https://www.aquaportail.com/synonyme-11461-canopee.html ... 9 Figure 2: (a) probabilité qu'une impulsion retourne une hauteur selon une canopée toute plate. Une
impulsion peut forcément toucher la canopée avec la hauteur ℎ0 suivant une probabilité 𝑝0, dont 𝑝0 = 1. (b) ℎ0 est la valeur attendue de ℎ𝑚𝑎𝑥, peu importe le nombre de points
échantillonnés. ... 13 Figure 3: (a) Probabilité qu'une impulsion revienne à une hauteur h selon une canopée plate avec
une singularité. Une impulsion peut revenir à une hauteur ℎ0 ou ℎ1 suivant les probabilités 𝑝0 et 𝑝1. (b) La ℎ𝑚𝑎𝑥 a été simulée par Roussel et al (2017) en fonction du nombre de points utilisés n et la valeur h attendue a été calculée en utilisant l’équation ( 4 ). ... 14 Figure 4: (a) Probabilité d'une impulsion retourne une hauteur selon une canopée à deux
singularités. Une impulsion peut retourner trois valeurs de hauteur : ℎ0, ℎ1, ℎ2 avec une probabilité respective de 𝑝0, 𝑝1, 𝑝2. (b) Graphique de Roussel et al (2017) qui représente la hauteur maximale observée qui a été simulée, ℎ a été calculée avec l’équation ( 8 ). ... 16 Figure 5: (a) Probabilité d'une impulsion retourne une hauteur h selon une canopée continue (b) la
hauteur attendue a été calculée par Roussel et al (2017) avec l’équation ( 10 ). ... 17 Figure 6: effet de la taille de l'empreinte sur la hauteur maximale observée ℎ𝑚𝑎𝑥. La couleur
orange en arrière-plan appartient à une empreinte dix fois plus grande que les petites empreintes. Les colonnes rouges appartiennent aux impulsions de faible empreinte.
L’empreinte la plus grande a une forme d’onde plus large car l’intensité est intégrée sur une plus grande surface. Par conséquent, la grande empreinte sous-estime la hauteur maximale enregistrée par les plus petites empreintes, cela signifie que la hauteur du pic de la forme d’onde orange est inférieure au pic rouge le plus élevé. ... 18 Figure 7: emplacement des données LiDAR ... 21 Figure 8: affichage sur le logiciel R de l’ensemble des données LiDAR. ... 22 Figure 9: Illustration de Véga et al (2014) de l'effet de la normalisation sur la géométrie du nuage
de points dans le cas de fortes pentes. ... 26 Figure 10 : résultat de la normalisation d'une partie des données affichées sur le logiciel Quick
Terrain Reader ... 26 Figure 11 illustration qui montre le principe du modèle de hauteur de canopée, source:
https://www.researchgate.net/figure/Illustration-du-principe-de-creation-du-MNC-a-partir- des-MNS-et-MNT_fig1_301228831 ... 27
66 Figure 12: graphique des hauteurs de chaque impulsion en fonction des probabilités de chaque
retour associé à une hauteur donnée suivant une canopée de forêt tropicale au Brésil, calculé avec une résolution de pixel de 400 m² ... 31 Figure 13: résultats de Roussel et al (2017) : graphique des hauteurs de chaque impulsion en
fonction des probabilités de chaque retour associé à une hauteur donnée suivant une canopée de forêt typique d’Amérique du Nord, calculé avec une résolution de pixel de 400 m². ... 31 Figure 14: évaluation du biais de l’estimation de la hauteur maximale avec une résolution de 400
m² en fonction de la densité d’impulsions ... 32 Figure 15: évaluation du biais de l’estimation de la hauteur maximale avec une résolution de 4 m²
en fonction de la densité d’impulsions ... 33 Figure 16 : résultats de Roussel et al (2017): évaluation du biais de l’estimation de la hauteur
maximale en fonction de la densité d’impulsions... 33 Figure 17: Retour de la forme des impulsions (Fallah et Onur (2011)) ... 38 Figure 18: cartographie de la biomasse aérienne à partir des données LiDAR de densité de 1 point /
m² ... 47 Figure 19: cartographie de la biomasse forestière à partir de densité de 18 points / m² ... 48 Figure 20: répartition de la biomasse aérienne sur toute la zone d'étude pour différentes densités de
points issues du même jeu de données avec un modèle non linéaire basé sur les percentiles de hauteur. Densité 1, 3, 7, 18 correspondent aux données de biomasse issues de différentes densités de données LiDAR, par exemple densité 1 représente les données de biomasse issues de densité de 1 point / m². ... 49
67
Estimation de la biomasse forestière du Brésil à partir des données LiDAR.
Mémoire d'Ingénieur C.N.A.M., Le Mans 2019
_________________________________________________________________
RESUME
Les forêts tropicales sont considérées comme des stocks de carbone et biodiversité importants. Le LiDAR est une technologie qui permet de quantifier la biomasse forestière sur de grands territoires. L’estimation de la biomasse aérienne dépend de l’estimation de la hauteur qui est elle-même influencée par la densité de points acquis par LiDAR aérien. Le modèle mathématique de cette étude permet d’évaluer la précision de l’estimation de la hauteur maximale de la canopée en fonction de la densité de points. Ce mémoire montre que le biais de l’estimation de la hauteur est moins important en forêt tropicale qu’en forêt boréale du Nord du Canada. Ce phénomène est certainement dû à la forme de la canopée qui diffère puisque la forêt du nord du Canada contient des conifères de forme triangulaire, alors que la forêt tropicale du Brésil présente une canopée plutôt plate. Cette étude montre ensuite l’effet de l’estimation de la hauteur sur la biomasse forestière du Brésil. La sous-estimation est en moyenne 50 Mg / ha pour les données de densité de 1 point / m², mais à partir de 3 points / m² la sous-estimation est quasiment négligeable. Le biais de l’estimation de la biomasse aérienne ne parait donc peu important sur des données à faible densité. Cette étude démontre qu’il n’est donc pas nécessaire d’acquérir de données à haute densité sur la forêt Atlantique du Brésil pour une étude de biomasse basé sur l’estimation de la hauteur.
Mots clés : forêts, LiDAR, biomasse aérienne, canopée, densité de points, hauteur, estimation.
_________________________________________________________________
SUMMARY
Tropical forests are considered important stocks of carbon and biodiversity. LiDAR is a technology that quantifies forest biomass in large areas. The estimation of aboveground biomass depends on the estimation of height which is itself influenced by the density of points acquired by aerial LiDAR. The mathematical model of this study evaluates the accuracy of estimating the maximum height of the canopy according to point density. This essay shows that the bias in height estimation is less in tropical forest than in boreal forest in northern Canada. This is certainly due to the different shape of the canopy, since the forest in northern Canada contains triangular conifers, while the Brazilian rainforest presents a rather flat canopy. This study then shows the effect of height estimation on forest biomass in Brazil. The underestimation is on average 50 Mg / ha for density data of 1 point / m², but from 3 points / m² the underestimation is almost negligible. However, the bias of aboveground biomass estimation does not appear to be important on low density data. Therefore, this study shows that it is not necessary to acquire high-density data on the Atlantic forest of Brazil for a biomass study based on height estimation.
Key words : forests, LiDAR, aboveground biomass, canopy, point density, height, estimation.