Modélisation de la relation intensité et biomasse

4.1.1 Considérations générales . . . 77

4.1.2 Modèle polylog d’ordre 1 . . . 78

4.1.3 Intérêts et limites d’un modèle polarimétrique multivarié . . . 78

4.1.4 Choix d’un coefficient polarimétrique. . . 79

4.1.5 Intérêts et limites d’un modèle polylog . . . 80 4.2 Inversion en biomasse . . . 80

4.2.1 Inversion directe . . . 81

4.2.2 Approche bayésienne . . . 81

4.2.3 Intégration de la dispersion à l’inversion en biomasse . . . 82 4.3 Procédure d’inversion . . . 84

4.3.1 Récapitulatif de la méthode d’inversion. . . 84

4.3.2 Choix des sites d’apprentissage. . . 84

4.3.3 Généralisation du modèle d’inversion. . . 85 4.4 Résultats . . . 85

4.4.1 Résultats expérimentaux pour le site de Paracou . . . 86

4.4.2 Résultats expérimentaux pour le site de Nouragues. . . 97

4.4.3 Résultats expérimentaux pour les sites de la campagnes AfriSAR avec les données acquises par le DLR . . . 104

4.4.4 Résultats expérimentaux pour les sites de la campagne AfriSAR avec les données acquises par l’ONERA . . . 115

4.4.5 Résultats expérimentaux pour la totalité des sites expérimentaux . 127 4.5 Discussion et analyse. . . 135

CHAPITRE 4- Section 4.1 C.GELAS

Dans ce chapitre, nous allons explorer les méthodes les plus robustes pour estimer la biomasse forestière à partir d’un indicateur polarimétrique choisi. Les indicateurs les plus usités tels que leγ0ou le t⁰ont été présenté dans le chapitre1et permettent de relier les données PolSAR à une estimation de la biomasse forestière (AGB). Nous avons pris le parti d’étudier ici deux approches d’inversion distinctes, avec l’inversion directe basée sur l’utilisation d’un modèle de régression défini à partir de données d’apprentissage et l’inversion bayésienne basée sur une estimation du comportement forestier à l’aide d’un modèle électromagnétique numérique avancé (FNM-EM).

Ce chapitre est divisé en cinq parties. La première partie explique le lien qui existe entre les indicateurs polarimétriques présentés dans le chapitre1et la biomasse fores-tière. La deuxième partie présente deux méthodes d’inversion qui sont exploitées dans cette thèse pour l’estimation de la biomasse forestière. La troisième partie détaille les pro-cédures d’inversion développées dans ce document. La quatrième partie regroupe les ré-sultats obtenus sur les données présentées dans le chapitre2et ces derniers sont analysés et discutés dans la cinquième partie.

4.1 Modélisation de la relation intensité et biomasse

Dans cette partie, nous avons étudié les lois qui relient la biomasse aux indicateurs polarimétriques pour modéliser le comportement de ces derniers en fonction de la bio-masse forestière.

4.1.1 Considérations générales

Dans le chapitre1nous avons présenté un certain nombre d’indicateurs polarimé-triques qui permettent d’estimer la biomasse forestière à partir de données PolSAR tout en corrigeant des facteurs perturbateurs liés à la fréquence d’acquisition, la résolution et la géométrie des capteurs ainsi que les paramètres biogéophysiques locaux. Les nom-breuses études qui ont proposé des modèles d’inversion pour estimer la biomasse fores-tière ont permis de définir des généralités qui caractérisent la relation i⁰= f (AGB) où i⁰ représente n’importe quel indicateur polarimétrique exprimé en d B et AGB la biomasse au sol exprimée en t /ha. Ces généralités sont détaillées dans [1] et nous avons énuméré les principales ci-dessous.

1. L’indicateur polarimétrique i⁰ est borné par une valeur minimale et une valeur maximale

2. La fonction f (AGB) est monotone et croissante avec sa dérivée première f⁰positive 3. f (AGB) a une sensibilité décroissante à la biomasse ce qui implique que sa dérivée

seconde f⁰⁰est négative

4. Pour une biomasse élevée, f (AGB) croît plus lentement que toute puissance d’AGB [2]

5. f (AGB) est surjective ce qui signifie que, quelle que soit la valeur de l’indicateur polarimétrique, une valeur de biomasse lui est associée s’il respecte l’intervalle de valeur imposé par la première généralité.

Les modèles de régression qui ne respectent pas ces cinq généralités permettent ra-rement de généraliser la méthode à plusieurs sites. Généralement, ils font l’impasse sur les phénomènes physiques liés à l’observation PolSAR ou aux spécificités du terrain étu-dié. Nous avons donc préféré les écarter de notre étude. Les formules poly logarithmiques

dites polylog répondent à ces exigences et ce chapitre détaille leur utilisation pour l’esti-mation de la biomasse forestière.

4.1.2 Modèle polylog d’ordre 1

Tout d’abord utilisé pour l’estimation de l’AGB pour des forêts boréales, l’utilisation du modèle polylog d’ordre 1 a été étendu à l’estimation de l’AGB pour les forêts tropicales dans le but d’estimer la biomasse forestière. À partir de données terrain de références qui apportent l’information de biomasse et une extraction du i⁰correspondant, on peut estimer un modèle de régression linéaire polylog d’ordre 1 sous la forme de (4.1).

i⁰= a₁log₁₀(AGB) + a0 (4.1)

(4.1) est une relation semi-empirique bijective, car les coefficients a₀et a₁sont calcu-lés à partir des données terrain de référence. Par l’intermédiaire de ce modèle, on obtient une loi qui lie les données PolSAR à la biomasse forestière comme le montre la figure4.1

FIGURE4.1 – Coefficient de rétrodiffusion HV en bande P, rapporté à la biomasse aérienne pour des expériences menées dans six forêts différentes. Extrait de [3].

Dans le cas d’indicateurs polarimétriques simples tels queβ0ouγ0, le choix de la po-larisation de l’indicateur est important pour estimer au mieux la biomasse. Comme expli-qué dans le chapitre1, les études détaillées dans [3] ont montré que la polarisation la plus adaptée pour l’estimation de l’AGB dans ce cas-là est la polarisation, HV car elle est plus corrélée aux contributions de volume. Ce modèle polylog d’ordre 1 est très intéressant pour les zones d’observation où la biomasse n’excède pas les 300 t/ha. En effet, le mo-dèle polylog atteint le domaine de quasi-saturation à partir de 300 t/ha. Quand le momo-dèle de quasi-saturation est atteint, il est plus difficile de différencier les valeurs de biomasse propres à une valeur de i⁰données. Certains indicateurs polarimétriques retardent l’en-trée dans le domaine de quasi-saturation comme le t⁰par exemple.

4.1.3 Intérêts et limites d’un modèle polarimétrique multivarié

La question d’estimer la biomasse forestière en prenant en compte les contributions du sol ou de l’humidité s’est posée dans un premier temps pour les forêts boréales. Dans

CHAPITRE 4- Section 4.1 C.GELAS

[4] il a été démontré que l’utilisation des polarisations multiples dans le modèle d’inver-sion permet d’atténuer ces contributions pour focaliser l’estimation de biomasse sur les contributions volumiques des arbres. Pour les forêts boréales, les contributions du sol ou de l’humidité sont plus marquées sur les polarisations HH et VV. Un modèle d’inversion polylog simple qui combine plusieurs indicateurs polarimétriques (4.2) est proposé dans [4].

log₁₀(AGB) = a0+ a1γ0

HV+ a2(γ0

VV− γ⁰_HH) + a3u(γ0

VV− γ⁰_HH) (4.2) Les coefficients a_i sont définis à partir des données terrain, les pentes locales notées

u sont calculées à partir du DEM SRTM et les ratios VV/HH permettent de prendre en

compte la variabilité temporelle du signal, notamment due aux importants changements d’humidité du sol qui impactent sa contribution, mais aussi celle de double rebond. Les résultats obtenus pour les forêts boréales ont montré la robustesse de ce modèle de ré-gression. Avec les campagnes aéroportées TropiSAR et AfriSAR notamment, des études équivalentes ont été conduites pour les forêts tropicales. On peut citer [5] ou [6] qui ont proposé des modèles de régression pour les forêts tropicales. Ces études ont montré des résultats intéressants, mais pour des valeurs de biomasse inférieures à 300 t/ha.

L’utilisation des ratios polarimétriques (4.2) pour les forêts tropicales n’a pas permis de dégager de tendances pertinentes. Ces limites peuvent s’expliquer d’une part avec une dynamique du signal en fonction des conditions d’humidité du sol beaucoup moins im-portante qu’en milieu boréal, d’autre part avec une contribution du double rebond moins dépendante à la polarisation. L’utilisation d’un indicateur qui intègre au préalable toutes les corrections liées aux contributions de la géomorphologie du terrain est plus optimale que leγ0pour l’estimation de la biomasse forestière. On peut citer l’indicateur t⁰décrit dans [2] qui a été développé dans cette optique.

4.1.4 Choix d’un coefficient polarimétrique

Dans le cas des forêts tropicales, deux indicateurs polarimétriques se distinguent, le γ0en polarisation HV et le t⁰. L’un et l’autre peuvent être reliés à la biomasse par l’inter-médiaire du modèle (4.1).

On observe plusieurs limitations à l’utilisation de l’indicateur polarimétriqueγ0

HVpour l’estimation de la biomasse des forêts tropicales. Tout d’abord, on note que pour l’estima-tion des biomasses supérieures à 300 t/ha, le domaine de quasi-satural’estima-tion est très mar-qué. De plus, comme démontré dans [2] et expliqué dans le chapitre1, la forte pénétration de la bande P à travers le couvert forestier permet une très bonne estimation de l’AGB, mais implique la prise en compte des phénomènes de rétrodiffusion liés aux contribu-tions du sol. En bande P, la topographie du terrain impacte fortement les mesures PolSAR. Il a été démontré dans [7] que pour des pentes locales supérieures à 4°, l’indicateurγ0

HV

ne permet pas une estimation précise et robuste de la biomasse à partir du modèle de régression en polylog simple.

Pour ce qui concerne l’indicateur t⁰, comme expliqué dans le chapitre 1, il permet de corriger la géométrie locale, d’optimiser les contributions de volumes dans la polari-sation croisée HV en corrigeant les effets topographiques par l’intermédiaire du POA_t0. Il prend également en compte les variations angulaires et les contributions relatives aux mécanismes de diffusion. Les études réalisées dans le cadre de la mission BIOMASS ont montré que l’apport du t⁰pour les forêts tropicales était significatif seulement dans les cas où la topographie locale présente des pentes supérieures à 4°. Dans le cas contraire, il est préférable d’utiliser l’indicateurγ0comme démontré dans [7]. Cependant le t⁰atteint

le domaine de quasi-saturation moins vite que leγ0

HVce qui est un atout pour le suivi des zones de forêts tropicales denses.

L’indicateur t⁰a été choisi comme un indicateur privilégié pour cette thèse aux vues des données disponibles pour les forêts tropicales, décrites dans le chapitre 2, tout en prenant en compte la topographie terrain des sites de campagne et de la gamme de bio-masses étudiée.

4.1.5 Intérêts et limites d’un modèle polylog

Dans l’optique de définir un modèle d’inversion global pour toutes les forêts tropi-cales, nous avons utilisé la totalité des données de référence collectées lors des cam-pagnes TropiSAR et AfriSAR. Comme le montre la figure 4.2, le modèle logarithmique d’ordre 1 décrit dans (4.1) ne permet pas d’estimer la totalité des comportements de l’in-dicateur polarimétrique en fonction de la biomasse. En effet, si les contraintes de régres-sion permettent une très bonne estimation des valeurs de faibles biomasses, il y a une surestimation de la sensibilité de l’indicateur polarimétrique pour les fortes biomasses. Dans le cas contraire, si les contraintes de régression portent sur les valeurs de fortes bio-masses, ce sont les valeurs de faibles biomasses qui sont sous-estimées.

FIGURE4.2 – Coefficients de rétrodiffusion simulés exprimés en fonction de la biomasse forestière pour deux modèles de régression polylog d’ordre 1. Extrait de [1].

Pour répondre aux critères de régression fixés au début du chapitre, et estimer au mieux les valeurs de faibles et fortes biomasses, il est possible d’augmenter le degré de liberté (ddl) du modèle polylog proposé en (4.1). Le modèle de régression prend ainsi une forme polynomiale tout en conservant sa forme logarithmique.

i⁰[d B] = n X k=0

a_k. log^k₁₀(AGB[t /ha]) (4.3)