents, restreints par leur faible résolution et leur focalisation plus étroite sur l'analyse de la salinité des sols. Notre équipe de recherche, pleinement engagée, a constitué un vaste ensemble de données comprenant des informations sur les tendances climatiques mondiales, des mesures précises de la salinité des sols au niveau du terrain et un large éventail de variables géospatiales.
Grâce à l'algorithme Random Forest, le modèle excelle non seulement dans la prédiction de la salinité des sols avec une précision remarquable, mais aussi dans la mise en lumière du rôle crucial du climat, des niveaux des nappes phréatiques et des indices de salinité dans la formation des paysages de salinité des sols. Cette avancée représente un progrès considérable dans notre capacité à surveiller et à gérer la santé des sols à l'échelle mondiale.
Le professeur Zhou Shi, chercheur principal, a déclaré : “ Cette étude représente une avancée significative dans notre capacité à évaluer et à traiter la salinité des sols à l’échelle mondiale. En intégrant l’imagerie satellitaire à l’apprentissage automatique, nous pouvons désormais localiser les sols salins avec une précision et une granularité inégalées, ce qui fournit des informations précieuses pour des pratiques agricoles et foncières durables. ”
Les dernières recherches ont permis d'établir une carte mondiale de la salinité des sols à haute résolution. Cette carte constitue un outil précieux pour les scientifiques, les décideurs politiques et les agriculteurs. Elle les aide à lutter efficacement contre les problèmes de salinité des sols. En identifiant les zones à forte salinité, ils peuvent prendre des mesures ciblées pour restaurer la santé des sols.
De plus, elle favorise la mise en œuvre de pratiques agricoles durables et contribue à l'élaboration de stratégies de gestion des ressources. Par ailleurs, la méthodologie employée dans cette recherche établit une nouvelle norme en matière de surveillance environnementale, avec des applications potentielles pour d'autres évaluations de la dégradation des sols.
Plus d'informationsNan Wang et al., « Estimation globale de la salinité des sols à 10 m par télédétection multi-sources », Journal of Remote Sensing (2024). DOI : 10.34133/remotesensing.0130
Télédétection





