5.3 Caract ´eristiques de la v ´eg ´etation
5.3.3 La densit ´e foliaire et l’indice de surface de feuille
La densit ´e foliaire est li ´ee `a l’indice de surface de feuille (LAI) selon Guenther et al. (1995) : LAI = Df Sf [m 2 feuille m−sol2] (5.5) o `u
Df est la moyenne mensuelle de la densit ´e foliaire [gms (mati `ere s `eche) m−sol2] et
Sf est le poids sp ´ecifique de la feuille [g m−2 ]. Les valeurs deSf, pour chaque ´ecosys-t `eme d’Olson, son´ecosys-t es´ecosys-tim ´es selon Box (1981); Guen´ecosys-ther e´ecosys-t al. (1995). Les valeurs adopt ´ees pour Sf sont typiquement 150 g m−2 pour les r ´esineux sempervirents, 100 g m−2 pour les feuillus sempervirents et 125 g m−2 pour les caducifoli ´es, les broussailles, les herbes et les cultures.
Dans les sous-sections suivantes, nous pr ´esentons trois estimations de la distri-bution de l’indice de surface de feuille bas ´ees sur les mesures par satellite de NDVI (Normalized Difference Vegetation Index) ou de GVI (Global Vegetation Index).
Nous noterons ces trois estimations respectivement«LAI-Myneni»,«LAI-G95 (CRU)»
et «LAI-G95 (LC)» en fonction des algorithmes et des climatologies utilis ´es pour ces estimations.
Les mesures AVHRR
L’instrument AVHRR (Advanced Very High Resolution Radiometer) `a bord des satel-lites `a orbite polaire NOAA (National Oceanic and Atmospheric Administration) balaye
la Terre `a une altitude d’environ 833 km. Il mesure les rayonnements dans diff ´erentes bandes spectrales `a une r ´esolution allant jusqu’ `a environ 1 km au nadir.
NDVI L’indice de v ´eg ´etation appel ´e NDVI est une mesure de la pr ´esence de v ´eg ´etation. Il est d ´efini comme
ρN IR−ρR
ρN IR +ρR (5.6)
o `u ρN IR et ρR sont les r ´eflectances dans les bandes spectrales du proche infrarouge (NIR) (0.725-1.1 µm) et du rouge (0.58-0.68 µm) respectivement. Le GVI est li ´e au NDVI par (Guenther et al., 1995) :
GV I = 100(1 +NDV I) (5.7) Le principe est bas ´e sur les propri ´et ´es d’absorption du rayonnement par les feuilles dans ces deux gammes de longueur d’onde (Tucker , 1979). Les r ´eflectances sont cor-rig ´ees pour tenir compte des propri ´et ´es de l’atmosph `ere (absorption, diffusion).
LAI-Myneni
Des algorithmes ´elabor ´es permettent de d ´eterminer l’indice de surface de feuille `a partir de mesures de l’indice NDVI (Myneni et al., 1995, 1997). Le principe est le sui-vant. Une classification des ´ecosyst `emes, compatible avec ces algorithmes, doit d’abord ˆetre d ´evelopp ´ee. Les ´ecosyst `emes sont class ´es en 6 types d ´ependant de la structure de leur canop ´ee : (1) herbes/cultures c ´er ´eali `eres, (2) broussailles, (3) cultures `a larges feuilles, (4) savanes, (5) for ˆets de feuillus et (6) for ˆets de conif `eres. Un mod `ele de trans-fert radiatif dans la canop ´ee capable de simuler l’absorption et la diffusion dans ces six classes structurales est n ´ecessaire pour estimer l’indice de surface de feuille `a par-tir des mesures de r ´eflectance. La variation saisonni `ere de l’indice NDVI permet de s ´eparer les zones de v ´eg ´etation des zones sans v ´eg ´etation. Le globe est divis ´e en trois zones (tropicale, temp ´er ´ee et bor ´eale) sur base de la dur ´ee de la p ´eriode de gel. Dans chaque zone, les for ˆets sont d’abord s ´electionn ´ees `a partir de la valeur de l’in-dice NDVI lorsque la temp ´erature de surface est maximale. Dans les r ´egions temp ´er ´ees et bor ´eales, la distinction entre feuillus et conif `eres est effectu ´ee sur base de la va-leur de la r ´eflectance dans le proche infrarouge lorsque l’indice NDVI est maximal. Les zones non foresti `eres sont class ´ees en savanes, cultures `a larges feuilles, broussailles et herbes/cultures c ´er ´eali `eres. La distinction entre ces diff ´erents types de v ´eg ´etation est effectu ´ee gr ˆace `a la valeur de la r ´eflectance dans le rouge lorsque l’indice NDVI est maximal. Les r ´esultats indiquent que cet algorithme identifie avec succ `es les biomes 2, 5 et 6 dans 75% des cas. Par contre, les cultures `a larges feuilles sont identifi ´ees comme des for ˆets dans 40% des cas.
Cette classification des ´ecosyst `emes a l’avantage d’ ˆetre simple et op ´erationnelle. Le principal d ´esavantage de cet algorithme est la validit ´e limit ´ee des seuils de l’indice NDVI
L’indice de surface de feuille est ensuite estim ´e `a l’aide des algorithmes d ´ecrits par
Myneni et al. (1995, 1997). Sa valeur ainsi estim ´ee varie entre 0.1 et 6 m2feuille m−sol2, avec
une incertitude de 50%. Ces estimations sont valables pour les ´ecosyst `emes connais-sant un maximum saisonnier. Ces donn ´ees d’indice de surface de feuille (LAI) sont disponibles, pour chaque mois de juillet 1981 `a mai 2001, sur les sites :
http ://cybele.bu.edu/modismisr/products/avhrr/avhrrlaifpar.html et
ftp ://crsa.bu.edu/pub/rmyneni/myneniproducts/datasets/AVHRR DATASETS/ PATHFINDER/VERSION3 DATA/
La r ´esolution spatiale est de 0.5°×0.5°. Les moyennes sur 20 ans des valeurs men-suelles seront utilis ´ees dans ce travail. Dans la suite, nous noterons cette estimation de l’indice de surface de feuille «LAI-Myneni»
LAI-G95
Guenther et al. (1995) estiment l’indice de surface de feuille `a l’aide de l’ ´equation
5.5, `a partir de la densit ´e foliaire. Cette derni `ere est estim ´ee `a partir des mesures de la temp ´erature, des pr ´ecipitations et de l’indice de v ´eg ´etation GVI. Le pic annuel de la densit ´e foliaire est d ´etermin ´e `a partir la productivit ´e primaire nette (NPP3) annuelle en chaque point de grille (0.5°×0.5°). Celle-ci est estim ´ee suivant les algorithmes empi-riques de Lieth (1975) comme
NP P = min (NP PT, NP PP) [gms m−2 an−1] (5.8) o `u NP PT = 3000 1 + exp (1.315−0.119T) [gms m −2 an−1] (5.9) et NP PP = 3000 [1−exp (−0.000664P)] [gms m−2 an−1] (5.10)
T etP sont ici la temp ´erature moyenne annuelle [°C] et le taux de pr ´ecipitation cumul ´ee sur l’ann ´ee [mm].
La Figure 5.6 illustre les distributions de la productivit ´e primaire nette obtenues `a l’aide des climatologies CRU et de Leemans et Cramer (LC). Les deux distributions sont tr `es similaires. Notons simplement de l ´eg `eres diff ´erences sur l’Amazonie et l’Afrique centrale, qui sont li ´ees aux l ´eg `eres diff ´erences de temp ´erature et de pr ´ecipitation entre CRU et Leemans et Cramer (LC).
Le pic de la densit ´e foliaire est le maximum de la moyenne mensuelle de la densit ´e foliaire au cours de l’ann ´ee. Il est estim ´e comme
Dp =DrNP P [gmsm−sol2] (5.11)
NPP - CRU Min = 0.0 Max = 2622.0 0 250 500 750 1000 1250 1500 1750 2000 2250 2500 (g m an )ms -2 -1 NPP - LC Min = 0.0 Max = 2697.4 0 250 500 750 1000 1250 1500 1750 2000 2250 2500 (g m an )ms -2 -1 a b
FIG. 5.6: Comparaison de la productivit ´e primaire nette (NPP) obtenue `a l’aide des
climatologies CRU (a) et de Leemans et Cramer (LC) (b).
o `uDrest un coefficient empirique d ´ependant de l’ ´ecosyst `eme [an] dont les valeurs sont obtenues de Guenther et al. (1995). Elles sont plus grandes que 1 pour les ´ecosyst `emes domin ´es par les plantes qui retiennent leur feuillage plus d’un an.
La densit ´e foliaire, tout comme l’indice de surface de feuille (LAI), peut varier consi-d ´erablement avec la saison et consi-d’une ann ´ee `a l’autre (Burton et al., 1991). Ces variations peuvent ˆetre estim ´ees `a partir des mesures par satellite de GVI.
La moyenne mensuelle de la densit ´e foliaire (Df), en chaque point de grille, est li ´ee `a l’indice GVI et est estim ´ee selon Guenther et al. (1995).Df est n ´egligeable quand la moyenne mensuelle du GVI (G) est inf ´erieure `a un seuilG2 et augmente exponentielle-ment au-del `a : Df = ( 0 si G < G2 Dp h 2GmaxG−G−2G2 −1 i si G > G2 [gms m −2 sol] (5.12) o `uGmax est le maximum des moyennes mensuelles de l’indice GVI (G) estim ´ees durant l’ann ´ee.
Les valeurs de G2 ont ´et ´e d ´etermin ´ees par Guenther et al. (1995) : G2 = 110 pour les r ´egions bois ´ees etG2 = 102 pour tous les autres ´ecosyst `emes.
Deux bases de donn ´ees de l’indice NDVI sont `a notre disposition :
– les donn ´ees disponibles, pour chaque mois de juillet 1981 `a mai 2001, sur les sites :
http ://cybele.bu.edu/modismisr/products/avhrr/avhrrlaifpar.html et
ftp ://crsa.bu.edu/pub/rmyneni/myneniproducts/datasets/AVHRR DATASETS/ PATHFINDER/VERSION3 DATA/
mensuelles seront utilis ´ees dans ce travail. Ces donn ´ees combin ´ees `a l’estimation de la productivit ´e primaire nette `a l’aide de la climatologie CRU nous donneront une estimation de l’indice de surface de feuille que nous noterons dans la suite
«LAI-G95 (CRU)».
– les donn ´ees utilis ´ees par Guenther et al. (1995) bas ´ees sur les estimations de l’indice GVI de Gallo (1992) (NOAA/NESDIS National Environmental Statellite, Data, and Information Service) pour l’ann ´ee de r ´ef ´erence 1990. Ces donn ´ees, `a haute r ´esolution (0.167°×0.167°) ont ´et ´e adapt ´ees `a notre grille 0.5°×0.5°. Elles sont disponibles sur le site :
http ://www.ngcd.noaa.gov/seg/eco/cdroms/ged iia/datasets/a02/mev.htm
En accord avec Guenther et al. (1995), l’indice de surface de feuille est estim ´ee `a l’aide de ces valeurs et de l’estimation de la productivit ´e primaire nette bas ´ee sur la climatologie de Leemans et Cramer (LC). Dans la suite, nous noterons ces estimations«LAI-G95 (LC)».
Comparaison des distributions de l’indice de surface de feuille La Figure 5.7 compare les distributions obtenues pour le mois de juillet. De mani `ere g ´en ´erale, les deux distributions bas ´ees sur l’algorithme de Guenther et al. (1995) (LAI-G95 (CRU) et LAI-G95 (LC)) sont similaires. Elles sont toutes deux plus contrast ´ees et montrent des valeurs sup ´erieures aux valeurs pr ´edites par l’algorithme de Myneni et al. (1995, 1997) (LAI-Myneni). Rappelons que cet algorithme impose une limite sup ´erieure ´egale `a 6.0 m2feuille m−sol2. L’indice de surface de feuille calcul ´ee selon Guenther et al. (1995) atteint 10 m2feuille m−sol2 sur les for ˆets tropicales humides. Cependant, elle est inf ´erieure `a
3 m2feuille m−sol2 en Sib ´erie Orientale et en Alaska en juillet, alors que les valeurs pr ´edites
par Myneni et al. (1995, 1997) avoisinent 6.0 m2feuille m−sol2.
En g ´en ´eral, la LAI-G95 (LC) est l ´eg `erement inf ´erieure `a la LAI-G95 (CRU). Ces r ´esultats sont li ´es en partie aux diff ´erences entre les mesures par satellite sur lesquelles ces distributions sont bas ´ees : une moyenne sur 20 ans dans le cas de LAI-G95 (CRU) et une ann ´ee particuli `ere (1990) dans le cas de LAI-G95 (LC). D’autre part, nous avons vu qu’il existe de l ´eg `eres diff ´erences entre les distributions de la productivit ´e primaire nette (NPP) d ´eriv ´ees des climatologies CRU et de Leemans et Cramer (LC) (Cf. Figure 5.6).
Comparaison avec des mesures sur le terrain Etant donn ´ees les tr `es grandes diff ´erences entre les distributions de l’indice de surface de feuille, nous les avons con-front ´ees `a des mesures sur le terrain.
Une base de donn ´ees de mesure de l’indice de surface de feuille a ´et ´e cr ´e ´ee par l’ORNL – DAAC (Oak Ridge National Laboratory – Distributed Active Archive Center). Elle inclut approximativement 1000 estimations publi ´ees de l’indice de surface de feuille sur environ 450 sites de mesure, couvrant la p ´eriode de 1932 `a 2000 (Scurlock et al., 2001). Elle est disponible sur le site internet :
LAI-Myneni Juillet Min = 0.0 Max = 6.0 0 1 2 3 4 5 6 7 8 9 10 (m2 m-2 ) feuille sol LAI-G95 (CRU) Juillet Min = 0.0 Max = 18.7 0 1 2 3 4 5 6 7 8 9 10 (m2 m-2 ) feuille sol LAI-G95 (LC) Juillet Min = 0.0 Max = 17.2 0 1 2 3 4 5 6 7 8 9 10 (m2 m-2 ) feuille sol c b a
FIG. 5.7: Distributions de l’indice de surface de feuille bas ´ees sur les mesures AVHRR,
(a) obtenue par Myneni et al. (1995, 1997), et (b) et (c) obtenues selon l’algorithme de
Guenther et al. (1995) utilisant les estimations de la productivit ´e primaire nette bas ´ees
sur les climatologies CRU et de Leemans et Cramer (LC), respectivement (juillet). Les croix sur la figure bindiquent les sites de mesure de l’indice de surface de feuille sur le terrain s ´electionn ´es `a partir des donn ´ees ORNL – DAAC. Les croix rouges indiquent les sites pour lesquels la p ´eriode de mesure est connue et les croix bleues indiquent les sites dans les for ˆets tropicales humides.
Pour notre comparaison, nous avons s ´electionn ´e d’une part, les donn ´ees pour les-quelles la p ´eriode de mesure est connue et appropri ´ee pour la comparaison, et d’autre part, les sites des for ˆets tropicales humides. Nous les noterons«LAI-terrain». La Figure 5.7bindique par les croix les sites que nous avons repris pour notre comparaison.
La Figure 5.8 compare les mesures sur le terrain avec les estimations LAI-Myneni (en bleu) et LAI-G95 (CRU) (en rouge) pour diff ´erentes bandes de latitude. En g ´en ´eral, les deux algorithmes bas ´es sur la t ´el ´ed ´etection tendent `a surestimer l’indice de sur-face de feuille, en particulier aux latitudes moyennes et ´elev ´ees, et aux Tropiques dans le cas de LAI-G95. L’algorithme de Myneni et al. (1995, 1997) (LAI-Myneni) reproduit ´egalement particuli `erement mal la variabilit ´e observ ´ee sur le terrain, quoiqu’il convienne de rappeler que l’on compare ici des mesures locales (dans le temps et l’espace) avec des estimations climatologiques `a une r ´esolution d’environ 50 km×50 km. En d ´epit de cette difficult ´e, il apparaˆıt probable que l’algorithme de Myneni et al. (1995, 1997) sures-time l’indice de surface de feuille aux latitudes ´elev ´ees, tandis que LAI-G95 le suressures-time
`a toutes les latitudes.
Ceci nous informe des grandes pr ´ecautions `a prendre lors de l’analyse des r ´esultats obtenus pour les ´emissions de compos ´es organiques volatils biog ´eniques en utilisant les estimations obtenues par t ´el ´ed ´etection.