© Olivier Matte, 2020
Cartographie des forêts à haute valeur de stockage de
carbone par apprentissage profond sur l’île de Bornéo
Mémoire
Olivier Matte
Maîtrise en sciences géomatiques - avec mémoire
Maître ès sciences (M. Sc.)
ii
Résumé
Les forêts d'Asie du Sud-Est subissent de fortes pressions en raison de vastes activités d'utilisation des terres, notamment des plantations de palmiers à huile. Le désir de protéger et de gérer les habitats à fort potentiel de stockage de carbone a accru le besoin de préserver les écosystèmes uniques des forêts locales. Pour préserver les écosystèmes forestiers tropicaux de l'expansion agricole, une méthodologie de classification des forêts à fort potentiel de stockage de carbone, connue sous le nom d'Approche à Stock de Haut Carbone (HCSA) a été développée. Notre objectif de recherche est d'évaluer l'efficacité de l'utilisation combinée du LiDAR aéroporté et de l'apprentissage en profondeur pour la classification HCSA sur l'île de Bornéo. Pour ce faire, nous examinerons la biomasse aérienne à l'aide de l'équation développée par Asner (2018) et Jucker (2017), établie sur le territoire de Sabah, ainsi que des métriques LiDAR telles que la hauteur de la canopée, la couverture de la canopée et le la surface terrière forestière. Les métriques de la structure forestière dérivé du LiDAR seront également utilisées pour essayer de différencier les classes HCSA. La zone d'intérêt pour cette étude couvre une partie du territoire du Kalimantan (partie indonésienne de Bornéo). Puis, l’entrainement d'un algorithme d’apprentissage profond permettra, par l'utilisation d'images satellites (Landsat 7 et Landsat 8), de faire un saut spatial et temporel, afin d'établir une cartographie des forêts à surveiller en 2019 et sur l'ensemble de l'île de Bornéo.
iii
Abstract
Forests in Southeast Asia are under heavy pressure from extensive land-use activities, including oil palm plantations. The desire to protect and manage habitats with high carbon storage potential has increased the need for preserving the unique ecosystems of local forests. To preserve tropical forest ecosystems from agricultural expansion, a methodology for classifying forests with high carbon storage potential, known as the High Carbon Stock Approach (HCSA) was developed. Our research goal is to assess the effectiveness of the combined use of airborne LiDAR and deep learning for HCSA classification across the island of Borneo. To do this, we will examine the above-ground biomass using the equation developed by Asner (2018) and Jucker (2017), established in the Sabah territory, as well as LiDAR metrics such as canopy height, canopy cover, and the forest basal area. LiDAR metrics of forest structure will also be used to try to differentiate HCS classes. LiDAR data and field surveys were collected from the Jet Propulsion Laboratory (JPL - NASA). The area of interest for this study covers part of the Kalimantan territory (Indonesian part of Borneo). The data collected has been part of the ongoing Carbon Monitoring System (CMS) project. Then, the training of a deep learning algorithm will allow, by the use of satellite images (Landsat 7 and Landsat 8), to make a spatial and temporal jump, in order to establish a cartography of the forests to be monitored in 2019 and on the entirety of Borneo Island.
iv
Table des matières
RESUME ... II ABSTRACT ... III TABLE DES FIGURES ... V LISTE DES ABREVIATIONS, SIGLES, ACRONYMES ... IX REMERCIEMENTS ... X
INTRODUCTION ... 1
1.1 CONTEXTE ... 1
1.2 AIRE D’ETUDE ... 5
1.3 PROBLEMATIQUE ... 7
1.3.1 L’approche High Carbon Stock (HCSA) ... 7
1.3.2 Objectifs ... 10
1 EVALUATION DE LA BIOMASSE PAR LIDAR AEROPORTE ... 11
1.1 INTRODUCTION ... 11
1.2 DONNEES UTILISEES ... 11
1.2.1 Données Lidar ... 11
1.2.2 Données terrain ... 13
1.3 METHODOLOGIE ... 14
1.3.1 Equation allométriques et choix ... 14
1.3.1.1 Surface terrière ... 16
1.3.1.2 Densité du bois ... 18
1.3.1.3 Choix du modèle de prédiction de l’ACD ... 19
1.3.2 Traitement du nuage de point et calcul de l’ACD ... 22
1.4 RESULTATS ... 24
1.5 CONCLUSION... 28
2 CLASSIFICATION HCS SUR L’ILE DE BORNEO ... 30
2.1 DONNEES UTILISEES ... 31 2.1.1 Images satellites ... 31 2.1.2 Stockage de carbone ... 34 2.1.3 Occupation du sol ... 35 2.1.4 Rapport HCSA ... 36 2.2 APPRENTISSAGE PROFOND ... 39 2.2.1 L’algorithme U-Net ... 44 2.2.2 Matériel à disposition ... 45
2.2.3 Méthodologie et architecture de la classification... 46
2.3 RESULTATS ... 47
2.3.1 Zone non anthropisée ... 53
2.3.2 Seuil de Carbone ... 54
2.3.3 Classification HCS ... 55
2.3.4 Classification de l’île de Bornéo en 2019 ... 57
2.3.5 Validation par photo-interprétation ... 58
2.4 CONCLUSION... 59
CONCLUSION ... 61
BIBLIOGRAPHIE ... 63
ANNEXE ... 67
v
Table des Figures
Figures :
Figure 1 - Localisation de la zone d'étude : L’Indonésie et l'île de Sumatra ... 5
Figure 2 – Différentes classes de l’approche HCS (Source : HCSA) ... 9
Figure 3 - Localisation de la campagne LiDAR 2014 ayant couvert 90 sites d'étude et environ 100 000 hectares à Kalimantan ... 12
Figure 4 - Situation des sites d'inventaire forestier recueillis ... 13
Figure 5 - Caractéristiques générales des régions inventoriées par le Jet Propulsion Laboratory. ... 14
Figure 6 - relation entre la surface terrière et à gauche la hauteur de canopée et à droite la couverture forestière à 20 mètres de hauteur sur le territoire de Bornéo (Coomes et al. 2018) ... 17
Figure 7 - Relation entre la densité moyenne du bois et la hauteur du haut de la canopée (à partir du balayage laser par rayonnement). ... 19
Figure 8 - Illustration des différences entre l'approche d'estimation de la biomasse aérienne par approche d'estimation de la surface terrière (a) et par l'approche Tree-centric (c) - Coomes et al. 2018 ... 20
Figure 9 - Localisation des sites qui ont permis d'établir le modèle de Jucker et al. (2017) ... 21
Figure 10 - Schéma illustrant les étapes méthodologiques du traitement des métriques LiDAR (Asner et Mascaro – 2018) ... 23
Figure 11 - Comparaison entre l'ACD mesuré sur le terrain et l'ACD dérivé des métriques LiDAR par site d'inventaire. ... 26
Figure 12 - Résultats de l'ACD prédits par le nuage de point LiDAR et celui mesuré sur le terrain, par Jucker et al. 2018, sur les 173 inventaires répartis sur les 6 sites de Sabah, avec en rouge le seuil de 35 MG C/ha (seuil HCS), et une courbe 1:1 (pointillés). ... 27
Figure 13 - Résultats de l'ACD prédit par le nuage de point LiDAR et celui mesuré sur le terrain sur les 4 sites d'inventaires, avec en rouge le seuil de 35 MG C/ha (seuil HCS), et une courbe 1:1 (pointillés). ... 27
vi
Figure 14 - Représentation de l'erreur du modèle d’estimation d’ACD de Jucker et al. 2018 en fonction et de la surface d’inventaire forestier de contrôle. -- Jucker et al. 2018 ... 29
Figure 15 - Image satellite issue de Landsat 7 et son défaut majeur laissant apparaitre des bandes de No-Data ... 31
Figure 16 - Bandes spectrales des satellites Landsat 7 et Landsat 8 - Source : NASA13 32
Figure 17 - Illustration de la création de l'image composite (schéma adapté de Google Earth Engine) en obtenant la médiane de la valeur des pixels par bandes sur la collection d’image de un an. ... 33
Figure 18 - Résultat de l'utilisation couplée des composites de Landsat 7 et Landsat 8. 34
Figure 19 - Représentation générique d'un réseau de neurones convolutifs ... 40
Figure 20 - réseau de neurones convolutif de type ResNet (Audebert et al., 2016) ... 42
Figure 21 - Méthode d'entrainement complet d'un CNN, où les poids sont initialisés de manière aléatoire, pour être par la suite ajustés à la classification cible (Nogueira et al., 2017) ... 43
Figure 22 - Exemple de convolution transposée : Étape 3/4 et 4/4 d’une convolution transposée avec un masque unitaire de 3x3 et espacement 2x2 (soit un recouvrement de 1) ... 45
Figure 23 - Schéma de fonctionnement de l'architecture U-Net (http://deeplearning.net) ... 44
Figure 24 - Diagramme de l'erreur l'entrainement (courbe bleue) et de l'erreur de validation (courbe orange / rouge) en fonction du nombre d'époques d'entrainement pour la classification du seuil de carbone ... 51
Figure 25 - Diagramme de l'erreur l'entrainement (courbe bleue) et de l'erreur de validation (courbe orange/rouge) en fonction du nombre d'époques d'entrainement pour la classification du seuil de carbone ... 51
Figure 26 - Exemple de classification des zones anthropisées / non anthropisées avec en noire les zones anthropisées, en blanc les sol nus et terrains urbains, en gris les zones non anthropisées ... 54
Figure 27 - Exemple de classification du seuil de carbone de 35 tonnes par hectare avec en noir les zones en dessous du seuil, et en blanc les zones sensibles ... 55
vii
Figure 28 - Exemple de classification en combinant les zones non anthropisées et les valeurs de stockage supérieures à 35 tonnes par hectare, en comparaison avec un rapport HCSA vectorisé et géoréferencé. Avec en blanc les zones a surveiller et en noir les zones non sensibles. ... 56
Figure 29 - Exemple de classification en combinant les zones non anthropisées et les valeurs de stockage supérieures à 35 tonnes par hectare, en comparaison avec un rapport HCSA vectorisé et géoréferencé. Avec en blanc les zones a surveiller et en noir les zones non sensibles. ... 56
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. ... 58
Figure 31 - Schéma du traitement post détection de déforestation ... 69 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) ... 71
Tableaux :
Tableau 1 - Résultats obtenus sur les 4 sites d'inventaires forestiers ... 25
Tableau 2 - Comparaison des résultats obtenus de ceux obtenus par Jucker et al. 2018 . 26
Tableau 3 - Tableau comparatif des méthodes de classification de l'occupation du sol .. 30
Tableau 4 - Liste des bandes utilisées pour le jeu d'entraînement et formule de transformation affine associé ... 32
Tableau 5 - Surface des zones non HCS et HCS basé sur le seuil de carbone de 35 t/ha de Carbone, dérivée de l'estimation d'ACD de l'empreinte LiDAR. ... 35
Tableau 6 - Limites des classes HCS. Les valeurs représentent des orientations pour la classification en Asie du Sud-Est (Issue de HCSA). ... 35
Tableau 7 - liste des classes de l'occupation du sol pour la classification des zones anthropisées ... 36
Tableau 8 - Inventaire des surfaces HCS issu des rapport HCSA numérisé, utilisés pour l'apprentissage ... 37
viii
Tableau 10 - Tableau d'interprétation du coefficient de Kappa ... 50
Tableau 11 - Matrice de confusion de la classification des zones anthropisées / non anthropisées ... 53
Tableau 12 - Matrice de confusion de la classification des zones anthropisées / non anthropisées ... 53
Tableau 13 - Matrice de confusion de la classification en fonction du seuil de carbone HCS de 35 tonnes par hectare ... 54
Tableau 14 - Matrice de confusion de la classification en fonction du seuil de carbone HCS de 35 tonnes par hectare ... 54
Tableau 15 - Matrice de confusion des deux classifications combinées avec les rapports HCSA géoréférencé et vectorisé ... 57
Tableau 16 - Matrice de confusion des deux classifications combinées avec les rapports HCSA géoréférencé et vectorisé ... 57
ix
Liste des abréviations, sigles, acronymes
CEF: Centre d’étude de la forêt
CRSNG: Conseil de recherches en sciences naturelles et en génie du Canada
ESA: European Space Agency
FAO: Food and Agriculture Organization of the United Nations
GEE: Google Earth Engine
HCSA: High carbon Stock Approach
LiDAR: Light Detection And Ranging
x
Remerciements
Je souhaite remercier en premier lieu Martin Béland, mon directeur de recherche, qui sans lui le projet n’aurait pas eu lieu et je n’aurai pu travailler sur le sujet, mais aussi pour son encadrement qui m’a permis de mieux comprendre le fonctionnement et la méthodologie de la recherche scientifique.
Je remercie également l’Université Laval et le Centre de Recherche en Géomatique qui m’ont accueillie durant ces années. Merci aussi à la société Geotracability, qui a initié ce projet.
Ensuite, je souhaite remercier mes collègues de travail : Pauline Perbet pour son soutient et son aide tout au long de la maîtrise, Vincent Dupont, pour son soutient, ses cours particuliers et son aide récurrentes dans les problèmes informatiques, Jean François Tremblay, pour son aide dans la mise en place de la structure d’apprentissage profond, Tristan Maurin pour son travail préliminaire sur la classification d’occupation du sol mais aussi toute l’équipe du département de Sciences Géomatiques pour leur aide et leur bonne humeur le long de ces deux années.
Je remercie aussi l’ensembles des communautés des forums de Google Earth Engine, Stack Overflow, Tenserflow et autres forums qui ont été d’une aide précieuse.
Merci au conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) qui a apporté son soutien financier à ce projet.
1
Introduction
1.1 ContexteLe développement démographique implique une consommation des ressources naturelles de plus en plus soutenue. Depuis l’internationalisation des marchés, les denrées ne sont plus cultivées pour les marchés locaux et régionaux. Ainsi, des pays se spécialisent dans la production de ressources afin d’alimenter l’intégralité des marchés internationaux (ex : Soja/Brésil). C’est notamment le cas de la culture du palmier à huile en Indonésie. Portée par une économie favorable, des conditions de culture propice à cette essence exigeante ainsi qu’une productivité élevée, l’Indonésie n’hésite pas à développer cette économie au détriment de sa richesse environnementale.
Depuis près d’un demi-siècle, la production mondiale d’huile de palme est passée de 90 000 tonnes dans les années 50 à plus de 2 000 000 de tonnes actuellement. On estime l’évolution future de la production à + 2,5 % par an.
L’explosion démographique couplée à de nouvelles voies d’utilisation de cette huile explique l’emballement de la production. Parmi ces nouvelles utilisations, on retrouve notamment le développement de biocarburant. En effet, en avril 2018, le gouvernement français a autorisé le groupe pétrochimique mondial Total, à importer 550 000 tonnes d’huile de palme annuellement en provenance de Malaisie et d’Indonésie. La pression sur cette culture n’a donc pas fini de croitre.
Si cette culture a l’avantage d’être peu énergivore, elle est également largement supérieure en productivité (4,06 tonnes/ha contre 0.48 tonne /ha pour le soja). Cette pression affecte alors le territoire. D’après un rapport de la Commission européenne, si 73% des déforestations mondiales résultent du défrichement de terres pour la production de matières premières agricoles, la culture d’huile de palme constitue à elle seule 40% des déforestations en Indonésie. Une étude de 2014 synthétise l’évolution du couvert forestier sur l’île de Bornéo (Four Decades of Forest Persistence, Clearance and Logging on Borneo, David L. A. Gaveau) et dresse un bilan des pertes en forêts sur les 40 dernières années (dont 18,7 millions d’hectares de forêts primaires sur les 55 millions d’hectares que comptait l’île
2
en 1973). Aujourd’hui, 7 millions d’hectares de plantations industrielles (palmiers à huile et pâte à papier) sont implantés sur des zones qui étaient couvertes par de la forêt primaire en 1973. Cette étude cherche à montrer que le lien entre déforestation et plantation de palmiers n’est pas un lien exclusif. Ainsi sur l’île de Bornéo, 25 % des déforestations sont directement transformées en culture (dans un délai de moins de cinq ans). Dans les autres cas, les forêts sont exploitées pour leurs bois, de manière légale ou illégale, ce qui les fragilise et les expose aux catastrophes naturelles ou anthropiques (incendies, tempêtes, moussons …). Les zones déforestées ne sont pas immédiatement ni automatiquement mises en cultures.
L’étude sur les pertes de forêts dites « primaires » (Primary forest cover loss in Indonesia over 2000–2012, Belinda Arunarwati Margono) montre bien que les pertes en forêts primaires n’ont cessé de s’accélérer en Indonésie (tout particulièrement sur les îles de Sumatra et de Bornéo) entre 2000 et 2012, passant de 200 000 à 800 000 hectares par an. Cette étude pointe aussi la responsabilité de trois industries dans la déforestation en Indonésie : les plantations d’arbres pour la pâte à papier (12,8 %), les concessions forestières (12,5 %), les plantations industrielles de palmiers à huile (11 %) et les concessions minières (2,1 %).
Les enjeux de la sauvegarde des systèmes forestiers de l’archipel indonésien constituent un intérêt communautaire, puisque ces forêts comptent parmi les plus vieilles du monde et représentent des hotspots exceptionnels de biodiversité. En plus de leurs richesses écosystémiques, les territoires indonésiens sont des puits de carbone remarquables. Notamment du côté des tourbières qui emprisonnent du carbone. H. ESWARAN (1993) estime que les sols tourbeux (histosols) stockent plus de 20 % du carbone organique total de tous les sols (357 Pg sur un total de 1576 Pg), alors que leurs superficies n’excèdent pas 3 % des terres émergées. Ainsi, les activités humaines émettant environ 10 milliards de tonnes de carbone par an (données 2013), la perte de seulement 1 % des sols tourbeux restant représenterait entre 40 et 50 % des émissions annuelles de carbone anthropique.
Pour tous ces aspects, il est important de mettre en place des outils de gestion ayant pour but de protéger ces forêts à haute valeur écologique. Certains industriels, conscients des
3
enjeux environnementaux et politiques, ont la volonté de mettre en place une chaîne de contrôle de l’approvisionnement des unités de production. Des initiatives sont nées dans le but de répondre à ces attentes, comme le RSPO (Roundtable on Sustainable Palm oil) ou la charte POIG (Palm Oil Innovation Group). Ces organismes cherchent à promouvoir la gestion durable des plantations d’huile de palme, par des codes de bonnes pratiques agricoles, environnementales et sociales. Cependant, ceux-ci sont critiqués pour la qualité et la quantité des contrôles mis en place. C’est pourquoi le développement d’outils de télédétection est essentiel pour améliorer la qualité et la réactivité des alertes de déforestations. Le but de ces outils est de permettre aux industriels de cibler leurs approvisionnements, mais aussi de vérifier le respect des engagements pris par ces mêmes industriels.
La société Geotraceability est à l’initiative du projet. Celle-ci propose des services en géomatique et web cartographie orientée vers l’environnement. Elle souhaite proposer à ses clients une application qui ciblera automatiquement les zones de déforestations illégales. Ces parcelles devront être ensuite visitées sur le terrain pour identifier le responsable, qui sera exclu des chaînes de fournisseurs.
Cette étude s’inscrit dans ce projet plus global qui est le développement d’un outil de télédétection de déforestations. Afin de permettre une meilleure fiabilité et rapidité des détections, ce système se base sur l’utilisation de 3 capteurs : Landsat 8, Sentinel 1 et 2. La combinaison des images optiques Landsat 8 et Sentinel 2 offre une capacité de revisite tous les 5 jours, et permet de multiplier les chances de capturer le territoire d’analyse sans nuages, notamment lors de la saison des pluies. L’utilisation des images Radar Sentinel-1, insensibles à la couverture nuageuse, permet une utilisation en tout temps. Ces 3 capteurs sont donc complémentaires et leur utilisation simultanée permet un plus grand nombre de clichés espacés dans le temps.
Cependant, dans le but de limiter l’expansion agricole aux zones moins sensibles écologiquement, il devient nécessaire de définir ce à quoi correspond une déforestation. Afin de situer les peuplements forestiers à protéger, l’approche HCS (High Carbon Stock) a été développée par Greenpeace, The Forest Trust (TFT) et Golden Agri-Ressources
4
(GAR). Cette approche se base sur une estimation de la biomasse aérienne et du stock de carbone lié à cette biomasse. On entend alors par haute valeur écologique, les forêts ayant un stock de carbone supérieur à un seuil. Ce seuil, défini à 70 tonnes de carbone par hectare, discrimine les terres dégradées des forêts naturelles viables. Le carbone est calculé par fonction de la biomasse aérienne en utilisant un algorithme pantropical (Chave et al. 2014). L’approche HCS propose une classification des forêts en 6 classes : forêts à haute densité, forêts à densité moyenne, forêts à faible densité, jeunes forêts de régénération, landes, terrains nus. Ces différentes classes sont identifiées à partir de la quantité de biomasse évaluée. Des seuils de biomasse sont alors établis pour différencier les typologies forestières.
La typologie de forêts rencontrées en Indonésie est riche, mais regroupe principalement des forêts à diptérocarpes, des tourbières et des mangroves (Bryan 2013). Cependant, les forêts les plus touchées par l’exploitation restent les forêts de diptérocarpes des plaines pour des questions de facilité d’exploitation et de culture (Bryan 2013). La FAO définit la forêt comme une surface de plus de 0,5 hectare, dans laquelle les arbres mesurent plus de 5m de hauteur et dont le couvert forestier est supérieur à 10%. Cette même institution définit la déforestation comme une disparition de plus de 90% de la couverture arborée. D’autres environnements comme les tourbières sont largement exploités, asséchés et cultivés. Actuellement, il reste moins de 20% du territoire représenté par de la forêt primaire encore intacte.
Pour estimer cette biomasse des forêts indonésiennes, il est nécessaire d’obtenir une image du territoire (optique, radar ou Lidar). Celle-ci permettrait l’obtention de données dendrométriques comme la hauteur de canopée ou l’estimation de la surface terrière. Ensuite, à l’aide d’application de formules allométriques (T. Jucker et al. 2018, P. Asner et al, 2011), il est possible d’estimer la valeur de la biomasse présente. Il existe une littérature riche quant aux approches des équations allométriques et dans l’estimation des données dendrométriques. Ces différentes approches sont possibles en fonction de la résolution des données et de la précision souhaitée. Les nouvelles techniques d’analyse d’image comme le Deep Learning, nous offre des possibilités et capacités de traitement à grande échelle.
5
Le but général du projet est de proposer à notre partenaire un système de traitement de données opérationnel pour détecter les déforestations en lien avec l’huile de palme, dans le courant de l’année 2019. Cependant cette présente étude cherche à fournir un moyen de cartographie des forêts à surveiller pour leur intérêt de stockage de carbone.
Une équipe de recherche a donc été réunie pour répondre aux différents objectifs. Tout d’abord développer une méthode de détection de changement robuste pour chacun des capteurs. Puis regrouper les résultats pour construire un système d’alerte valide et régulier. Enfin ce système d’alerte sera automatisé et associé à une base de données sur l’occupation des sols au sein d’une cartographie interactive à destination des acteurs locaux.
Pour cela, la méthode d’analyse des vecteurs de changement mettra en valeur les déforestations sur les forêts intactes. Cette méthode sera fonctionnelle à partir des capteurs optiques (Landsat 8 et Sentinel 2) et radars (Sentinel 1). Une validation de chaque changement sera effectuée par une analyse des antécédents en attribuant un poids à chaque nouveau résultat. Ces différentes étapes devront être automatisées à partir de Google Earth Engine pour permettre une mise à jour automatique.
1.2 Aire d’étude
Le projet se concentre sur l’Asie du Sud-est où 85 % de l’huile de palme est produite. L’entreprise Geotracability s’est donc concentrée sur les îles de Java et Bornéo, territoire où la culture d’huile de palme est intensive et affecte gravement les écosystèmes tropicaux
6
locaux. Les données LiDAR se situant sur la partie indonésienne de Bornéo, cette étude se concentrera sur cette île.
Ces terres sont sujettes à des épisodes de saison des pluies et de mousson qui témoigne d’un climat équatorial humide. Ces conditions météorologiques se caractérisent donc par une couverture nuageuse fréquente qui représente un obstacle à la télédétection passive des capteurs optiques.
L’Indonésie par sa situation et sa morphologie donne lieu à une source spectaculaire de biodiversité. Considéré comme un hotspot majeur constitué principalement d’espèce endémique, ce pays est le deuxième pays le plus riche en biodiversité derrière le Brésil. D’une manière générale, les écosystèmes des forêts tropicales humides sont très complexes et hétérogènes en termes de composition et de structure des espèces et sont souvent difficiles d'accès. Du point de vue structurel, les forêts tropicales humides sont caractérisées par une structure végétale unique composée de plusieurs couches verticales comprenant les arbres émergents, la canopée, le sous-étage, la couche d'arbustive, et la strate herbacée. La canopée se réfère au plafond dense de branches d'arbres et de feuilles formé par les arbres très peu espacés. La canopée supérieure est située entre 30 et 50 mètres au-dessus du sol de la forêt (strate arborescente), pénétrée par quelques arbres émergents dispersés, et forme la strate des arbres dominants. Au-dessous de la canopée se trouvent plusieurs niveaux de feuilles et branches formant ensemble le étage. La partie la plus basse du sous-étage, à 1,5-6 mètres au-dessus du sol, est appelée strate arbustive, et est composée de buissons et de jeunes arbres (< 8 mètres).
7
1.3 Problématique
L’outil de détection de déforestation permet de détecter un changement d’occupation du sol entre zone végétalisée et terrain nu. Cependant, il ne permet pas de distinguer la mise à nu d’un terrain agricole de celle d’une forêt. Il est donc primordial de ne pas créer de fausses alertes de déforestation sur des zones agricoles et se concentrer uniquement sur des zones d’intérêt forestières. Cependant, afin de déterminer quelle surface végétalisée est à protéger, nous nous appuierons sur des définitions adoptées par les organismes certificateurs de l’huile de palme durable. Ainsi, le RSPO (Roundtable for Sustainable Palm Oil), a adopté la méthode HCSA afin de déterminer ce qu’est une forêt d’un couvert forestier exploitable et cultivable. Ces définitions se basent sur des seuils de stockage de carbone et déterminent plusieurs classes. Nous nous baserons donc sur ces définitions pour analyser les zones de protection et donc à surveiller.
1.3.1 L’approche High Carbon Stock (HCSA)
Dans le but de limiter l’expansion agricole aux zones moins sensibles écologiquement, il devient nécessaire de cartographier les forêts à haute valeur écologique. Afin de situer les peuplements forestiers à protéger, l’approche HCS (High Carbon Stock) a été développée par Golden-Agri Resources Limited (GAR), ainsi que Greenpeace et The Forest Trust (TFT). C’est une méthodologie pratique permettant de distinguer les zones de forêt à protéger, des terres dégradées propices au développement. Trois modules sont intégrés dans cette approche, le high Carbon Stock (HCS), le Consentement Libre, Informé et Préalable (CLIP) ainsi que l’outil Hautes Valeurs de Conservation (HCV). Cette étude se concentrera sur l’évaluation du stock de carbone (HCS). L’approche HCS propose une classification des forêts en 6 classes : forêts à haute densité, forêts à densité moyenne, forêts à faible densité, jeunes forêts de régénération, landes, terrains nus.
8
La typologie forestière HCS est définie comme suit :
Forêt à haute densité (High Density Forest - HDF), forêt à densité moyenne (Medium Density Forest - MDF), forêt à faible densité (Low Density Forest - LDF) :
Forêt à la canopée fermée (couverture forestière >50%) variant de très dense à peu dense. Les données d’inventaire indiquent la présence d’arbres de diamètre > 30 cm, et la dominance d’espèces culminantes.
- La classe HDF doit contenir plus de 50 individus par hectare de plus de 30 cm de
diamètre, avoir un couvert forestier de plus de 50% ainsi qu’une valeur de carbone de plus de 150 tonnes / ha.
- La classe MDF doit contenir entre 40 et 50 individus par hectare de plus de 30 cm de
diamètre, avoir un couvert forestier de plus de 50% ainsi qu’une valeur de carbone contenu entre 90 et 150 tonnes / ha.
- La classe LDF doit contenir entre 30 et 40 individus par hectare de plus de 30 cm de
diamètre, avoir un couvert forestier de plus de 50% ainsi qu’une valeur de carbone contenu entre 75 et 90 tonnes / ha.
Jeune forêt en régénération (Young Regenerated Forest - YRF) :
Forêt très dégradée ou zones forestières en cours de régénération vers leur structure d’origine. Le profil de diamètres est dominé par des arbres de 10 à 30 cm et une plus haute présence d’espèces pionnières que dans les forêts LDF. Cette catégorie d’utilisation des sols peut présenter de petites zones d’agriculture paysanne. Cette classe est définie par une densité d’arbre par hectare de plus de 30 cm de diamètre compris entre 15 et 30 individus par hectare. Le couvert forestier doit se tenir entre 30 et 40% ainsi qu’une valeur de carbone comprise entre 35 et 75 tonnes par hectare.
Friche (Scrub - S) :
Zone anciennement forestière récemment défrichée. Dominée par des broussailles basses avec une fermeture limitée de la canopée. Comprends des zones où la couverture
9
herbacée est haute avec des fougères et des espèces pionnières parsemées. Des parcelles de forêts plus matures peuvent éventuellement se trouver dans cette catégorie. La friche se définit par une densité d’arbres de plus de 30 cm de diamètre compris entre 5 et 15 individus par hectare. Le couvert forestier doit être inférieur à 15% ainsi qu’une valeur de carbone comprise entre 15 et 35 tonnes par hectare.
Terres ouvertes / landes (Open Land - OL) :
Terres défrichées récemment, principalement prairies ou cultures. Peu d’espèces ligneuses. Les landes sont définies par moins de 5 arbres par hectare de plus de 30 cm ainsi qu’une valeur de carbone inférieur à 15 tonnes par hectare.
Terrains non concernés par la classification HCS :
Plantation forestière, zone minière, terrain de culture agricole, zone aquatique, zone bâtie, route, etc. Pour estimer cette biomasse des forêts indonésiennes, il est nécessaire d’obtenir une représentation du territoire (optique, radar ou Lidar). Celle-ci permet l’identification des forêts à étudier et à inventorier, ainsi que l’estimation de données dendrométriques comme la hauteur de canopée ou encore la surface terrière. Ensuite, à l’aide d’application de formules allométriques (T. Jucker et al. 2018, P. Asner et al, 2011), il est possible d’estimer la valeur de la biomasse présente. Il existe une littérature riche quant aux approches des équations allométriques et dans l’estimation des données
dendrométriques.
Texte issu du site HCSA.com
10 1.3.2 Objectifs
Lors de ce mémoire, trois objectifs ont été identifiés :
I. Utiliser un modèle d’estimation de biomasse sur une région entière.
Afin d’estimer la biomasse sur l’île entière, nous avons besoin de choisir et tester une équation allométrique et voir comment celle-ci se comporte sur les différentes portions du territoire étudié. En effet, une zone géographique de la taille de Bornéo comporte des écosystèmes très différents d’une région à l’autre et il est nécessaire de s’assurer qu’une même équation donne des résultats d’estimation similaire d’un bout à l’autre de l’île.
II. Réaliser une classification HCS à grande échelle en utilisant des images satellites et des techniques d’apprentissage profond.
Dans le but de réaliser une cartographie annuelle des zones à surveiller de l’île, nous utiliserons des composites d’image satellite réalisés sur un an. Il faut donc entrainer un modèle d’apprentissage de segmentation de ces composites afin de pouvoir reproduire une classification sans variabilité spatiale et temporelle. Nous emploierons donc des techniques d’apprentissage profond pour réaliser ces modèles d’apprentissage de classification d’image satellite.
III. L’intégration à l’outil de télédétection en temps quasi réel des déforestations et mise en place d’un suivi des déforestations.
Une fois la cartographie des zones à surveiller accomplie, il est nécessaire de l’intégrer dans notre outil de télédétection et cibler les déforestations dans les zones sensibles. Nous utiliserons cette cartographie comme un masque, et, à la demande de notre partenaire Geotraceability, mettrons en place des exports automatiques au format vectoriel et une mise à jour des déforestations passées pour ne plus avoir à surveiller celle-ci. Ainsi les livrables finaux concerneront les détections de déforestation de forêt contenant un certain niveau de carbone. Étant donné le caractère technique de ce chapitre, il sera développé en annexe 1.
11
1 Evaluation de la biomasse par LiDAR aéroporté
1.1 IntroductionAfin d’estimer la biomasse sur l’île, nous avons besoin d’échantillonnage terrain de cette biomasse réparti sur l’île. À défaut, d’avoir accès à un très grand nombre d’inventaires forestiers disponibles, nous nous sommes mis en quête d’échantillonnage LiDAR.
Plusieurs méthodes et modèles existent pour arriver à évaluer cette biomasse. D’une manière générale, ces méthodes se basent soit sur la somme de la biomasse individuelle de chaque arbre, soit sur l’estimation de la biomasse par hectare. Pour des raisons de temps de traitement et bien qu’elle présente de moins bons résultats, nous avons choisi la deuxième méthode.
En revanche, quelle que soit la méthode choisie, l’utilisation de nuage de point pour estimer la biomasse aérienne requiert un modèle d’estimation développé localement. Face aux écosystèmes différents présents sur l’île, une question se pose, est-il possible d’utiliser un modèle d’estimation de biomasse par LiDAR aéroportée, développée sur une partie de l’île à un ensemble d’échantillons répartis sur l’ensemble de l’île ?
Pour répondre à cette question, nous devons employer un modèle préexistant pour une région donnée, mais nous devons aussi obtenir des inventaires terrain qui correspondent à nos relevés LiDAR. Ces relevés forestiers permettront de contrôler la biomasse estimée par le modèle utilisé ave la biomasse mesurée sur le terrain. Ils permettront ainsi de nous indiquer si l’utilisation du modèle est pertinente dans d’autres régions de l’île.
1.2 Données utilisées
1.2.1 Données Lidar
Les données LiDAR disponibles se situent sur la région de Kalimantan (Indonésie). C’est un jeu de données Lidar recouvrant 100 000 ha (1000 km²) sur 90 sites différents et
disponible sur le site du laboratoire national d'Oak Ridge :
12 Ces mesures ont été réalisées dans le cadre du projet Carbon Monitoring System (CMS) de la NASA entre le 18/10/14 et le 13/11/14. Ces observations LiDAR ont été collectées par la société, Surtech (http://www.surtech-group.com/),basée à Jakarta. L’ensemble de données a été produit dans le cadre d'un effort visant à établir un système national de surveillance des forêts pour l'Indonésie, qui utilise une combinaison d'approches de télédétection et d'inventaire du carbone forestier au sol. L’effort a été mené par Applied GeoSolutions Winrock
(https://www.winrock.org/), du Jet Propulsion Laboratory de la NASA, de l’université du New Hampshire, de l’université de Wageningen et de l’université de Virginie. Le projet Carbon Monitoring System est conçu pour apporter une contribution à la caractérisation, à la quantification et la compréhension de l’évolution des sources et des puits de carbone mondiaux grâce à une surveillance améliorée des stocks et des flux de carbone. Les données ont été recueillies à des densités de points comprises entre 4 et 10 ppm. Les données sont disponibles en tant que fichier LAS (nuage de point) ou encore de raster représentant le TCH (Tree Canopy Height) au format .tiff. Le principal intérêt de ces transects est qu’ils traversent un ensemble suffisant de territoires pour rencontrer toutes les classes forestières proposées par l’approche HCS. 57 vols LiDAR ont été réalisés pour mesurer la structure forestière en forêts sèches (66 439 ha) ainsi qu’en zones humides (44 250 ha). L'emplacement des échantillons a été déterminé à l'aide d'une approche probabiliste appelée Reverse Randomized Quadrat Recursive Raster approach (Theobald et al., 2007).
Figure 3 - Localisation de la campagne LiDAR 2014 ayant couvert 90 sites d'étude et environ 100 000 hectares à Kalimantan
13 1.2.2 Données terrain
Dans le cadre du Carbon Monitoring System, une campagne d’échantillonnage terrain a été réalisée. Cette étude porte sur le potentiel de stockage de carbone des forêts dégradées de Kalimantan (Antonio Ferraz et al, 2018). Une demande de collaboration et d’accès aux données terrain a été soumise auprès des équipes de recherche. Nous avons réussi à obtenir 48 inventaires répartis sur 4 sites différents : Malinau, Rodamas, Timberdana et Sumalindo IV.
Ces inventaires nous ont été transmis par les équipes de Winrock International, Le Jet Propulsion Laboratory, l’université de Leeds et le Cirad.
La taille des inventaires est comprise entre 0,1 et 0,25 ha. La biomasse aérienne (AGB, en kg) a alors été mesuré comme la somme de la biomasse individuelle des arbres présents sur la parcelle, à l’aide de l’équation pantropicale de Chave et al. (2014) :
𝐴𝐺𝐵 = 0,067 × (𝐷2 × 𝐻 × 𝑊𝐷)0,976
Pour les arbres sans mesure de hauteur sur le terrain, H a été estimé à l'aide d'une équation allométrique H – D calibrée localement, tandis que les valeurs de densité du bois (WD, en g cm-3) ont été obtenues à partir de la base de données mondiale sur la densité du bois (Chave et al., 1991). 2009 ; Zanne et al., 2009).
Timberdana Sumalindo IV
Rodamas Malinau
Figure 4 - Situation des sites d'inventaire forestier recueillis
14
Figure 5 - Caractéristiques générales des régions inventoriées par le Jet Propulsion Laboratory.
Pour calculer l’AGB à l’échelle de l’arbre, l’équation de Chave et al. (2014) est employée :
ACD =exp(−1.803 − 0.976𝐸 + 0976 ln(𝑤𝑑) + 2.673 ln(𝑑) − 0.0299(ln(𝑑))2)
Où d (cm) est le diamètre du fût mesuré au diamètre à la hauteur de la poitrine, wd (g/cm³) la densité du bois qui dépend de l’espèce d’arbres, E est une mesure du stress environnemental définie en fonction de la saisonnalité, de la température, des précipitations et du déficit hydrique climatique en tout point du globe. On obtient alors la biomasse aérienne qu’il se doit de convertir en masse de carbone aérien. A. R. Martin (2011) propose un taux de conversion entre la biomasse et la masse de carbone pour les forêts tropicales de 47,4%. Cette valeur se base sur l’étude de 59 espèces
tropicales. Ce facteur carbone est reconnu par l’approche HCSA.
Cependant, les données terrain transmises représentent des forêts matures et pérennes.
Toutes les classes HCS ne sont pas représentées dans ces relevées. Nous ne pouvons donc pas tester la précision de la mesure de biomasse dérivée des métriques LiDAR sur l’ensemble des catégories.
1.3 Méthodologie
1.3.1 Equation allométriques et choix
Plusieurs méthodes d’estimation de la biomasse aérienne existent. Celles-ci se basent sur des équations allométriques. L’allométrie est l’étude des relations entre la taille et la
15
forme des organismes (King, 1996). Ce type d’équation allométrique est fondé sur des lois d’échelles allométriques en biologie (West et al., 1997). Elles permettent de mesurer la biomasse aérienne et ne prennent pas en compte le volume forestier sous terrain, les litières, la proportion de matières en décomposition, les micro-organismes … Cette biomasse est estimée à partir des données dendrométriques de type diamètre, hauteur, densité du bois, densité de peuplement, surface terrière. Cependant, cette biomasse dépend également de caractéristiques spécifiques à la nature et composition de la végétation.
On retrouve deux méthodologies d’estimation de la biomasse forestière aérienne :
- Approche par arbre individuelle
Cette approche alternative permet de mesurer l’ACD individuel d’un arbre, l’ACD général correspondant à la somme de la biomasse individuelle. La complexité de cette approche réside dans la délimitation de la couronne du houppier ainsi que la détection du houppier des arbres dominés. En effet, par cette approche, le volume est calculé comme fonction de la hauteur et du diamètre de la couronne de l’arbre. La couronne de l’arbre est un bon indicateur de son diamètre. Une méthodologie de délimitation des houppiers par maximum local est développée dans l’étude de David A. Coomes (2017). Cette méthodologie calcule le périmètre de chaque houppier et la biomasse de chaque arbre afin d’en faire la somme.
La délimitation des houppiers des arbres peut être détectée en utilisant l’algorithme itcSegment, des traitements sont aussi nécessaires pour détecter et traiter les arbres dominés.
Si cette méthodologie est assez précise, elle est lourde en traitement et exigeante en donnée d’acquisition, et n’est pas applicable à grande échelle.
- Approche par estimation de la surface terrière
Asner et Mascaro (2014) proposent une méthodologie universelle de cartographie du stock de carbone aérien par LiDAR. Celle-ci se repose sur la corrélation entre la hauteur de peuplement, la surface terrière, et la densité du bois.
16
Asner et Mascaro (2014) définissent la biomasse aérienne comme étant une fonction de la hauteur, la surface terrière et densité du bois :
ACD = 𝑝𝑜 ∗ 𝑇𝐶𝐻𝑝1∗ 𝐵𝐴𝑝2∗ 𝑊𝐷𝑝3
Où, ACD représente la biomasse aérienne, TCH la hauteur de peuplement, BA la surface terrière et WD la densité du bois. Si la hauteur de peuplement et une valeur facilement mesurable à partir d’un relevé LiDAR, les autres paramètres sont difficilement estimables.
1.3.1.1 Surface terrière
La surface terrière (noté g ou BA en anglais pour Basal Area) représente la surface qu’occupe le diamètre d’un arbre. Elle est donc exprimée en m². Elle se calcule comme suit :
g = 𝜋 ∗𝐷𝑖𝑎𝑚è𝑡𝑟𝑒2
4
Cependant, on peut aussi de parler de surface terrière de peuplement (noté G). Dans ce cas, celui qui nous intéresse, la surface terrière représente la somme des surfaces terrières individuelles de tous les arbres du peuplement étudié. Elle s’exprime par unité de surface, en général en m²/ha. C’est un indicateur très utilisé en gestion sylvicole pour estimer le couvert forestier, l’occupation du sol par le peuplement, la densité et le diamètre moyens d’un peuplement. La surface terrière dépend donc de la densité de peuplement et sa distribution des diamètres. Elle permet aussi d’estimer le volume forestier par le calcul suivant :
𝑉 = 𝑓 ∗ 𝐺 ∗ 𝐻
Où f correspond au coefficient de décroissance et H la hauteur moyenne du peuplement
Asner et Mascaro proposent de modéliser la surface terrière par la hauteur de peuplement. Cela suppose que le diamètre des arbres d’un peuplement forestier dépend de la hauteur de ce même peuplement. Il en résulte la formule suivante :
17
𝐵𝐴 = 𝜌0 ∗ 𝑇𝐶𝐻
Cependant ce moyen de modélisation n’apporte pas la meilleure précision. Les dernières études (Jucker et al. 2017) présentent de meilleurs résultats d’estimation de la surface terrière en utilisant le Gap Fraction (GF), plutôt que la hauteur maximale. GF représente l’espace non occupé par la canopée à une hauteur donnée. Estimer GF revient à créer un plan horizontal, à une hauteur h, et compter le nombre de pixels pour lesquels le la hauteur du modèle de canopée (TCH) se trouve sous le plan, divisé par le nombre total de pixels dans le tracé.
Cette méthode est testée par David A. Coomes (2017) sur des peuplements de l’île
de Borneo et résulte que le Cover20 est le plus corrélé à la surface terrière.
Jucker modélise la relation entre Cover20 et TCH en utilisant une régression
logistique et utilise les résidus de ce modèle pour identifier les parcelles ayant une
couverture supérieure ou inférieure à Cover20pour une TCH donnée. On a donc :
ln( 𝐶𝑜𝑣𝑒𝑟20 1−𝐶𝑜𝑣𝑒𝑟20) = 𝜌0+ 𝜌1∗ ln (𝑇𝐶𝐻) 1 1−𝐶𝑜𝑣𝑒𝑟20 = 1 + 𝑒 𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 1 − 𝐶𝑜𝑣𝑒𝑟20= 1 1+𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻)
Figure 6 - relation entre la surface terrière et à gauche la hauteur de canopée et à droite la couverture forestière à 20 mètres de hauteur sur le territoire de Bornéo (Coomes et al. 2018)
18 𝐶𝑜𝑣𝑒𝑟20 = 1 − 1 1+𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 𝐶𝑜𝑣𝑒𝑟20= 1+𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 1+𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻)− 1 1+𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 𝐶𝑜𝑣𝑒𝑟20= 𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 1+𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 𝐶𝑜𝑣𝑒𝑟20= 1 1+ 1 𝑒𝜌0+𝜌1∗ln(𝑇𝐶𝐻) 𝐶𝑜𝑣𝑒𝑟20= 1 1+𝑒−𝜌0−𝜌1∗ln(𝑇𝐶𝐻) 𝐶𝑜𝑣𝑒𝑟20 = 1 1 + 𝑒−𝜌0∗ 𝑇𝐶𝐻−𝜌1 On a alors : 𝐶𝑜𝑣𝑒𝑟𝑅𝑒𝑠𝑖𝑑 = 𝐶𝑜𝑣𝑒𝑟20− 𝐶𝑜𝑣𝑒𝑟̂ 20 Où 𝐶𝑜𝑣𝑒𝑟̂20= 1 1+𝑒−𝜌0∗𝑇𝐶𝐻−𝜌1
Où 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑 représente le résidu d'un ajustement non linéaire entre TCH et
𝐶𝑜𝑣𝑒𝑟20 afin de minimiser l'influence de la colinéarité sur l’ACD.
Jucker modélise alors la surface terrière comme suit :
𝐵𝐴 = 𝑝𝑜 ∗ 𝑇𝐶𝐻𝑝1∗ (1 + 𝑝2 ∗ 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑)
19
La densité de bois (Wood Density noté WD en anglais) représente le rapport entre la masse du bois par unité de volume (en général m³). Il dépend donc des espèces représentées. Cependant, Asner et Mascaro proposent de modéliser la densité de bois comme fonction de la hauteur de peuplement. Cette densité est alors exprimée par :
𝑊𝐷 = 𝑝0 ∗ 𝑇𝐶𝐻𝑃1
D’après Slik et al. (2008), la proportion d’espèces à bois dense tend à augmenter avec les successions écologiques de la forêt. Ceci implique que les forêts à hauteur moyenne élevée doivent avoir une densité de bois moyenne élevée. Ce prédicat suppose que la densité du bois ne dépend pas de facteur stationnel ou encore de l’espèce étudiée.
Cependant, la corrélation est faible, et ce modèle ne prend pas en compte les variations de densité du bois entre les différents types de forêts représentés. Le schéma ci-dessous nous montre les variations de la densité du bois en fonction de la hauteur des peuplements pour différents types de forêts. On observe notamment une grande variabilité pour une même classe de hauteur variant du simple au double.
1.3.1.3 Choix du modèle de prédiction de l’ACD
Figure 7 - Relation entre la densité moyenne du bois et la hauteur du haut de la canopée (à partir du balayage laser par rayonnement).
20
Dans le but de tester si un même modèle est transposable sur l’ensemble de l’île afin de pouvoir cartographier la biomasse à l’échelle régionale indépendamment de la typologie forestière, nous avons dû sélectionner un modèle développé sur une partie de l’île.
Bien que l’approche par arbre individuelle présente de meilleurs résultats (Coomes et al. 2017, voir graphique ci-dessous), elle est difficilement applicable à de grandes surfaces comme notre échantillonnage puisqu’elle est très gourmande en capacité et temps de traitement. Nous nous sommes donc rabattus sur l’approche par estimation de la surface terrière.
Après avoir revu la littérature des équations allométriques développées en Indonésie, nous avons choisi d’utiliser l’équation de T. Jucker. Celle-ci a été développée pour les forêts âgées de Sabah et comporte les meilleurs résultats d’estimation d’ACD en Indonésie. Ces forêts âgées comportent les mêmes caractéristiques que nos placettes d’inventaire forestier (espèces, densité …). Cela ne permettra pas de transposer l’utilisation d’un modèle développé pour un type d’écosystème a d’autre typologie forestière, mais permet de vérifier si le modèle s’applique à de mêmes forêts au contexte spatial différent.
T. Jucker (2017) estime que la densité du bois des forêts d’étude de Sabah, est le mieux corrélée à la hauteur du peuplement par la relation suivante :
𝑊𝐷 = 0.385 ∗ 𝑇𝐶𝐻0.097
Figure 8 - Illustration des différences entre l'approche d'estimation de la biomasse aérienne par approche d'estimation de la surface terrière (a) et par l'approche Tree-centric (c) - Coomes et al. 2018
21
Il détermine, à partir de relevés terrain sur Sabah, alors les constantes suivantes :
𝑝0= 0,567 𝑝1 = 0,554 𝑝2 = 1,081 𝑝3 = 0,186 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑 = 𝐶𝑜𝑣𝑒𝑟20 − 1 1 + 𝑒12.431∗ 𝑇𝐶𝐻−4.061 𝐵𝐴 = 1.2287 ∗ 𝑇𝐶𝐻0.987∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑) On a donc : ACD = 𝑝𝑜 ∗ 𝑇𝐶𝐻𝑝1 ∗ 𝐵𝐴𝑝2∗ 𝑊𝐷𝑝3 ACD = 0,567 ∗ TCH0.554∗ 𝐵𝐴1.081∗ 𝑊𝐷0.186 ACD= 0,567 ∗ TCH0.554∗ (1.287 ∗ 𝑇𝐶𝐻0.987∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑))1.081∗ (0.385 ∗ 𝑇𝐶𝐻0.097)0.186 ACD = 0,567 ∗ TCH0.554∗ (1.2287 ∗ 𝑇𝐶𝐻0.987∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑))1.081∗ (0.385 ∗ 𝑇𝐶𝐻0.097)0.186 ACD = 0,62369 ∗ TCH0.554∗ (𝑇𝐶𝐻0.987∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑))1.081∗ (𝑇𝐶𝐻0.097)0.186 ACD = 0,62369 ∗ TCH0.554∗ 𝑇𝐶𝐻0.987∗1.081∗ 𝑇𝐶𝐻0.097∗0.186∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟𝑟𝑒𝑠𝑖𝑑)
Figure 9 - Localisation des sites qui ont permis d'établir le modèle de Jucker et al. (2017)
22 ACD = 0.62369 ∗ 𝑇𝐶𝐻1.63899∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟 𝑟𝑒𝑠𝑖𝑑)1.081 ACD = 0.62369 ∗ 𝑇𝐶𝐻1.63899∗ (1 + 1.983 ∗ 𝐶𝑜𝑣𝑒𝑟 20− 1 1+𝑒12.431∗𝑇𝐶𝐻−4.061)1.081
1.3.2 Traitement du nuage de point et calcul de l’ACD
La première étape du traitement de nuage de points Lidar consiste à nettoyer les points jugés incohérents du nuage de points LiDAR (Bruit). Ces points peuvent notamment être dus à une couverture nuageuse ou poussiéreuse. L’étape suivante consiste à isoler les points du sol ainsi que les points correspondants à la canopée. On obtient alors un modèle numérique de terrain (MNT) ainsi qu’un modèle numérique de canopée (MNC) construit en calculant la moyenne des premiers retours. À partir du MNC, deux mesures sont calculées : la hauteur du sommet du couvert forestier (TCH, en m) et le couvert forestier à 20 m au-dessus du sol (Cover20). TCH représente la hauteur moyenne des premiers retours du nuage de points. Le couvert forestier est défini comme la proportion de la superficie occupée par les couronnes à une hauteur donnée au-dessus du sol (c.-à-d. 1 – Gap fraction). Une résolution spatiale de 1 mètre sera choisie pour représenter la hauteur maximum de canopée mesurée (TCH). Une telle résolution permet de mesurer le Gap Fraction. Le TCH sera généré avec une résolution 30 mètres (0,09 ha). Cover20 a été calculé en créant un plan horizontal par rapport au sol dans le CHM à une hauteur de 20 m au-dessus du sol, en comptant le nombre de pixels pour lesquels le module CHM se trouve au-dessus du plan, puis en divisant ce nombre par le nombre total de pixels du tracé. Une étude antérieure a montré qu’une hauteur de 20m était optimale pour exprimer la surface terrière des forêts tropicales âgées de Sabah (Coomes et al., 2017).
23
Le traitement des points LiDAR est fait par l’utilisation du logiciel FUSION, disponible en libre-accès et est développé par le service forêt du département de l’agriculture des U.S.A. Ces algorithmes développés dans ce logiciel sont spécialisés dans le traitement de nuage de points à destination d’application forestière. GDAL-tools et QGIS seront également utilisés pour le traitement et la visualisation des données matricielles. Ces deux logiciels sont open source.
Bien que les meilleurs résultats soient obtenus sur une résolution de 1 hectare, la résolution choisie est de 30 mètres. Ce choix s’explique par le fait, que l’ACD sera par la suite couplée à des images Landsat qui ont une résolution de 30 m.
Résolution de 30 m Seuil de 20 m de couverture et résolution
de 30 m
Application de l’équation allométrique Calcul de la hauteur d’arbre (TCH) Nuage de point LiDAR
nettoyé
Figure 10 - Schéma illustrant les étapes méthodologiques du traitement des métriques LiDAR (Asner et Mascaro – 2018)
24
Pour évaluer la précision de l’estimation de la biomasse, il existe principalement l’erreur quadratique moyenne (RMSE : Root Mean Square Error) qui est l’écart type des résidus, considéré comme l’erreur de prédiction. Les résidus sont en fait une mesure de la distance qui sépare les points de données de la droite de régression. Il indique ainsi la concentration des données autour de la droite de meilleur ajustement, il permet donc de vérifier les résultats expérimentaux. Il est noté :
𝑅𝑀𝑆𝐸 = √1
𝑁∑(𝐴𝐶𝐷𝑜𝑏𝑠 − 𝐴𝐶𝐷𝑝𝑟𝑒𝑑)²
𝑁
𝑖=1
Où N est le nombre de parcelles, 𝐴𝐶𝐷𝑜𝑏𝑠 est la valeur observée sur le terrain, et 𝐴𝐶𝐷𝑝𝑟𝑒𝑑
est la valeur prédite pour la parcelle i.
La précision sera également appréciée par le biais statistique. Cette mesure permet de connaître l’erreur systématique de la série statistique. On le mesure comme suit :
𝐵𝑎𝑖𝑠 = 1 𝑁∑ ( 𝐴𝐶𝐷𝑜𝑏𝑠 − 𝐴𝐶𝐷𝑝𝑟𝑒𝑑 𝐴𝐶𝐷𝑜𝑏𝑠 ) ∗ 100 𝑁 𝑖=1
Nous utilisons ces deux estimateurs de la précision, afin de les comparer avec ceux obtenus par Jucker et al. (2018).
1.4 Résultats
Les estimations de l’ACD dérivé des métriques LiDAR nous montrent une certaine hétérogénéité en fonction des sites étudiés. D’une manière générale, on remarque que plus le site d’étude contient une biomasse importante, plus l’erreur quadratique moyenne et le biais associé sont importants. L’erreur quadratique moyenne varie entre 27 et 57,7 tonnes/ha, alors que le biais est tantôt négatif et tantôt positif. Cela implique que le modèle le modèle n’a pas réellement une tendance à sur ou sous-estimer. Cependant, on peut noter
25
que le biais est bien plus important pour le site de Rodamas (11,5) que sur les autres sites (-6,6, -5,0 et 5,7).
Tableau 1 - Résultats obtenus sur les 4 sites d'inventaires forestiers
RMSE (T/HA) BIAIS MOYEN (T/HA)
TIMBERDANA 57,6 -6,6 198,9
SUMALINDO IV 27,0 -5,0 132,9
MALINAU 40,3 5,7 183,3
26
Si l’on résume l’ensemble des sites afin de les comparer au modèle de Jucker, nous obtenons les résultats suivants :
Tableau 2 - Comparaison des résultats obtenus de ceux obtenus par Jucker et al. 2018
RÉSULTATS DE JUCKER ET AL. 2018
RMSE (MG C / HA) 44.6 39.3 BIAIS -3.6 5.3 0 50 100 150 200 250 300 350 400 0 100 200 300 400 A CD T ER R A IN c. Rodamas 0 50 100 150 200 250 300 350 400 0 100 200 300 400 A CD T ER R A IN ACD LIDAR d. Timberdana 0 50 100 150 200 250 300 350 400 0 100 200 300 400 A CD T ER R A IN ACD LIDAR a. Malinau 0 50 100 150 200 250 300 350 400 0 100 200 300 400 A CD T ER R A IN ACD LIDAR b. Sumalindau IV
27
Figure 13 - Résultats de l'ACD prédit par le nuage de point LiDAR et celui mesuré sur le terrain sur les 4 sites d'inventaires, avec en rouge le seuil de 35 MG C/ha (seuil HCS), et une courbe 1:1 (pointillés).
Figure 12 - Résultats de l'ACD prédits par le nuage de point LiDAR et celui mesuré sur le terrain, par Jucker et al. 2018, sur les 173 inventaires répartis sur les 6 sites de Sabah, avec en rouge le seuil de 35 MG C/ha (seuil HCS), et une courbe 1:1 (pointillés).
28
En opposition aux travaux de Jucker, nos résultats montrent une tendance à sous-estimer l’ACD (biais négatif), alors que Jucker montrait une surestimation de l’ACD (biais positif). Cependant, les valeurs d’erreur quadratique moyenne (RMSE) et de biais sont de même échelle (44.6 t/ha contre 39.3 t/ha). On peut penser que le modèle suit la même tendance sur le territoire de Sabah comme sur le reste de l’île. En dépit de données terrain supplémentaire dans les classes à faible stockage de carbone (Inférieur à 50 Mg/ha), nous supposerons que le modèle se comporte de la même manière sur les basses classes que ce que montre Jucker (voir figure 11). D’une manière générale, son modèle montre que l’erreur est proportionnelle au stockage de carbone. Plus le stockage de carbone est bas, plus le RMSE est bas. On conclut alors que l’estimation des classes de stockage basse ne présente pas d’incertitude trop élevée.
Le fait que le modèle semble sous-estimer l’ACD sur nos placettes d’inventaire, implique que les classes risquent d’être également sous-estimées. Dans le cas où l’on cherche à déterminer uniquement deux classes, zones sensibles et zones non sensibles, basés sur un seuil de carbone relativement bas (35 Mg C/ha), cette sous-estimation ne devrait pas avoir de grand impact. En effet, les estimations proches de cette limite ne montrent pas d’écart important avec la courbe 1:1. Cependant, aucun site d’échantillonnage ne correspond à des zones non sensibles pour contrôler la précision à faible stockage de carbone.
1.5 Conclusion
On a mis en évidence que l’utilisation du modèle de Jucker sur nos 4 sites d’inventaires forestiers, présente des résultats similaires à ceux obtenus par Jucker et al. 2018.
Cependant, un grand nombre d’origine de biais sont à prendre en compte. Premièrement, la densité du bois exprimé comme fonction de la hauteur forestière n’est que peu corrélée à cette dernière métrique. La densité du bois est difficilement mesurable par télédétection, et il pourrait être nécessaire de réaliser des sous modèles d’estimation d’ACD avec des estimateurs locaux de densité du bois en fonction de l’écologie des forêts.
De plus, des études précédentes (Asner and Mascaro, 2014; Ruiz et al., 2014; Watt et al.,2013), montre une régression de l’erreur avec inversement proportionnelle à la taille des
29
placettes d’inventaire. Ces études mettent en évidence que l’erreur par placette diminue en fonction de la surface inventoriée. Elles reportent des erreurs de l’ordre de 25% pour des inventaires de 0.1 ha à 13.4 % pour 1 ha. Le consensus veut que les stations d’inventaire de 1 ha soient le standard pour évaluer l’ACD par LiDAR aéroportée.
Jucker et al. (2017) confirme que les erreurs au niveau des parcelles ont une nette tendance à régresser avec la surface des inventaires, passant d’une moyenne de 25,0% sur une échelle de 0,1 ha à 19,5% à 0,25 ha, 16,2% à 0,5 ha et 13,4% à 1 ha (ligne bleue sur la figure 13).
Figure 14 - Représentation de l'erreur du modèle d’estimation d’ACD de Jucker et al. 2018 en fonction et de la surface d’inventaire forestier de contrôle. -- Jucker et al. 2018
La surface des placettes utilisées dans ce mémoire fait entre 0.1 et 0.25 ha, et ne sont pas de taille idéale pour estimer les erreurs d’estimation d’ACD.
L’absence de site d’inventaire dans les classes à faible stockage de carbone est un problème pour estimer le comportement du modèle sur ces classes. Cependant, aux vues des résultats similaires entre les travaux présentés, nous supposons que le modèle se comporte de la même manière que ce que présente Jucker, à savoir une faible variance pour les sites à stockage de carbone inférieur à 35 Mg C/ha.
30
2 Classification HCS sur l’île de Bornéo
Afin de classifier le territoire selon les directives de HCSA, nous avons besoin de réaliser deux classifications : Une classification basée sur le stockage de carbone, et une sur l’occupation du sol. En effet, en utilisant uniquement le stockage de carbone, des cultures risquent d’être classées en zone sensible à protéger. La culture de palmier à huile, notamment, présente des valeurs de stockage de carbone proche de notre limite de protection (compris entre 32 et 42 Mg C/ha – Khasanah et al. 2015). Il est donc essentiel de classifier l’occupation du sol entre zones forestières / non-anthropisé et les zones agricoles, cultivées / anthropisées.
Lors de la session d’été 2019, Tristan Maurin, un stagiaire du laboratoire, a pu tester la classification de ces zones anthropisées versus non anthropisé. L’objectif du stage était de comparer la performance de la segmentation par apprentissage machine (Random Forest) et par apprentissage profond (Keras / U-Net).
CNN Random Forest Score global 92% 82,10% Non anthropisée 93,80% 80,70% Palmier à huile 94,40% 85,70% Plantation d'arbres 67,60% 61% Culture 89,50% 81,60% Terres nues 99,10% 96,20% Eau 100% 100%
Tableau 3 - Tableau comparatif des méthodes de classification de l'occupation du sol
Les résultats obtenus permettent de confirmer notre choix d’utiliser l’apprentissage profond pour la segmentation de nos images satellites. En effet, la comparaison des précisions globales met en avant l’efficacité de l’apprentissage profond (92% versus 82%). Cependant, si l’ensemble de la classification est efficace pour la plupart des classes, seule la classe des plantations d’arbres ne donne pas de bons résultats. Ces plantations d’arbres représentent les plantations forestières, et les forêts gérées par l’homme. Ces plantations
31
forestières ne sont pas prévues comme zone à protéger par la classification HCS, aux vues de ces résultats de classification nous avons décidé de regrouper la classe non anthropisée (correspondant aux forêts non impactées) avec les plantations forestières. Bien que ces zones ne soient pas considérées comme des zones de surveillance, le cadre du projet cherche à déterminer les changements d’occupation du sol dans le cadre de la culture de palmier à huile. Nous les considérons donc comme des zones à surveiller.
2.1 Données utilisées
2.1.1 Images satellites
Afin d’utiliser des images satellites qui correspondent à l’échantillonnage LiDAR, nous n’avons pas le choix que d’utiliser des images issues des capteurs Landsat. Bien que ceux-ci ont une résolution de 30 mètres, la date des relevés LiDAR (2014) nous impose ce choix. Les images issues de Sentinel-2 ne sont disponibles qu’à partir de 2017 et possèdent une résolution de 10 mètres.
La contrainte majeure de l’imagerie satellite de l'île de Bornéo est la couverture nuageuse très dense due au climat tropical ainsi qu'à la vaste chaîne de montagnes au centre de l'île qui retient les nuages. Cette zone montagneuse couvre environ 50% de la superficie de l'île et correspond justement aux zones de forêts secondaires à enjeux économique et écologique fort.
Les 2 satellites L7 et L8 ayant une couverture spectrale quasiment similaire, on peut coupler leurs collections d’images par transformation affine sur les bandes L7. Les deux satellites capturant les images à des jours différents, on augmente la période d’acquisition temporelle et ainsi on augmente les chances d’avoir des pixels dégagés de tout nuage. Cependant, les images issues de Landsat 7 contiennent des défauts majeurs (Figure 14). Cependant, en faisant un
Figure 15 - Image satellite issue de Landsat 7 et son défaut majeur laissant apparaitre des bandes de No-Data
32
composite sur un an avec un filtre médian sur ces images, les bandes sombres sont comblées par la collection d’image réduite à une seule.
Cependant, les bandes des deux satellites ne captent pas exactement les mêmes longueurs d’onde. Afin que ces bandes correspondent les unes par rapport aux autres, une harmonisation et nécessaire. Roy et al. (2015 - Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity) propose une méthode de transformation de ces bandes. Cette harmonisation entre les deux capteurs se base sur une transformation affine des bandes dont les valeurs sont développées dans le tableau ci-dessous (Figure 15).
𝐿8 = 𝑎 × 𝐿7 + 𝑏
Nom de bande n° bande L7 n° bande L8 a b
1 - Bleu 2 1 0.9785 -0.0095 2 - Vert 3 2 0.9542 -0.0016 3 - Rouge 4 3 0.9825 -0.0022 4 - Proche IR 5 4 1.0073 -0.0021 5 - IR court 1 6 5 1.0171 -0.0030 6 - IR court 2 7 7 0.9949 0.0029 7 - Thermal IR 1 10 8 - Thermal IR 2 11
Figure 16 - Bandes spectrales des satellites Landsat 7 et Landsat 8 - Source : NASA13
