Algorithme d’inversion des données PolSAR bande P en biomasse des forêts
4.5 Discussion et analyse
Dans ce chapitre consacré à l’estimation de la biomasse forestière, nous avons étudié le comportement des indicateurs polarimétriques,γ0et t0, à travers les méthodes d’in-version directe et bayésienne, sur plusieurs sites d’acquisitions de données PolSAR en bande P. L’enjeu de cette étude était d’obtenir une tendance comportementale stable et répétée malgré les spécificités d’acquisitions des données, les particularités des biomes considérés et les impacts environnementaux particuliers à chacune des campagnes d’ac-quisitions.
Dans un premier temps, chacun des jeux de données disponibles a été considéré indé-pendamment des autres. Les particularités intrinsèques des indicateurs polarimétriques ont ainsi pu être déterminées et étudiées dans différentes configurations d’acquisitions, d’orientation angulaire et pour différents types de structures. L’indicateurγ0, très simple d’utilisation a, à ce titre, montré des lacunes pour l’estimation des fortes biomasses ou encore sur des terrains accidentés. L’indicateur t0dont les performances ont été décrites au cours de ce chapitre, a quant à lui, montré une forte sensibilité à la biomasse tropicale cumulée à une bonne capacité de minimisation des effets topographiques, ce qui conduit à une meilleure estimation de la biomasse que l’utilisation duγ0.
Dans un second temps, les jeux de données ont été considérés dans un protocole glo-bal visant à déterminer un modèle d’inversion unique, spécifique aux forêts tropicales, à travers l’utilisation des indicateursγ0et t0. Les résultats obtenus permettent d’envisa-ger une chaîne d’inversion globale à toutes les structures de forêts tropicales dans le cas d’une utilisation conjointe de l’indicateur t0et de la méthode d’inversion bayésienne qui prend en compte les spécificités d’acquisition du biome considéré à travers ses fonctions de vraisemblance. Cette étude est très intéressante en ce qui concerne la calibration des modèles de régression avec les super-sites de forêt, en conformité avec un possible pro-tocole de traitement des futures données BIOMASS.
Les conclusions établies à travers ces deux études nous rapprochent de l’objectif ini-tial de cette thèse pour le développement d’un algorithme global et transposable pour l’estimation de la biomasse forestière. Il serait intéressant de compléter cette étude à tra-vers une estimation des impacts des conditions d’acquisitions sur les indicateurs polari-métriques et l’estimation de la biomasse. Quantifier l’impact de la direction d’acquisition des données sur la minimisation des effets topographiques dans l’estimation du t0serait notamment intéressant dans le cadre d’une étude sur la paramétrisation des fonctions de vraisemblance.
Pour compléter ce chapitre, il aurait également été intéressant de consacrer une étude au calcul des incertitudes d’estimation de la biomasse liées aux méthodes d’inversions. En effet, des incertitudes d’estimation, relatives aux conditions d’acquisition des données, et aux traitements qui leurs sont appliqués, devraient être prises en compte à chacune des étapes de l’estimation de la biomasse forestière. Ce sujet n’a pas été traité ici, car il dépassait le cadre initial établi pour cette thèse et aurait nécessité un temps de travail trop important avec les délais fixés. De plus, la quantité limitée de données en bande P disponibles ainsi que les spécificités des différentes campagnes d’acquisition rendent cette étude trop spécifique pour les objectifs de globalisation prévus initialement dans thèse. Néanmoins, les incertitudes liées à la méthode proposée ici peuvent se calculer sur la base des intervalles de crédibilité à travers le processus d’inversion bayésienne, définissant les incertitudes pour les biomasses estimées [15].
4.6 Références
[1] L. Villard. Biomass estimation for tropical forest. Interim report in the framework of
the L2 ESA project to prepare the BIOMASS mission, 2017.iii,77,80,83
[2] L. Villard ; T. LeToan. Relating P-band SAR intensity to biomass for tropical dense forest in hilly terrain :γ0et t0? IEEE Journal of selected topics in applied earth
obser-vations and remote sensing, 8(1) :214 – 223, Jan 2015. 77,79,86
[3] T. Le Toan ; S. Quegan ; M.W.J Davidson ; H. Balzter ; P. Paillou ; S. Plummer ; K. Pa-pathanassiou ; F. Rocca ; S. Saatchi ; H. Shugart ; L. Ulander. The BIOMASS Mission : mapping global forest biomass to better understand the terrestrial carbon cycle.
Re-mote Sensing of Environment, 115 (11) :2850 – 2860, 2011. 78,86
[4] M.J Soja ; G. Sandberg ; L.M.H Ulander. Biomass retrieval for boreal forests in sloping terrain using P-band SAR backscatter. IEEE transaction on geoscience and remote
sensing, 2012. 79
[5] D.H Hoekman ; M.J Quiñones. Land cover type and biomass classification using Air-SAR data for evaluation of monitoring scenarios in the colombian amazon. IEEE
Transactions on Geoscience and Remote Sensing, 38(2) :685–696, 2000. 79
[6] S. Saatchi ; K. Halligan ; D.G Despain ; R.L Crabtree. Estimation of forest fuel load from radar remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 45(6) :1726–1740, 2007. 79
[7] European Space Agency. Biomass coreh2o premier : report for mission selection. An
Earth Explorer to observe forest biomass. European Space Agency, may 2012. 79
[8] D.P Dias ; R.A Marenco. Tree groth, wood and bark water content of 28 amazo-nian tree species in response to variations in rainfall and wood density.
iForest-Biogeosciences and Forestry, 9(3) :445, 2016. 82
[9] M.A. Tanase ; L. Villard and al. Synthetic aperture radar sensitivity to forest changes : A simulations-based study for the romanian forests. Science of The Total
Environ-ment, 689 :1104 – 1114, 2019. 82
[10] L. Villard ; T. Le Toan ; D. Ho Tong Minh ; S. Mermoz and A. Bouvet. 9 - Biomasse des forets par télédétection radar. In Nicolas Baghdadi and Mehrez Zribi, editors,
Observation des surfaces continentales par télédétection. ISTE Editions, 2016. iii,82
[11] S. Mermoz ; M. Réjou-Méchain ; L. Villard ; T. Le Toan ; V. Rossi ; S. Gourlet-Fleury. Decrease of L-band SAR backscatter with biomass of dense forests. Remote Sensing
of Environment, 159 :307–317, 2015. 82
[12] J. Chave ; S.J. Davies ; O.L. Phillips ; S.L. Lewis ; P. Sist ; D. Schepaschenko ; J. Arm-ston ; T.R. Baker and al. Ground data are essential for BIOMASS remote sensing Mis-sions. Surveys in Geophysics, 40(4) :863 – 880, 2019. 127,134
[13] D. Schepaschenko ; J. Chave. FOS : Forest Observation System. https:// forest-observation-system.net/[Accessed : Whenever].127,134
CHAPITRE 4- Section 4.6 C.GELAS
[14] D. Shepaschenko ; J. Chave ; O.L. Phillips and al. The forest observation system, buil-ding a global reference dataset for remote sensing of forest biomass. Sci Data, 6(198), 2019. 134
[15] A. Bouvet ; S. Mermoz ; T. Le Toan ; L. Villard ; R. Mathieu ; L. Naidoo ; G.P Asner. An above-ground biomass map of african savannahs and woodlands at 25 m resolution derived from ALOS-PALSAR. Remote Sens. Environ., 206 :156 – 173, 2018. 135
Perspectives et discussions
Sommaire
5.1 Applications liées au filtrage . . . 139
5.1.1 Classification forêt / non forêt . . . 139
5.1.2 MNT à partir des données bande P . . . 140
5.2 Perspectives d’améliorations de l’inversion en biomasse. . . 141
5.2.1 Correction du géoréférencement des données PolSAR . . . 141
5.2.2 Calcul des incertitudes d’estimation de la biomasse liées à la mé-thode d’inversion . . . 143
5.2.3 Étude de la synergie des indicateurs de biomasse . . . 143
CHAPITRE 5- Section 5.1 C.GELAS
Ce dernier chapitre porte sur les différents travaux que l’on pourrait envisager dans la continuité de cette thèse. Certains ont déjà fait l’objet de recherches et de publications préliminaires sur lesquelles on pourrait s’appuyer.
Il est divisé en deux parties distinctes, l’une liée aux applications qui pourraient dé-couler de l’utilisation du filtre MCMT, développé dans cette thèse et présenté dans le cha-pitre3, et l’autre aux perspectives d’amélioration de l’inversion des données PolSAR en cartes de biomasse. Dans la première partie, deux idées sont développées et portent sur la classification forêt / non forêt et l’estimation d’un MNT sous forêt à partir des données PolSAR. Dans la seconde partie, trois axes sont développés autour de l’amélioration du géoréférencement des données PolSAR avec des données issues d’autres capteurs, l’esti-mation des incertitudes liées à l’estil’esti-mation de la biomasse forestière et l’amélioration de l’estimation de la biomasse basée sur la synergie des indicateurs de biomasse.