1.5 C ONCLUSION
2.3.5 Validation par photo-interprétation
Aux vues de la carte produite, nous constatons beaucoup de zones sensibles (59,7% de l’île de Bornéo). Cependant, il faut garder en mémoire que la carte produite comporte des plantations forestières et les forêts exploitées.
Afin de valider une seconde fois la classification produite, nous avons par photo-interprétation réalisé des points de contrôle. Ces points de contrôle ont été interprétés en utilisant des images satellites haute résolution réparties en 2019. Elles sont issues de la plateforme Planet qui fournit des images satellites de 3 mètres de résolution. Les points de contrôle ont alors été sélectionnés selon leur appartenance à la classe HCS ou non. Nous avons ainsi collecté 200 points de contrôles, 100 en zones HCS et 100 en zone non HCS. Lors de cette sélection, j'ai
échantillonné l’ensemble des classes sans me focaliser sur les classes limites entre les deux Figure 30 - Classification de l'île de Bornéo pour l'année 2019, avec en blanc les zones à surveiller et en noir les zones Non-HCS. Les points rouges correspondent aux zones non HCS, les verts les zones HCS, déterminer par photo-interprétation pour contrôler la carte produite.
59
classes, leur photo-interprétation étant trop difficile. Il en résulte la matrice de confusion suivante :
Tableau 17 - Matrice de confusion des points de contrôle issus de photo-interprétation
Avec des taux d’omission et de commission très faibles (respectivement 1 et 4% et inversement), le résultat de la classification semble très bon. Cependant les classes HCS YRF et S, qui sont les classes limites entre les zones à protéger et les zones non sensibles, n’ont pas été facilement identifiable pour la sélection des points de contrôle. De ce fait ils sont sous-échantillonnés lors de ce test. Or, ce sont ces deux classes qui sont confondues par l’algorithme de classification.
2.4 Conclusion
Dans ce chapitre, j'ai classifié des images satellites en fonction de leur occupation du sol et du niveau de stockage de carbone de chaque pixel pour recréer une classification HCSA. Pour arriver à ce résultat, j’ai utilisé en combiné des échantillons d’occupation du sol et des échantillons de stockage de carbone dérivé de transects LiDAR comme données d’entrainement pour notre algorithme d’apprentissage profond. Cela dans le but de cartographier les forêts à protéger de celles exploitables.
La précision de la classification réside dans le taux d’erreur de la segmentation entre zone à protéger et zones non sensibles., soit entre les classes limites HCS, jeunes forêts en régénération et les friches. Si la précision entre ces deux classes est la moins performantes de l’ensemble des classes testées, il serait intéressant de comparer les résultats de classification avec un modèle développé pour des images de meilleure résolution.
Les résultats obtenus nous permettent de conclure que notre cartographie est applicable sur l’île de Bornéo puisque lors de leur comparaison avec des rapports HCSA et de la photo-
Non HCS HCS Commission
Non HCS 96 4 4%
HCS 1 99 1%
60
interprétation, nous obtenons des résultats satisfaisants (précision globale de 86%). Cependant, il est important de noter que la différenciation entre forêts dites naturelles et forêts exploitées et à destination de l’industrie n’a pas été possible aux vues de la résolution des images satellites utilisées. Ainsi, la cartographie produite classifie près de 60% du territoire de Bornéo comme étant des territoires forestiers contenant plus de 35 tonnes par hectare de carbone.
61
Conclusion
Ce mémoire présente une méthodologie et un modèle d’apprentissage de segmentation d’images issues des capteurs Landsat sur le territoire de Bornéo. Nous avons dans un premier temps montré que l’utilisation d’un modèle d’estimation de biomasse par LiDAR aéroporté développé localement pouvait être transposée à l’ensemble de l’île. Dans un second temps, nous avons cherché à appliquer la classification HCSA, basée sur le stockage de carbone des forêts, à des images satellites. Pour ce faire nous avons utilisé les techniques de segmentation par apprentissage profond à des images composites multi bandes issues des capteurs Landsat 7 et Landsat 8. Le but du projet étant de créer une carte des zones naturelles à surveiller des déforestations liées à l’huile de palme, le troisième but du projet été de mettre en place un filtre dans l’outil de télédétection des déforestations en temps quasi réel. L’approche a été de mettre en place ce filtre après les résultats de Télédection et par la suite traiter les pixels de déforestations afin que le livrable rendu à l’entreprise partenaire du projet puisse être fonctionnel et utilisable en tant que tel.
Le processus technique d’intégration à l’outils de détection de déforestation en temps quasi réel est décrit dans l’annexe 1.
Les transects LiDAR datant de 2014, m’ont contraint à utiliser les données Landsat de résolution de 30 mètres alors que l’utilisation d’image de Sentinel-2 de résolution de 10 mètres, mais disponible uniquement depuis 2017, aurait certainement donné des résultats plus probants. En effet, avec ce niveau de résolution les techniques d’apprentissage profond employé n’ont pas permis de différencier les forêts naturelles des forêts à but de production de fibre à but industrielle. Le contrôle de la classification HCSA est rendu également difficile dû à l’absence de données terrain. En effet, le peu de rapport HCSA mis à disposition ainsi que leur vectorisation et géoréférencement permettent un contrôle limité de la classification.
Avec ce projet, nous finalisons l’outil de télédétection automatique de déforestation en temps quasi réel en Indonésie. Cependant, son utilisation et son impact doivent être confirmés et portés par l’entreprise Geotreaceability. En effet, c’est à l’entreprise de vendre
62
son système de traçabilité d’huile de palme et de mettre en place un réel suivi de ces produits. Notre partenaire doit alors vendre le système aux industriels utilisant cette huile, qui doivent s’engager à n’utiliser que de l’huile durable et non issue de déforestation. Cet engagement constitue donc une limite et un frein dans l’approvisionnement de ces entreprises. Pour que les entreprises s’engagent, il est nécessaire de créer un consensus autour de l’approvisionnement de l’ensemble des transformateurs de l’huile de palme. C’est dans sur cette idée que Geotraceability cherche à travailler. Cependant, notre partenaire travaille uniquement sur le produit agroalimentaire et délaisse l’huile à destination de biocarburant.
La maîtrise en sciences géomatiques associée à ce projet m’a appris l’utilisation des nouvelles technologies liées à la géomatique, comme le traitement de nuage de point LiDAR, l’utilisation de la plateforme Google Earth Engine et le traitement des images satellites, l’importance et l’efficacité des langages de programmation (Python et JavaScript), les structures de données et les algorithmes, et la gestion logicielle d’une manière générale. J’ai compris que les GIS n’était que la partie submergée de l’iceberg qu’est la géomatique.
D’un point de vue personnel, cette maîtrise m’a beaucoup apporté. Dans un premier temps, la compréhension du milieu de la recherche et de la science. Le projet scientifique, en plus d’être intéressant par son champ d’application et son intérêt écologique, m’a appris beaucoup d’autonomie dans le projet et sa gestion, dans la recherche de ressources disponibles, mais aussi dans la gestion du travail en équipe.
63
Bibliographie
Asner, G. P., R. E. Martin, D. E. Knapp, R. Tupayachi, C. B. Anderson, F. Sinca, N. R. Vaughn, et W. Llactayo. « Airborne Laser-Guided Imaging Spectroscopy to Map
Forest Trait Diversity and Guide Conservation ». Science 355, no 6323 (27 janvier
2017): 385-89. https://doi.org/10.1126/science.aaj1987.
Asner, Gregory P., Philip G. Brodrick, Christopher Philipson, Nicolas R. Vaughn, Roberta E. Martin, David E. Knapp, Joseph Heckler, et al. « Mapped Aboveground Carbon Stocks to Advance Forest Conservation and Recovery in Malaysian Borneo ». Biological Conservation 217 (janvier 2018): 289-310.
https://doi.org/10.1016/j.biocon.2017.10.020.
Asner, Gregory P., et Joseph Mascaro. « Mapping Tropical Forest Carbon: Calibrating Plot Estimates to a Simple LiDAR Metric ». Remote Sensing of Environment 140 (janvier
2014): 614-24. https://doi.org/10.1016/j.rse.2013.09.023.
Asner, Gregory P., Joseph Mascaro, Helene C. Muller-Landau, Ghislain Vieilledent, Romuald Vaudry, Maminiaina Rasamoelina, Jefferson S. Hall, et Michiel van Breugel. « A Universal Airborne LiDAR Approach for Tropical Forest Carbon
Mapping ». Oecologia 168, no 4 (avril 2012): 1147-60.
https://doi.org/10.1007/s00442-011-2165-z.
B., H. « Organisation des Nations Unies pour l’alimentation et l’agriculture ». Population (French Edition) 5, no 4 (octobre 1950): 764. https://doi.org/10.2307/1523706.
Conti, Georgina, Lucas Enrico, Fernando Casanoves, et Sandra Díaz. « Shrub Biomass Estimation in the Semiarid Chaco Forest: A Contribution to the Quantification of an
Underrated Carbon Stock ». Annals of Forest Science 70, no 5 (juillet 2013): 515-24.
https://doi.org/10.1007/s13595-013-0285-9.
Coomes, David A., Michele Dalponte, Tommaso Jucker, Gregory P. Asner, Lindsay F. Banin, David F.R.P. Burslem, Simon L. Lewis, et al. « Area-Based vs Tree-Centric
64
Approaches to Mapping Forest Carbon in Southeast Asian Forests from Airborne Laser Scanning Data ». Remote Sensing of Environment 194 (juin 2017): 77-88.
https://doi.org/10.1016/j.rse.2017.03.017.
Deere, Nicolas J., Gurutzeta Guillera-Arroita, Esther L. Baking, Henry Bernard, Marion Pfeifer, Glen Reynolds, Oliver R. Wearn, Zoe G. Davies, et Matthew J. Struebig. « High Carbon Stock Forests Provide Co-Benefits for Tropical Biodiversity ». Édité
par Ainhoa Magrach. Journal of Applied Ecology 55, no 2 (mars 2018): 997-1008.
https://doi.org/10.1111/1365-2664.13023.
Duncanson, L.I., R.O. Dubayah, B.D. Cook, J. Rosette, et G. Parker. « The Importance of Spatial Detail: Assessing the Utility of Individual Crown Information and Scaling Approaches for Lidar-Based Biomass Density Estimation ». Remote Sensing of Environment 168 (octobre 2015): 102-12. https://doi.org/10.1016/j.rse.2015.06.021.
Feldpausch, T. R., J. Lloyd, S. L. Lewis, R. J. W. Brienen, M. Gloor, A. Monteagudo Mendoza, G. Lopez-Gonzalez, et al. « Tree Height Integrated into Pantropical Forest
Biomass Estimates ». Biogeosciences 9, no 8 (27 août 2012): 3381-3403.
https://doi.org/10.5194/bg-9-3381-2012.
Ferraz, António, Sassan Saatchi, Clément Mallet, et Victoria Meyer. « Lidar Detection of Individual Tree Size in Tropical Forests ». Remote Sensing of Environment 183
(septembre 2016): 318-33. https://doi.org/10.1016/j.rse.2016.05.028.
Gaveau, David L. A., Sean Sloan, Elis Molidena, Husna Yaen, Doug Sheil, Nicola K. Abram, Marc Ancrenaz, et al. « Four Decades of Forest Persistence, Clearance and
Logging on Borneo ». PLoS ONE 9, no 7 (juillet 2014): 1-11.
https://doi.org/10.1371/journal.pone.0101654.
« Four Decades of Forest Persistence, Clearance and Logging on Borneo ». Édité par
Kamal Bawa. PLoS ONE 9, no 7 (16 juillet 2014): e101654.
65
Gorelick, Noel, Matt Hancher, Mike Dixon, Simon Ilyushchenko, David Thau, et Rebecca Moore. « Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone ». Remote Sensing of Environment 202 (décembre 2017): 18-27.
https://doi.org/10.1016/j.rse.2017.06.031.
Hyde, Peter, Ralph Dubayah, Wayne Walker, J. Bryan Blair, Michelle Hofton, et Carolyn Hunsaker. « Mapping Forest Structure for Wildlife Habitat Analysis Using Multi- Sensor (LiDAR, SAR/InSAR, ETM+, Quickbird) Synergy ». Remote Sensing of Environment 102, no 1-2 (mai 2006): 63-73.
https://doi.org/10.1016/j.rse.2006.01.021.
Ioki, Keiko, Satoshi Tsuyuki, Yasumasa Hirata, Mui-How Phua, Wilson Vun Chiong Wong, Zia-Yiing Ling, Hideki Saito, et Gen Takao. « Estimating Above-Ground Biomass of Tropical Rainforest of Different Degradation Levels in Northern Borneo Using Airborne LiDAR ». Forest Ecology and Management 328 (septembre 2014):
335-41. https://doi.org/10.1016/j.foreco.2014.06.003.
Jucker, Tommaso, Gregory P. Asner, Michele Dalponte, Philip G. Brodrick, Christopher D. Philipson, Nicholas R. Vaughn, Yit Arn Teh, et al. « Estimating Aboveground Carbon Density and Its Uncertainty in Borneo’s Structurally Complex Tropical
Forests Using Airborne Laser Scanning ». Biogeosciences 15, no 12 (22 juin 2018):
3811-30. https://doi.org/10.5194/bg-15-3811-2018.
Jucker, Tommaso, Gregory P. Asner, Michele Dalponte, Philip Brodrick, Christopher D. Philipson, Nick Vaughn, Yit Arn Teh, et al. « Estimating Aboveground Carbon Density and Its Uncertainty in Borneo’s Structurally Complex Tropical Forests Using Airborne Laser Scanning ». Biogeosciences Discussions, 9 mars 2018, 1-29.
https://doi.org/10.5194/bg-2018-74.
Mallet, Clément, et Frédéric Bretar. « Full-Waveform Topographic Lidar: State-of-the-
Art ». ISPRS Journal of Photogrammetry and Remote Sensing 64, no 1 (janvier 2009):
66
Margono, Belinda Arunarwati, Peter V. Potapov, Svetlana Turubanova, Fred Stolle, et Matthew C. Hansen. « Primary Forest Cover Loss in Indonesia over 2000–2012 ». Nature Climate Change 4, no 8 (août 2014): 730-35.
https://doi.org/10.1038/nclimate2277.
Martin, Adam R., et Sean C. Thomas. « A Reassessment of Carbon Content in Tropical
Trees ». Édité par Jerome Chave. PLoS ONE 6, no 8 (17 août 2011): e23533.
https://doi.org/10.1371/journal.pone.0023533.
Moeser, D., J. Roubinek, P. Schleppi, F. Morsdorf, et T. Jonas. « Canopy Closure, LAI and Radiation Transfer from Airborne LiDAR Synthetic Images ». Agricultural and Forest Meteorology 197 (octobre 2014): 158-68.
https://doi.org/10.1016/j.agrformet.2014.06.008.
Phua, Mui-How, Su Wah Hue, Keiko Ioki, Mazlan Hashim, Kawi Bidin, Baba Musta, Monica Suleiman, Sau Wai Yap, et Colin R. Maycock. « Estimating Logged-Over Lowland Rainforest Aboveground Biomass in Sabah, Malaysia Using Airborne
LiDAR Data ». Terrestrial, Atmospheric and Oceanic Sciences 27, no 4 (2016): 481.
https://doi.org/10.3319/TAO.2016.01.06.02(ISRS).
Phua, Mui-How, Shazrul Azwan Johari, Ong Cieh Wong, Keiko Ioki, Maznah Mahali, Reuben Nilus, David A. Coomes, Colin R. Maycock, et Mazlan Hashim. « Synergistic Use of Landsat 8 OLI Image and Airborne LiDAR Data for Above-Ground Biomass Estimation in Tropical Lowland Rainforests ». Forest Ecology and Management 406
(décembre 2017): 163-71. https://doi.org/10.1016/j.foreco.2017.10.007.
Sinha, S., C. Jeganathan, L. K. Sharma, et M. S. Nathawat. « A Review of Radar Remote Sensing for Biomass Estimation ». International Journal of Environmental Science and Technology 12, no 5 (mai 2015): 1779-92. https://doi.org/10.1007/s13762-015- 0750-0.
Spriggs, Rebecca A., Mark C. Vanderwel, Trevor A. Jones, John P. Caspersen, et David A. Coomes. « A Simple Area-Based Model for Predicting Airborne LiDAR First
67
Returns from Stem Diameter Distributions: An Example Study in an Uneven-Aged,
Mixed Temperate Forest ». Canadian Journal of Forest Research 45, no 10 (octobre
2015): 1338-50. https://doi.org/10.1139/cjfr-2015-0018.
Swatantran, Anu, Hao Tang, Terence Barrett, Phil DeCola, et Ralph Dubayah. « Rapid, High-Resolution Forest Structure and Terrain Mapping over Large Areas Using
Single Photon Lidar ». Scientific Reports 6, no 1 (septembre 2016).
https://doi.org/10.1038/srep28277.
Ven, Hamish van der, Catherine Rothacker, et Benjamin Cashore. « Do Eco-Labels Prevent Deforestation? Lessons from Non-State Market Driven Governance in the Soy, Palm Oil, and Cocoa Sectors ». Global Environmental Change 52 (septembre 2018):
141-51. https://doi.org/10.1016/j.gloenvcha.2018.07.002.
Viet Nguyen, Luong, Ryutaro Tateishi, Akihiko Kondoh, Ram Sharma, Hoan Thanh Nguyen, Tu Trong To, et Dinh Ho Tong Minh. « Mapping Tropical Forest Biomass
by Combining ALOS-2, Landsat 8, and Field Plots Data ». Land 5, no 4 (27 septembre
2016): 31. https://doi.org/10.3390/land5040031.
Zolkos, S. G., S. J. Goetz, et R. Dubayah. « A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing ». Remote Sensing of Environment 128
(21 janvier 2013): 289-98. https://doi.org/10.1016/j.rse.2012.10.017.
ANNEXE
68
Afin de pouvoir masquer les alertes de déforestation en fonction des zones sensibles, nous devons filtrer les alertes en fonction de la carte créée. De plus, à la demande de notre partenaire Geotraceability, nous devons mettre au point un système d’historique d’alerte ainsi que faire des exports vectoriels des détections quotidienne ou mensuelle. Un traitement des alertes est aussi nécessaire afin de passer d’un amas de pixels détectés à une alerte d’un évènement de déforestation isolé avec une note globale. Pour réaliser l’ensemble de ces étapes, nous suivrons le schéma décrit ci-dessous (Figure 31). Les traitements suivants sont faits sous forme de script python utilisant les bibliothèques rasterio, geopandas shapely et fiona.
Le but de projet étant que les traitements soient réalisés de manière automatique et mensuelle, ils seront intégrés dans l’outil Google apps qui permet de faire le lien entre des traitement informatique et interface Web. De plus, une partie des traitements sont réalisés à partir de la plateforme Google Earth Engine, Google Apps permet donc de faire le lien entre cette dernière et le site internet de l’entreprise Geotraceability. Ainsi les traitements seront réalisés de manière périodique, période qui sera déterminée par notre partenaire, sans intervention humaine.
69
2.5 Filtre des détections de déforestation
Les détections de déforestation seront donc filtrées en fonction de deux masques : un masque des forêts HCS, et un masque historique représentant les déforestations passées et détectées. Ces masques sont sous la forme de raster et, étant une classification binaire ou simple à coder, sont au format Int16 afin de limiter la taille et le traitement des fichiers.
Le masque forêt est donc le masque des zones HCS à surveiller décrit précédemment, mis à jour annuellement. C’est un masque binaire avec d’une part les zones d’intérêt et d’autre part les zones non sensibles.
Masque Forêt Masque
historique
Zone à surveiller
Résultat filtré Résultat
quotidien
Traitement spatial et de notation des alertes
Résultat Final
Mise à jour du masque historique Note de détection et
date
Export vectoriel
70
Le masque historique contient deux bandes, un comportant les pixels détectés et leurs notes et le second la date des détections. Ce dernier masque devra être mis à jour à chaque nouveau traitement afin de ne pas surveiller des zones qui est était exploitée depuis la création de l’outil puisque par définition elles ne peuvent pas contenir une haute valeur de stockage avant un certain âge (environ 20 ans d’après HCSA).
Ces deux masques sont ensuite fusionnés pour ne constituer qu’un seul et même masque des zones à surveiller.
2.6 Traitement spatial et notation des alertes
2.6.1 Filtre par score préliminaire
La première étape consiste à filtrer les notes de confiance des détections. Nous supprimerons les détections ayant une note de confiance inférieure ou égale à 1. En effet, Pauline Perbet (collaboratrice du projet) à montrer qu’une telle note apporte une probabilité d’erreur de commission très élevée et donc une possibilité de fausse détection importante. Avec une note supérieure ou égale à 2, cela implique au moins deux détections (soit deux capteurs différents soit deux fois le même capteur) ou bien un vecteur de changement suffisamment fiable pour nous conforter dans la détection.
2.6.2 Regroupement des amas de pixels
Le projet doit détecter des évènements de déforestation assez conséquents pour ne pas créer des alertes intempestives pour du défrichement paysan, mais de grandes ampleurs. Après délibération avec l’équipe de recherche, nous avons délimité les événements d’importances supérieurs ou égaux à 9 pixels, soit 8100 m² (0,81 ha). Cependant, ces événements doivent être des pixels attenants ou voisins de moins d’un pixel de distance afin d’éviter une déforestation en damier qui ne sera pas détectée par notre outil. Pour ce faire nous cherchons les pixels voisins de 31 mètres afin de les regrouper. Il est donc nécessaire d’agréger spatialement les pixels sous forme de multipolygone afin de les regrouper en une seule et même alerte avec un identifiant unique et fusionner leurs scores. Ces polygones ne sont pas forcément adjacents et peuvent être connectés par leurs sommets (eight-connected).
71 2.6.3 Quantification du score d’un événement
Une fois les amas de pixels voisins regrouper en un seul et même événement de déforestation, il faut lui attribuer une note générale de confiance. En effet, les pixels contenus dans cet événement ne comportent pas forcément les mêmes scores de détections, et en général les pixels en bordure comportent des scores plus faibles étant donné que le pixel comporte un mixe entre déforestation et lisière de forêt. Afin que ces pixels n’aient pas une influence trop élevée sur le score final de l’événement, nous ne moyennons pas la note de l’ensemble de pixels, mais nous moyennant le score des pixels au-delà du 66e percentile soit le tiers le plus élevé.
Ces scores d’événements sont ensuite regroupés en trois classes différentes de certitude :
▪ < 10 : Faible ▪ 10 – 20 : Moyen ▪ ≥ 20 : Fort
Figure 32. Diagramme représentant les étapes de l’agrégation spatiale – issu du mémoire de Pauline Perbet (Système d’alerte dynamique par télédétection pour l’observation des déforestations en Malaisie - 2019)