© Francisco Beltran Carrasco, 2021
Identification des zones pour l'établissement de
plantations d'épinette blanche (Picea glauca) améliorée
dans la réserve faunique du Saint-Maurice, QC
Mémoire
Francisco Beltran Carrasco
Maîtrise en sciences forestières - avec mémoire
Maître ès sciences (M. Sc.)
ii
RÉSUMÉ
L’épinette blanche (Picea glauca (Moench Voss)) est une des essences les plus importantes pour le reboisement au Canada, permettant d’alimenter l’industrie forestière. L’épinette blanche est ainsi l’objet d’importants programmes d’amélioration génétique dans la majorité des provinces canadiennes. Afin d’optimiser l’utilisation des épinettes améliorées, une meilleure identification des stations de reboisement serait souhaitable. Pour ce faire, nous avons utilisé les données des inventaires de plantation réalisés par le gouvernement du Québec ainsi que des variables environnementales (climatiques, topographiques, édaphiques et hydrologiques) afin de déterminer quelles variables prédisaient le mieux l’indice de qualité de station (IQS). Trois modèles ont été testés pour deux zones d’étude, soit le modèle « général », qui utilise les données dérivées de la cartographie disponible à échelle 1 / 20 000 pour l’ensemble du territoire forestier du Québec, le modèle général « simplifié » qui utilise l’information de la carte écoforestière plus la localisation des parcelles dans la zone générale et le modèle « LiDAR », qui utilise l’information des modèles numériques de terrain issus de survols LiDAR pour la zone du Québec possédant cette information. Bien que présentant un faible pouvoir prédictif, le modèle général présente une capacité de prédiction légèrement meilleure que les modèles déjà publiés. Une méthode est proposée afin de générer une carte de productivité pour la Réserve faunique du Saint-Maurice. Cette carte, superposée à la cartographie des contraintes d’implantation de zones d’intensification, a permis de déterminer que seul 0,18 % de la superficie totale de la réserve correspond à des zones de haute productivité (IQS > 12m) sans contrainte pour la plantation, soit les meilleures stations pour l’établissement de plantations d’épinettes blanches améliorées. Cependant, la majorité des superficies de la réserve (59,85 %) offre tout de même des zones avec une bonne productivité (IQS 8 - 12m) et aucune contrainte pour la plantation.
Mots-clés : Cartographie, épinette blanche, indice de qualité de station (IQS), Picea glauca, plantations, productivité, Réserve faunique du Saint-Maurice, systèmes d’information géographique
Abréviations :
• AIPL : Aires d’intensification de la production ligneuse • IQS : Indice de qualité de station
• MFFP : ministère des Forêts, de la Faune et des Parcs • LiDAR : Light Detection and Ranging
iii
ABSTRACT
White spruce (Picea glauca (Moench) Voss) is one of the most important species for reforestation in Canada. Given its importance for Canada’s forest industry, white spruce is therefore the object of important genetic improvement programs in most provinces. To optimize the use of genetically improved spruce trees, better identification of reforestation sites would be desirable. To identify those sites, data from plantation inventories carried out by the government of Quebec were used, along with climatic, topographic, edaphic, and hydrological variables, to determine which variables best predicted site index. Three models were tested, namely the “general” model, which used data derived from the current mapping at a scale of 1 / 20,000 for the entire forest territory of Quebec, a model “simplified” that use the ecoforestry map information and the location of inventory plots and the “LiDAR” model, which used information from digital elevation models generated with LiDAR data for the area in Quebec with available information. Even if the predictive accuracy of the general model is low, it is slightly better than previously published studies. A methodology was proposed to generate a productivity map of the Saint-Maurice wildlife reserve. This map, overlapped with the map of plantation constraints, determined that only 0,18% of the total area of the reserve showed areas of high productivity (Site index > 12 m) without plantation constraints. However, the majority of the areas of the reserve (59,85%) still offer areas with good productivity (Site index of 8 to 12 m) and no constraints for planting.
Keywords : Cartography, geographic information system (GIS), Picea glauca, plantations, productivity, Saint-Maurice wildlife reserve, site index (SI), white spruce.
iv
TABLE DES MATIÈRES
RÉSUMÉ ... ii
ABSTRACT ... iii
TABLE DES MATIÈRES ... iv
LISTE DES FIGURES ... v
LISTE DES TABLEAUX ... v
LISTE DES ANNEXES ... vi
REMERCIEMENTS ... vii
INTRODUCTION ET CONTEXTE ... 1
Contexte forestier national ... 2
Contexte forestier québécois ... 2
Importance économique du secteur forestier ... 2
Défis du secteur forestier ... 3
Intensification forestière ... 4
Contexte de l’intensification au Québec ... 5
Reboisement et projets liés ... 6
Aires pour l’intensification ... 7
Productivité ... 8
Génération de cartes de productivité... 10
Variables biophysiques ... 11
Variables dérivées d’information LiDAR ... 13
Hypothèses ... 15
But et objectifs ... 16
1. MÉTHODES ... 17
1.1. Zones d’étude ... 17
1.2. Sélection des variables pour la cartographie de la productivité ... 19
1.2.1. Identification de l’information cartographique ... 21
1.2.2. Préparation de l’information ... 23
1.2.3. Création des variables ... 27
1.2.4. Analyses statistiques ... 34
1.3. Création de la carte de productivité de la Réserve faunique du Saint-Maurice... 37
1.4. Création de la carte des meilleures stations pour la plantation ... 39
2. RÉSULTATS ... 43
2.1. Sélection des variables ... 43
2.1.1. Zone générale ... 43
2.1.2. Zone LiDAR... 45
2.2. Sélection de modèles ... 47
2.3. Cartographie de la productivité et des meilleures stations pour la plantation ... 50
3. DISCUSSION ... 55
3.1. Évaluation des variables et des modèles ... 55
3.2. Utilisation de l’information topographique et hydrologique dérivée du LiDAR ... 58
3.3. Cartographie des meilleures stations pour la plantation ... 59
CONCLUSION ... 61
BIBLIOGRAPHIE ... 63
v
LISTE DES FIGURES
Figure 1. Région d’étude présentant la zone générale (1), la zone de couverture d’information LiDAR (2) et
la zone de la réserve faunique du Saint-Maurice (3) ... 19
Figure 2. Approche générale suivie pour la génération des équations prédictives de productivité dans chaque zone d’étude. ... 20
Figure 3. Distribution et IQS des parcelles utilisées pendant la réalisation de cette étude ... 26
Figure 4. Rasters générés pendant la création de la variable « DTW » pour 4, 10 et 16 hectares d’initiation . 35 Figure 5. Catégories de contraintes d’implantation d’aires d’intensification de la production ligneuse dans la Réserve faunique du Saint-Maurice ... 40
Figure 6. Régressions simples entre l’IQS et les variables retenues pour la génération et l’évaluation des meilleurs modèles dans la zone générale ... 44
Figure 8. Régressions simples entre l’IQS et les variables retenues pour la génération et évaluation des meilleurs modèles dans la zone LiDAR ... 46
Figure 9. Carte de prédiction de la productivité de l’épinette blanche dans la Réserve faunique du Saint-Maurice. ... 51
Figure 10. Carte de prédiction des catégories de productivité de l’épinette blanche dans la Réserve faunique du Saint-Maurice. ... 52
Figure 11. Productivité prédite et contraintes à l’établissement de plantations d’épinettes blanches dans la Réserve faunique du Saint-Maurice ... 53
LISTE DES TABLEAUX
Tableau 1. Information cartographique utilisée et ses sources ... 22Tableau 2. Catégories et valeurs prises pour la position sur la pente (Alhaskeer et al., 2014; Jenness et al., 2013)... 29
Tableau 3. Codes des classes de drainage (Berger et al., 2015) ... 30
Tableau 4. Regroupement des dépôts de surface et leurs codes utilisés pour l’analyse statistique ... 31
Tableau 5. Regroupement des épaisseurs du dépôt ... 32
Tableau 6. Valeurs prises pour les classes de pente ... 32
Tableau 7. Catégories proposées de productivité ... 39
Tableau 8. Catégories de zones de contraintes pour l’implantation d’AIPL dans les réserves fauniques (Gendreau, 2016) ... 41
Tableau 9. Système d’identification des différentes combinaisons de classes de productivité et de contraintes de plantation. ... 42
Tableau 10. Variables candidates retenues pour la sélection de modèles prévisionnels de l’IQS dans la zone générale. (La description précise des variables peut être trouvée dans l’Annexe 2). ... 43
Tableau 12. Variables candidates retenues pour la sélection de modèles prévisionnels de l’IQS dans la zone LIDAR. (La description précise des variables peut être trouvée dans l’Annexe 2) ... 45
Tableau 13. Résultats de la régression linéaire multiple des trois meilleurs modèles pour chaque zone évaluée. ... 48
Tableau 14. Coefficients de détermination des régressions linéaires simples entre différentes variables topographiques et hydrographiques et l’IQS pour les placettes situées dans la zone couverte par les relevés LiDAR.. ... 49
Tableau 15. Superficie par catégorie de productivité dans la Réserve faunique du Saint-Maurice ... 50
Tableau 16. Superficie forestière par catégorie de productivité et de contrainte d’implantation des AIPL dans la Réserve faunique du Saint-Maurice. ... 54
vi
LISTE DES ANNEXES
Annexe 1. Matrice de comparaison des variables utilisées dans les méthodologies. ... 69 Annexe 2. Variables identifiées et ses sources ... 71 Annexe 3. Sélection initiale des variables pour chaque modèle. ... 80 Annexe 4. Matrices de corrélation pour le deuxième filtrage des variables pour les deux modèles, organisées
selon sa corrélation avec l’IQS ... 82
Annexe 5. Méthodologie pour la génération de la carte de productivité et la carte finale des meilleures zones
vii
REMERCIEMENTS
Tout d’abord, je voudrais remercier grandement la professeure Nancy Gélinas, de m’avoir donné l’occasion de commencer ce voyage depuis la Colombie, et toute la confiance, appui, orientations et patience pendant la réalisation du projet. Je remercie aussi le professeur Martin Simard pour ses orientations visant toujours à réaliser un travail pratique et cohérent.
Je tiens aussi à remercier la confiance que Charles Ward et Luca Serban du MFFP m’ont accordée, pour m’avoir offert une première expérience au Ministère et l’opportunité de contribuer à la vérification des parcelles de plantation.
Je tiens à remercier Génome Canada et Génome Québec pour le financement de mon projet via le projet Spruce-Up. Merci également à Vincent Chamberland pour ses corrections et orientations.
Je remercie infiniment pour leur appui et leur patience, Mónica, la compagnie de pacho et maintenant mia (ma famille au Québec), toute ma famille en Colombie, mes parents, mes frères, mes grands-parents. Mes amis Ana Raymundo et Roberto Quezada pour leur collaboration. Finalement, mon travail n’aurait pas été le même sans les conversations soutenues avec mes amis de la Colombie (K), qui tous les jours m’ont accompagné.
1
INTRODUCTION ET CONTEXTE
L’identification cartographique des stations à haute productivité pour l’intensification forestière favorise la planification et, par le fait même, la gestion intégrée des ressources naturelles et du territoire. Par conséquent, cette identification pourrait contribuer aux activités qui visent l’augmentation des rendements de la forêt en concordance avec les directives nationales et internationales d’aménagement forestier durable.
Au Québec, des études ont été réalisées pour déterminer un indice de qualité de station (IQS) et identifier des aires d’intensification de la production ligneuse (AIPL). Les premiers exercices de détermination des IQS ont généré des équations et des modèles, mais sans résultat cartographique. Ensuite, deux approches géomatiques ont apporté des progrès en cette matière, une à partir de l’identification d’indices de qualité de station moyenne à l’échelle du district (Beaulieu et al., 2011a) et l’autre en tenant en compte des peuplements de structure inéquienne (Ministère des Ressources naturelles, 2013; Périé et al., 2012).
Cependant, des analyses postérieures du Ministère des Forêts, de la Faune et des Parcs (MFFP) ont démontré que les résultats dérivés de moyennes, ou provenant de différentes échelles spatiales, pouvaient masquer les variabilités. Ainsi, un manque de corrélation entre l’IQS de plantation et l’IQS de forêt naturelle est observé (F. Labbé, communication personnelle, le 22 novembre 2017).
Ainsi, il devient très difficile de cartographier les zones propices pour la plantation d’épinettes blanches dans un contexte d’intensification.
Ce projet s’inscrit dans le cadre du projet de génomique forestière Spruce-Up1, et cherche à remplir quelques lacunes liées à l’identification cartographique des stations pour réaliser les activités de plantation intensive d’épinettes blanches améliorées. Cette espèce est présente naturellement sur le territoire québécois et sous forme de plantations monospécifiques, raison pour laquelle il est possible d’évaluer sa productivité potentielle (Mauri Ortuno, E. et al., 2013).
2
Contexte forestier national
Grâce à l’importante superficie qu’elles occupent, soit 3 470 690 km2, les ressources forestières canadiennes jouent un rôle important des points de vue économique, environnemental et social. Les forêts canadiennes représentent ainsi 34,8 % de la superficie du pays et 8,7 % de la superficie forestière mondiale. Cette présence des ressources forestières fait de l’industrie forestière un des secteurs les plus importants du pays. En 2018, il représentait environ 7 % des exportations totales et injectait près de 26 milliards de dollars dans l’économie, ce qui représente 1,2 % du produit intérieur brut nominal (Natural Resources Canada, 2020).
La gestion des forêts étant de juridiction provinciale, chaque province et territoire élabore et applique des lois, des règlements et des politiques se rapportant à ses forêts.
Contexte forestier québécois
Au Québec, le secteur forestier est tout aussi important qu’à l’échelle nationale, avec une superficie forestière de 90 580 000 hectares, soit 54,31% de la superficie totale de la province, 26,1 % de la superficie forestière du Canada et 2,23% de la superficie forestière mondiale (Gouvernement du Québec; MFFP, 2020). Les forêts du Québec se divisent en trois zones de végétation soit : boréale (55 780 000 hectares), feuillu (10 900 000 hectares) et mixte (9 890 000 hectares) (Gouvernement du Québec; MFFP, 2020).
Importance économique du secteur forestier
Grâce à la superficie forestière du Québec, l’industrie du bois occupe une place importante dans l’économie de la province. Cette industrie est alimentée en majorité par les forêts publiques, qui occupent près de 92% du territoire forestier.
En 2019, 67 % de l’approvisionnement en bois provenait de ces territoires (Gouvernement du Québec; MFFP, 2020). Cet approvisionnement permettait d’alimenter une industrie se composant de 285 usines, dont la plupart étaient des usines de sciage (178). Le nombre d’emplois liés au secteur forestier s’élevait alors à 59 129 emplois (Gouvernement du Québec; MFFP, 2020).
L’exportation des produits forestiers était d’une valeur de 10,47 milliards de dollars et l’apport du secteur forestier à l’économie québécoise correspondait à 1,8 % du PIB provincial, soit une valeur de 6,45 milliards de dollars. Cette valeur provenait principalement de la fabrication de papiers (2,81 milliards de dollars) et la fabrication de produits en bois (2,19 milliards de dollars) (Gouvernement du Québec; MFFP, 2018).
3 Défis du secteur forestier
Le secteur forestier québécois occupant une place importante dans l’économie, considérant que la forêt apporte de multiples bénéfices environnementaux et sociaux et considérant les directives et accords internationaux liés à l’aménagement écosystémique auxquels il faut répondre, le ministère des Ressources naturelles et de la Faune (aujourd’hui ministère des Forêts, de la Faune et des Parcs) adoptait en 2013 la Loi
sur l’aménagement durable du territoire forestier.
L’article 11 de cette Loi commande l’élaboration et la publication d’une Stratégie d’aménagement durable des forêts. Cette stratégie, contenant la vision, les orientations et les objectifs pour l’aménagement durable des forêts, a été publiée en 2015. Les orientations sont regroupées sous six défis recoupant des aspects environnementaux, sociaux et économiques (ministère des Forêts, de la Faune et des Parcs, 2015). Ces défis sont en concordance avec les critères d’aménagement durable des forêts et l’importance d’améliorer l’état et la productivité des forêts y est soulignée, ainsi que l’importance de maintenir les avantages socioéconomiques multiples que les forêts offrent à la société (Bureau du forestier en chef, 2015).
En conséquence, la planification de l’aménagement et de l’utilisation du milieu forestier doit répondre aux besoins de la population présente sur le territoire, en tenant compte tant des valeurs non commerciales (conservation du patrimoine naturel et de l’environnement, valeurs culturelles, etc.) que commerciales (production de matière ligneuse, développement récréotouristique, etc.) (Ministère des Ressources naturelles, 1999). Cette planification est la responsabilité du MFFP en coopération avec les populations visées pour assurer la mise en œuvre de la gestion intégrée des ressources et du territoire (GIRT).
Le concept de GIRT du milieu forestier est défini comme « un processus coopératif de gestion et de concertation. Ce processus réunit l’ensemble des acteurs et gestionnaires du milieu, porteurs d’intérêts collectifs publics ou privés, pour un territoire donné. Ce processus continu vise à intégrer, dès le début de la planification et tout au long de celle-ci, leur vision du développement du territoire, qui s’appuie sur la conservation et la mise en valeur de l’ensemble des ressources et fonctions du milieu » (Desrosiers et al., 2010).
Il est nécessaire que les dispositions prévues dans les outils de planification à l’échelle régionale tels que
4
ressources et du territoire (PRDIRT); ainsi qu’à l’échelle locale, telle que le plan d’aménagement forestier intégré tactique (PAFIT) et le plan d’aménagement forestier intégré opérationnel (PAFIO) soient cohérents
avec la GIRT (Desrosiers et al., 2010).
Par ailleurs, les garanties d’approvisionnement en volume de bois sont attribuées en fonction des possibilités annuelles de coupe. Ces possibilités sont définies comme les volumes maximaux de bois récoltables annuellement sans diminuer la capacité productive du milieu forestier, et sont déterminées en respectant les objectifs d’aménagement durable des forêts (Bureau du Forestier en chef, 2015).
Pour la période 2008 – 2013, les possibilités annuelles de coupe ont diminué de façon importante (21,9 %) par rapport à la période précédente (2003-2008). Cette réduction était principalement causée par la réduction de la superficie disponible pour l’aménagement forestier, l’implantation des aires protégées et la détermination de la limite nordique des forêts commerciales (Bureau du Forestier en chef, 2017).
Pour assurer une augmentation des possibilités forestières, il est recommandé, entre autres mesures, d’augmenter le rendement de la forêt en intensifiant l’aménagement forestier (Bureau du Forestier en chef, 2017). L’intensification de la production est une des activités comprises dans l’aménagement durable des forêts et qui visent l’augmentation en volume et en valeur des produits forestiers pour ainsi augmenter la richesse collective. En ce sens, et dans le contexte de la GIRT, certaines portions du territoire doivent être dédiées à la production du bois et doivent être considérées dans les PATP et les PAFIT (ministère des Forêts, de la Faune et des Parcs, 2015).
Intensification forestière
L’intensification forestière est pertinente d’un point de vue économique (Comité national sur l’intensification de l’aménagement forestier, 2002). Les plantations forestières sont un des outils sylvicoles reconnus pour l’approvisionnement en bois et répondant aux attentes sociétales sur l’aménagement durable des forêts dans un contexte d’intensification (Groupe d’experts sur la sylviculture intensive de plantations, 2013). Pour cette raison, l’évaluation des stations d’établissement des plantations est importante étant donné que l’intensification vise à accroître les rendements sur de petites zones de territoire forestier, et ce, aussi rapidement que possible (Carmean, 1975).
L’intensification forestière, en augmentant le rendement de la forêt, facilite l’harmonisation des divers usages de la forêt, diminue la vulnérabilité de la forêt aux éléments naturels (Bureau du Forestier en chef,
5
2017), et permet la libération des zones pour des buts de conservation (Barrette et al., 2014). Les actions d’afforestation et d’intensification de l’aménagement forestier figurent parmi les actions les moins dispendieuses et les plus efficaces pour augmenter l’action des puits naturels de carbone (Beauregard, 2015).
Contexte de l’intensification au Québec
L’intensification forestière est une activité qui a retenu l’attention des gestionnaires forestiers dans la province au cours des dernières années. Mentionnons par exemple la réflexion sur le rendement accru, les travaux du Comité national sur l’intensification de l’aménagement forestier et du Réseau ligniculture Québec et le Programme d’investissements sylvicoles (Bureau du forestier en chef, 2015), plusieurs initiatives qui ont mis l’intensification forestière à l’avant-plan.
Une des initiatives importantes pour le développement du secteur forestier québécois est le Chantier sur la production de bois. Dans son rapport final, ce chantier a identifié des cibles de croissance économique du secteur à court, moyen et à long termes. Ce rapport émet certaines recommandations à considérer dans la Stratégie d’aménagement durable des forêts et dans l’élaboration de la stratégie de production de bois (Beauregard, 2015).
L’objectif 2.4 de l’orientation 2 vise à « miser sur la diversité des options sylvicoles pour bâtir des stratégies d’intensification de la production de bois robustes face aux incertitudes du futur ». Pour atteindre cet objectif, deux actions sont définies:
• « Établir des cibles d’intensification de l’aménagement forestier dans un contexte de changements climatiques et en identifier la diversité des moyens, incluant la mesure de l’extension des plantations. Viser notamment le plein boisement et la production d’arbres de plus fort diamètre et de qualité supérieure (sciage déroulage) qui pourront effectivement générer une plus grande valeur.
• Analyser l’ensemble des options de production disponibles, et établir une diversité dans les choix retenus, autant dans les options sylvicoles, dans les essences forestières à privilégier et dans les productions fauniques, récréotouristiques et de produits forestiers non ligneux » (Beauregard, 2015).
La Stratégie d’aménagement durable des forêts adopte certaines des orientations du Chantier sur la production de bois, et le besoin de définir une stratégie nationale de production de bois est également
6
mentionné. Cette stratégie doit être basée sur les réalités régionales pour orienter les investissements de l’État vers les meilleures options sylvicoles en atteignant la création et l’augmentation de la valeur des forêts du Québec. Il est important de considérer un objectif de plein boisement et l’attribution de certaines portions du territoire à l’intensification de la production ligneuse (Stratégie d’aménagement durable des forêts, 2015).
D’autre part, le dernier avis du Forestier en chef révèle que le niveau d’intensité sylvicole a un lien direct avec les possibilités forestières. Pour atteindre les cibles de production de bois, il faut intensifier l’aménagement forestier. (Bureau du forestier en chef, 2017)
Reboisement et projets liés
Le MFFP estime qu’environ 20 % de la superficie forestière récoltée en forêt publique requiert un reboisement. La superficie reboisée de 1970 à 2018 totaliserait environ 1,6 million d’hectares, ce qui représente un investissement de plus de 1 milliard de dollars en préparation de terrain et en mise en terre (Bureau du forestier en chef, 2015).
L’épinette blanche (Picea glauca (Moench Voss)) se retrouve parmi les espèces indigènes d’intérêt pour la mise en œuvre de l’intensification de la production ligneuse. Son importance est due principalement, à sa grande répartition partout au Canada, à sa productivité et au fait d’être une source importante de matière première pour l’industrie du sciage et des pâtes et papiers. Cette essence occupe la troisième place pour le nombre de plants reboisés annuellement depuis 2010, avec environ 28 millions de plants. Elle occupe donc une place privilégiée dans les programmes de reboisement (ministère des Forêts, de la Faune et des Parcs, 2016b).
Différents projets ont été réalisés pour renforcer les programmes de sélection afin de garantir la santé des forêts, la qualité du bois et la productivité, ainsi que le niveau d’amélioration génétique et les connaissances sylvicoles (Mauri Ortuno, E. et al., 2013).
Un de ces projets de recherche est Spruce-Up2 (génomique et socioéconomique de l’épinette pour des forêts productives et résilientes). Les risques économiques pour le secteur forestier canadien, liés à la baisse de la
2 Spruce-Up a débuté le 1er octobre 2016 et est financé par plusieurs organisations telles que Génome Canada, Génome Québec,
7
productivité des forêts, aux changements climatiques et ses effets sur les épidémies d’insectes et les sécheresses, en justifient la pertinence (Génome Québec, 2016).
Les activités du projet Spruce-Up couvrent plusieurs volets. L’analyse des bénéfices environnementaux et économiques est un de ces volets. Parmi ces bénéfices, on retrouve l’augmentation de la séquestration du carbone par une productivité améliorée, la réduction des émissions de carbone par la réduction de pertes forestières, l’augmentation d’une sylviculture intensive et la gestion de la biodiversité. Ces connaissances, additionnées aux systèmes de sélection génomique, contribuent à une meilleure sélection des arbres candidats et de sa propagation dans un contexte de foresterie intensive.
Aires pour l’intensification
L’identification cartographique des aires pour l’intensification ligneuse est primordiale pour le processus de planification. À cet égard, la Loi sur l’aménagement durable du territoire forestier, au Chapitre II, détermine que le ministère des Ressources naturelles et de la Faune (aujourd’hui MFFP) est l’entité responsable de la détermination des critères permettant d’identifier des aires à fort potentiel forestier et présentant un intérêt particulier pour l’intensification de la production ligneuse.
En ce sens, et en accord avec les directives de consultation de la GIRT, une carte indiquant les endroits où se situent ces aires sera distribuée aux communautés autochtones et aux organismes compétents. Parmi ces aires, et à partir de leur vision du développement du territoire, les communautés et organismes feront une priorisation des aires, lesquelles seront proposées au ministre (ministère des Ressources naturelles et de la Faune, 2013).
La prédiction de qualité de station est nécessaire pour la sélection des espèces à établir, les prévisions des rendements et l’élaboration des directives sylvicoles, tant à l’échelle locale que régionale (Bontemps & Bouriaud, 2014). C’est le cas pour l’épinette blanche améliorée au Québec, car afin de maximiser les revenus des plantations, les stations de meilleure qualité doivent être sélectionnés. Une étude a démontré que dans les stations ayant un IQS de 12 mètres à un âge de référence de 25 ans, et en l’absence d’éclaircies commerciales, les flux annuels équivalents des plantations dépassent de près de 160 % ceux obtenus sur une station de qualité de 8 mètres (Petrinovic, 2010).
8
Productivité
Étant donné l’importance d'identifier des aires d’intensification de la production ligneuse, plusieurs études liées à la détermination de la productivité ont été réalisées, soit pour la forêt naturelle ou pour les plantations d’une ou plusieurs espèces. L’indice de qualité de station (IQS), qui est défini comme la hauteur des arbres à un âge de référence déterminé (25, 50 ou 100 ans), est l’indicateur de productivité de station le plus largement utilisé et accepté pour des forêts de même âge (Ralston, 1964; Rondeux, 1993; Skovsgaard & Vanclay, 2013). Cet indice permet de classifier les peuplements en lien avec leurs potentiels de croissance ou de fixer les niveaux de productivité (Rondeux, 1993).
Au Québec, des études ont été réalisées afin d’améliorer ou de constater la fiabilité de cet indice dans son utilisation, et ont conduit à diverses conclusions. En fonction de leurs méthodes, résultats et conclusions, il appert que les résultats pour la détermination de l’IQS sont très variables selon l’échelle spatiale utilisée, l’espèce étudiée à l’origine des peuplements (forêt naturelle vs. plantation) et les variables utilisées.
Un des premiers exercices pour la détermination d’un IQS potentiel a débuté par le développement des équations reliant la hauteur à l’âge des arbres afin de produire des tables de rendement pour les principales essences résineuses (Bolghari & Bertrand, 1984). Ultérieurement, à cause de sous-estimations observées dans ces tables, elles ont été remplacées par des valeurs d’IQS potentiel calculées à partir de l’équation de Chapman-Richards calibrée (Prégent, Picher, & Auger, 2010).
De la même manière, deux équations linéaires empiriques ont été mises au point sur la base d’informations provenant de peuplements naturels (Müssenberger et al., 2010). Ainsi, des modèles linéaires mixtes ont été étalonnés pour prédire la croissance potentielle des dix espèces les plus abondantes de la forêt commerciale du Québec (Périé et al., 2012).
Une plantation peut présenter un rendement de station accru par rapport à un peuplement régénéré naturellement (Bureau du forestier en chef, 2013). Les résultats du calcul d’IQS peuvent donc être différents entre une plantation et la forêt naturelle. L’information de base utilisée et les analyses qui en découlent doivent alors considérer ces différences.
D’autre part, le calcul d’IQS peut être dérivé à partir des variables biophysiques des plantations de résineux. Beaulieu et al. (2011) ont utilisé cette méthode pour estimer l’IQS moyen à l’échelle du district et ce, en modifiant l’indice de station provincial par l’utilisation de multiplicateurs selon les caractéristiques
9
climatiques, édaphiques et de structure de peuplement pour sept espèces de conifères en plantation (Beaulieu et al., 2011).
Une étude plus récente a toutefois démontré que les IQS et les patrons de croissance des arbres étaient très variables selon l’essence, le type écologique et la région écologique. Ainsi, la détermination du potentiel de croissance de la station est influencée à l’échelle régionale par le climat et à l’échelle du site par les caractéristiques de la végétation et du milieu physique (Laflèche et al., 2013).
Un exercice de validation de la valeur prédictive de l’IQS potentiel modélisé de l’épinette blanche a été réalisé en Gaspésie. Les principaux résultats indiquent que :
• La relation entre l’IQS potentiel mesuré et l’IQS modélisé doit être réalisée en tenant compte à la fois du sous-domaine bioclimatique et du type écologique.
• Deux strates (MS13_5hi et MS23_4gh) sur quatre ont présenté une relation significative entre l’IQS potentiel mesuré et l’IQS modélisé.
• La productivité potentielle mesurée de l’épinette blanche en plantation varie selon le type écologique et le sous-domaine bioclimatique. Cette même productivité est jugée satisfaisante pour retenir les types écologiques MS13 et MS23 dans les sous-domaines bioclimatiques de la sapinière à bouleau jaune et à bouleau blanc de l’Est.
• Il est possible d’utiliser l’IQS potentiel modélisé de l’épinette blanche pour préciser la sélection des AIPL dans les strates MS13_5hi et MS23_4gh à cause de sa valeur prédictive.
Cependant, selon les auteurs, ces résultats et conclusions ne sont pas généralisables à l’extérieur de l’aire d’étude. Ils s’appliquent avant tout à l’épinette blanche présente sur les types écologiques MS13, MS23 et leurs équivalents situés dans les sous-domaines bioclimatiques de la sapinière à bouleau jaune de l’Est et de la sapinière à bouleau blanc de l’Est (Mauri Ortuno, et al. 2013).
De plus, l’information dendrométrique doit être dérivée d’échantillons de plantations en état pur (monospécifique) ou avec envahissement modéré. L’âge de référence utilisée pour la détermination de qualité de station de plantations dans la province de Québec doit être de 25 ans. Celui-ci correspond principalement à l’âge moyen des plantations existantes dans la province et échantillonnées dans les différentes études (Prégent et al., 2010; Mauri Ortuno, E. et al., 2013).
10
Pour la province du Québec, une équation pour le calcul de l’IQS de plantation à partir des données dendrométriques a été construite. Pour leur développement, les données de 334 plantations d’épinettes blanches, âgées de 5 à 56 ans, ont été utilisée. Leur superficie se situait entre 0,01 à 0,08 hectare et la majorité d’entre elles avait une superficie de 0,04 hectare.
Cette équation utilise principalement la hauteur moyenne en mètres des 100 plus hauts arbres à l’hectare (ce qui correspond aux 4 plus gros arbres d’une placette de 0,04 hectare, soit les dominants) de la parcelle (Hdom) au temps T1 (âge de la plantation - quatre années de l’âge total3), en se basant sur l’âge de référence de 25 ans pour les plantations (Prégent et al., 2010):
Hdom estimé (25 ans) = 34,6683 ( 1 - ( 1 - ( Hdom T1 / 34,6683) 1/1,5077 ) (25 ans)/T1 ) 1,5077
Génération de cartes de productivité
Les conditions de station peuvent influencer la productivité estimée d’une plantation (Skovsgaard & Vanclay, 2013). Le fait de cartographier les stations facilite le calcul de la productivité et la prise en compte des variabilités dues aux conditions de station. De plus, le changement d’échelle génère des modèles avec des ensembles de variables prédictives complètement différentes (Aertsen et al., 2012).
Étant donné que les caractéristiques physiques de la station peuvent être cartographiées, des outils géomatiques ont été utilisés pour déterminer la productivité forestière. Pour obtenir de meilleurs résultats, il semble nécessaire de combiner des outils de systèmes d’information géographique et de télédétection avec des données de terrain (Korkalainen, T., & Laurén, A. 2006).
Une information spatiale plus détaillée permettrait d’améliorer les valeurs prédictives de productivité. Un des apports importants peut être dérivé de la combinaison de données climatiques et des modèles numériques de terrain (DEM) de haute résolution (Bontemps & Bouriaud, 2014). Également, quand l’âge de plantation est connu, les données dérivées du LIDAR sont les plus utiles pour la détermination des indices de station (Watt et al., 2015). Dans le cas contraire, les meilleurs résultats ont été identifiés à partir de l’utilisation de variables dérivées de surfaces environnementales (information environnementale qui a été dérivée de
3 Étant donné que les plantations utilisées dans l’étude de Prégent, provenaient toutes de plants produits à racines nues
11
surfaces biophysiques de systèmes d’information géographique) et des images de satellite (Watt et al., 2015).
Au Québec, le MFFP a créé une méthode pour identifier les aires d’intensification de la production ligneuse (AIPL) à l’échelle du polygone écoforestier pour les peuplements de structure inéquienne à partir de construction des modèles d’IQS développés par Périé et al (2012) (ministère des Ressources naturelles, 2013).
Variables biophysiques
Différentes études ont été réalisées et ont permis d’identifier les variables nécessaires pour la modélisation de la productivité. Plusieurs variables, climatiques, pédologiques ou édaphiques, topographiques et autres, ont été utilisées selon l’approche, la disponibilité d’informations, les caractéristiques des espèces et/ou les caractéristiques de la zone d’étude.
La plupart des études utilisent des variables climatiques pour prédire la productivité, laquelle est extraite à partir d’interpolations spatiales avec une résolution à l’échelle du kilomètre (Bontemps & Bouriaud, 2014). L’utilisation du logiciel BioSIM, comme outil pour l’analyse et la mise au point de modèles climatiques pour la recherche scientifique, est bien répandue (Régnière et al., 2017). Ce logiciel utilise les données de localisation, d’altitude, de pente et d’exposition pour choisir les stations météorologiques les plus proches des points d’intérêt, retournant les valeurs de chaque variable climatique ajustées selon le lieu (Régnière et al., 2017).
Les caractéristiques édaphiques, telles que l’humidité, l’aération du sol et son régime nutritif (G. G. Wang & Klinka, 1996), ainsi que le type et l’épaisseur du dépôt de surface (Périé et al., 2012), ont aussi été évaluées. Elles se sont avérées corrélées avec l’indice de station. Cependant, l’évaluation conjointe d’informations climatiques et édaphiques a plus d’importance dans les prédictions que l’utilisation de ce type de variables séparément (Jiang et al., 2015).
Par ailleurs, les variables physiographiques ont été importantes pour expliquer les effets topographiques et climatiques, ainsi que les dynamiques d’eau en pente (Curt, 1999). Une de ces variables est la position sur la pente, laquelle est exprimée par la moyenne d’un indice qui peut être représentée par six catégories de position de pente (vallées, pentes inférieures, pentes douces, pentes abruptes, pentes supérieures et crêtes). Cet indice est basé sur la pente de chaque cellule d’un modèle numérique de terrain (MNT) et l’indice de
12
position topographique qui compare l’altitude de chaque cellule avec l’altitude moyenne de son entourage. Les valeurs positives indiquent que ce point est plus élevé que son entourage et les valeurs négatives indiquent que le point est plus bas. En ajoutant la pente et son écart-type, on obtient l’indice de position de pente (Jenness et al., 2013).
L’indice de position sur la pente est dépendant de l’échelle spatiale, du type d’entourage (circulaire, annulaire, de coin ou rectangulaire) et du rayon de distance utilisé pour évaluer l’entourage (Jenness et al., 2013). Pour l’épinette blanche, cet indice a été testé avec un type d’entourage circulaire et sept différents rayons de distance (de 2 jusqu’à 100 mètres) (Bjelanovic et al., 2018). L’indice de position sur la pente de 20 mètres a été le plus significatif pour la prédiction d’indice de station (Bjelanovic et al., 2018).
L’inclusion d’autres variables, principalement de type biologique, a été réalisée au Québec pour l’épinette, en ajoutant aux variables climatiques, l’indice de régularité de Shannon. Cet indice est un indicateur de la structure du peuplement à partir de la distribution des diamètres à hauteur de poitrine (Beaulieu et al., 2011; Ung et al., 2001). Une autre étude rapporte l’indice d’impact de la dernière période épidémique de la tordeuse des bourgeons de l’épinette de chaque placette évaluée avec la croissance, en utilisant une équation qui permet de prédire les baisses de croissance en diamètre (Périé et al., 2012).
Il existe aussi des variables qui n’ont pas été évaluées chez l’épinette blanche et qui pourraient avoir une certaine influence sur la croissance. Tel est le cas de l’exposition topographique (TOPEX) qui permet d’identifier l’influence de la topographie sur le degré d’exposition au vent et sur son comportement, étant donné que cette exposition est un des facteurs pouvant produire le chablis (ministère des Forêts, 2019). Cet indice a été utilisé pour évaluer l’indice de la station dans des plantations d’épinettes de Sitka (Picea
sitchensis (Bong) Carrière) en Irlande (Farrelly et al., 2011), ainsi que dans des plantations de Douglas
taxifoliés (Pseudotsuga menziesii (Mirb.) Franco) en Italie (Corona et al., 1998) et en France (Curt et al., 2001). Dans cette dernière étude, le TOPEX a présenté le troisième plus grand effet sur l’indice de la station avec une valeur de 33,9 %, tandis que pour les deux premiers, il n’a pas eu de grands effets significatifs.
Les coordonnées géographiques sont d’autres variables indirectes pour évaluer la qualité de station (Skovsgaard & Vanclay, 2008). Ces variables ont été utilisées pour différentes espèces forestières. Par exemple, en Norvège, l’indice de qualité de station pour l’épinette de Norvège (Picea abies (L.) Karst.) est corrélé négativement avec la latitude (Sharma et al., 2012). En Alberta pour le pin tordu (Pinus contorta Dougl. Ex Loud.), l’indice de qualité de station augmente linéairement avec la latitude et quadratiquement
13
avec la longitude, chaque variable expliquant 35 % de la variation (G. Wang et al., 2004). Et au Québec, pour le peuplier faux-tremble (Populus tremuloides Michx.), une légère diminution de l’indice de station a été observée avec l’augmentation de la latitude (Anyomi, 2013).
Finalement, pour l’épinette blanche, différentes études de provenance ont évalué la croissance de l’essence en utilisant les coordonnées de localisation comme variable. Wright, et al. (1977) ont trouvé que la croissance des semences des plus hautes latitudes était inférieure à celle des semences collectées plus au sud (LaValley, 1991).
Variables dérivées d’information LiDAR
Étant donné l’existence d’information LiDAR sur le territoire du Québec méridional (ministère des Forêts, de la Faune et des Parcs, 2020), il devient pertinent d’explorer son utilisation pour l’extraction des variables environnementales pour le calcul de productivité.
Le LiDAR (Light Detection and Ranging) est une méthode de télédétection qui mesure les distances jusqu’à la terre en utilisant la lumière sous la forme d’un laser pulsé. Ces mesures, prises par un système aéroporté (souvent avions ou hélicoptères) et combinées avec d’autres données du système, génèrent des informations tridimensionnelles sur la forme et les caractéristiques de surface de la Terre. Le LiDAR est divisé en deux types : le LiDAR topographique, qui utilise un laser infrarouge proche pour cartographier la terre, et le LiDAR bathymétrique, qui utilise une lumière verte pour mesurer la topographie subaquatique (National Oceanic and Atmospheric Administration, 2018).
Les données LiDAR sont utilisées dans le champ des ressources naturelles principalement pour cartographier les caractéristiques topographiques, mesurer la structure et la fonction du couvert forestier et prédire les caractéristiques biophysiques de communautés végétales (Lefsky et al., 2002).
Dans un contexte de détermination d’indices de qualité de station, l’information dérivée du LiDAR a été utilisée pour déterminer la hauteur des arbres (Bock et al., 2009; Packalén et al., 2011; Rombouts et al., 2010; Watt et al., 2015) et pour la dérivation de variables topographiques et édaphiques liées à l’hydrologie (Bjelanovic et al., 2018; Furze et al., 2017; Oltean et al., 2016).
Dans le premier cas, la détermination de la hauteur des arbres dominants et codominants est réalisée à partir de l’information initiale de LiDAR à la manière de points de retour de chacune des pulsations du laser. Au
14
Québec, dans le cadre du « Projet d’acquisition de données par le capteur LiDAR à l’échelle provinciale », le modèle de hauteur de canopée (MHC) a été généré sous la forme d’un fichier matriciel qui représente la hauteur en mètre.
Cependant, les hauteurs des arbres sont généralement sous-évaluées. Une étude effectuée à la Forêt Montmorency (Québec) a démontré une différence de -0.98 mètre (Sadeghi et al., 2016). Ainsi, il est fortement recommandé aux utilisateurs de ces données de faire leurs propres campagnes de mesure terrain afin de les ajuster (ministère des Forêts, de la Faune et des Parcs, 2016a).
L’utilisation de LiDAR pour la détermination d’IQS à partir de la dérivation de variables hydrologiques est relativement récente. Vers les années 1990, l’utilisation de modèles topographiques avec des systèmes d’information géographique a débuté, en démontrant l’existence de relations entre la topographie et les caractéristiques des sols tels que son humidité, sa profondeur, son contenu en nutriments et l’érosion dont il fait l’objet (Murphy et al., 2009).
Des indices ou variables ont ainsi été dérivés à partir des modèles numériques de terrain liées aux conditions d’humidité des sols. Deux indices principaux ont été utilisés: le plus employé est celui de « Topographic wetness index (TWI) » qui combine la zone de contribution ascendante locale et la pente, et le plus récent est le « Depth to water (DTW) ». Le DTW représente la différence d’élévation entre la surface du sol et les éléments d’eaux de surface les plus proches, tels que les canaux d’écoulement permanents, bassins d’eau et rivages, fournissant ainsi un indicateur du degré de saturation du sol à partir de la distance de ces éléments (Murphy et al., 2011).
Cependant, des comparaisons entre les résultats de ces deux indices ont démontré que le TWI est sensible à l’échelle de travail spatiale considérée et aux variations de la morphographie. Le DTW est plus performant, car il est indépendant de l’échelle spatiale et saisit l’effet de la topographie des dépressions et les conditions hydrologiques locales (Ågren et al., 2014; Murphy et al., 2009).
Le calcul de DTW à partir d’images en haute résolution comme le LiDAR, a également été trouvé plus robuste pour délimiter les types de sols, la végétation et les types de drainage (Ågren et al., 2014). De plus, son utilisation a été validée pour la modélisation de processus écologiques, la planification forestière, en agriculture, en conservation, en planification municipale et autres (Ågren et al., 2014; Murphy et al., 2008, 2009, 2011). Ainsi, le potentiel de la variable DTW a été démontré pour prédire la productivité d’une station
15
(Oltean et al., 2016). Son optimisation dépend principalement de la sélection d’une zone adéquate d’accumulation de flux (Ågren et al., 2014).
Concernant la productivité de l’épinette blanche, une étude récente réalisée au Nouveau-Brunswick a utilisé le DTW avec une zone d’accumulation de flux de 4 hectares afin d’ajuster les cartes des zones humides et d’identifier le type de drainage des sols. Les auteurs ont utilisé d’autres variables biophysiques telles que l’élévation et la pente, et ont montré une bonne corrélation avec la hauteur des arbres à 20 ans en obtenant un coefficient de détermination (R2) de 0,559 (Furze et al., 2017).
Bjelanovic et al. (2018) ont réalisé une autre étude en Alberta visant à évaluer les relations entre les facteurs topographiques, édaphiques et hydrologiques pour Populus tremuloides, Pinus contorta et Picea glauca. Des zones d’accumulation de flux de 0,5, 1, 2, 4, 6 et 10 hectares ont été testées afin d’identifier la taille optimale pour l’utilisation dans le modèle. Pour l’épinette blanche, les meilleurs résultats ont été obtenus avec une taille plus grande. Les résultats ont démontré que les variables les plus fortement corrélées avec la productivité étaient l’humidité des sols, la disponibilité de nutriments dans le sol, le DTW (10 ha) et l’élévation (Bjelanovic et al., 2018).
Sur la base de ces études, nous sommes en mesure d’énoncer certaines hypothèses concernant les variables pouvant influencer la productivité des sols, donc l’indice de qualité de station.
Hypothèses
1- La croissance potentielle des plantations d’épinettes blanches (IQS) est principalement influencée par les conditions climatiques;
2- Parmi les autres facteurs qui influencent l’IQS, les conditions édaphiques sont les plus importantes;
3- L’utilisation de données générées par LiDAR permet d’améliorer les modèles liant l’IQS aux facteurs explicatifs;
4- La précision des prédictions des modèles d’IQS des plantations d’épinettes blanches est suffisante pour leur utilisation à grande échelle;
5- Il est possible de cartographier le potentiel de croissance de l’épinette blanche reboisée sur un territoire en utilisant un modèle liant l’IQS à des variables climatiques, pédologiques et hydrologiques, tout en tenant compte de contraintes d’utilisation.
16
But et objectifs
Le but de l’étude est alors d’établir une méthode permettant d’identifier et de cartographier les meilleures stations pour la plantation de l’épinette blanche améliorée à partir de données géospatiales des caractéristiques environnementales et multi-ressources.
Les objectifs spécifiques identifiés pour arriver à ce but sont :
• Identifier les variables pour le calcul de la productivité potentielle de l’épinette blanche en plantations;
• Vérifier si les données géospatiales actuellement disponibles sont suffisantes pour cartographier la productivité en plantation;
• Développer une démarche méthodologique pour cartographier les zones optimales pour la plantation d’épinettes blanches améliorées;
• Produire une carte des zones optimales pour la plantation d’épinettes blanches en intégrant à la fois les caractéristiques environnementales et multi-ressources.
17
1. MÉTHODES
Le présent travail de recherche vise à identifier les variables et à déterminer une démarche à suivre pour cibler les meilleures stations de plantation. Pour ce faire, il est nécessaire de générer des modèles de prévision à partir de l’information disponible. Comme mentionné précédemment, l’utilisation d’information dérivée du LiDAR peut apporter une meilleure approximation pour la prédiction des IQS. Cependant, cette information n’est pas disponible pour toute la province de Québec. C’est pourquoi deux modèles distincts ont été développés, le premier avec l’information de données dérivées du MNT avec 10 mètres de résolution et le deuxième, à partir du MNT LiDAR avec 1 mètre de résolution.
Une activité de révision et de comparaison des approches existantes liées au sujet de recherche a été réalisée. L’objectif était d’identifier les variables utilisées dans chaque étude consultée et d’évaluer l’utilisation ou l’adaptation des approches au contexte du territoire d’étude. Différents critères techniques ont été considérés tels que l’utilisation de données géospatiales, la disponibilité de l’information, la possibilité de générer de nouvelles cartographies, la possibilité de générer des cartes à partir des variables utilisées et l’importance finale de chaque variable pour expliquer la productivité.
1.1.
Zones d’étude
Deux zones d’études ont été définies pour la génération des deux modèles : la zone d’étude générale et la zone d’étude pour les données LiDAR (Figure 1).
Pour la zone générale, l’information existante à l’échelle 1 : 20 000 a été utilisée, ce qui correspond à l’ensemble du territoire forestier du Québec où les placettes d’inventaires forestiers des plantations d’épinettes blanches sont distribuées, placettes suivies par la Direction de la recherche forestière (DRF) du MFFP. Les plantations se trouvent dans 15 des 17 régions administratives de la province, les régions de Laval et Montréal n’ayant aucune plantation sur leur territoire. Les placettes d’inventaire de la zone générale sont réparties dans 6 des 10 domaines bioclimatiques : l’érablière à caryer cordiforme, l’érablière à tilleul, l’érablière à bouleau jaune, la sapinière à bouleau jaune, la sapinière à bouleau blanc et la pessière à mousses.
La deuxième zone d’étude correspond à une zone où l’information des données topographiques de LiDAR au Québec est disponible. Étant donné que l’information LiDAR est un produit que le gouvernement du
18
Québec est en train d’acquérir depuis 2015, un total d’acquisition de 500 000 km2 est attendu d’ici 2021. Ainsi, pour l’instant, l’ensemble du territoire québécois n’est pas couvert avec ce type d’information (ministère des Forêts, de la Faune et des Parcs, 2020). Cette couverture incomplète représente un obstacle à la réalisation de l’étude, notamment par le manque d’information dans les régions administratives de Chaudière-Appalaches et du Bas-Saint-Laurent où se trouvent la plupart des plantations d’épinettes blanches. La zone avec données LiDAR couvre la plupart des régions administratives suivantes : Saguenay-Lac-Saint-Jean, Capitale-Nationale, Mauricie, Outaouais, Côte-Nord, Nord-du-Québec, Lanaudière, Laurentides ainsi que dans une petite portion des régions de l’Abitibi-Témiscamingue et de la Gaspésie-îles-de-la-Madeleine. Les six domaines bioclimatiques présents dans la zone générale sont aussi couverts par cette zone.
Finalement, afin de tester les résultats de chacun des deux modèles pour la génération de cartes de productivité et de cartes des meilleures stations pour la plantation en tenant en compte de la vocation multi-ressources du territoire, une troisième zone d’étude a été identifiée : la Réserve faunique du Saint-Maurice (Figure 1). Cette zone a été sélectionnée pour évaluer l’harmonisation des usages, étant entendu que le MFFP vise à augmenter et à consolider la production forestière sur le territoire forestier public, dans lequel se retrouvent ces zones. En plus, la production ligneuse et l’implantation des AIPL sont permises dans les réserves fauniques sous certaines conditions, dans la mesure où elles ne présentent pas de conflits avec les principaux enjeux de conservation et de mise en valeur faunique et récréative (Gendreau, 2016).
La Réserve faunique du Saint-Maurice a été retenue dans le cadre de la présente étude parce que la totalité de sa superficie est comprise dans la zone de couverture LiDAR, qu’elle se trouve dans deux domaines bioclimatiques (la sapinière à bouleau jaune et l’érablière à bouleau jaune) et qu’il existe une information cartographique des enjeux des réserves fauniques pour l’implantation des AIPL, ce qui facilite l’évaluation d’un point de vue multi-ressources.
Avec une superficie de 784 km2, la Réserve faunique du Saint-Maurice est localisée dans la région administrative de la Mauricie, à une distance approximative de 218 km de Montréal et de 165 km de Québec. Ce territoire comporte 245 lacs, trois rivières et plusieurs ruisseaux où habitent plusieurs espèces de faune aquatique. Les couvertures forestières se composent de forêts mélangées, avec prédominance de bouleaux, d’érables, de sapins et d’épinettes, hébergeant une faune ailée et terrestre.
19
Figure 1. Région d’étude présentant la zone générale (1), la zone de couverture d’information LiDAR (2) et la zone de la réserve faunique du Saint-Maurice (3)
Les principales activités développées pour les usagers de la réserve sont : la descente de canyons, la visite aux cascades, la pêche, la chasse (à l’ours, à l’orignal et au petit gibier), la randonnée, le vélo, les activités nautiques et la cueillette en forêt. La réserve offre aussi des services d’hébergement tels que des zones de camping, des chalets et des camps rustiques. L’exploitation forestière dans la réserve est réalisée par les bénéficiaires de garanties d’approvisionnement désignés (BGAD) en concordance avec la planification forestière qui relève du MFFP à l’échelle de chaque unité d’aménagement (Sepaq, 2020).
1.2.
Sélection des variables pour la cartographie de la productivité
Ce processus a été divisé en quatre étapes : identification de l’information, préparation de l’information, création des variables et leur traitement (Figure 2).
20 Compilation d information cartographique pour chaque variable Vérification spatiale des placettes Filtrage de
mesure Zones tampon
Création des variables topographiques Création des variables hydrologiques Création des variables climatiques Création des variables pédologiques Exportation à points Sélection de variables Analyses statistiques Équation de prédiction Compilation et organisation données d'inventaires/ placettes Création des variables topographiques Création des variables hydrologiques Création des variables climatiques Création des variables pédologiques Exportation à points Sélection de variables Analyses statistiques Équation de prédiction Sélection des zones tampon des points dans
zone LiDAR Sélection des zones tampon des points dans
zone générale
Figure 2
.
Approche générale suivie pour la génération des équations prédictives de productivité dans chaque zone d’étude.Puisque l’étude nécessite la réalisation d’un modèle pour les deux premières zones d’étude à partir de l’information des inventaires forestiers, toutes les activités ont été réalisées de manière séquentielle et parallèle.
Pour le traitement de l’information, quatre logiciels ont été utilisés : ArcGis, utilisé pour la structuration de l’information, le traitement des images LiDAR, l’exécution des opérations spatiales pour la génération des variables, l’analyse spatiale et la présentation des cartes finales; Excel, utilisé pour le traitement des données d’échantillon et l’organisation et conversion des données; BioSIM (version 11), pour l’obtention de données
21
climatiques à chaque point d’intérêt à partir de l’interpolation spatiale des données météorologiques des stations les plus proches; et R (version 4.0.2) sur la plateforme RStudio (version 1.2.5001) pour les analyses statistiques.
1.2.1. Identification de l’information cartographique
À cette étape, la recherche et l’acquisition de l’information cartographique existante ont été réalisées pour chaque variable à évaluer.
À partir de l’analyse des approches existantes, les variables à retenir pour le projet ont été identifiées. Or, les variables utilisées dans l’approche proposée dans cette étude sont basées sur une combinaison des différentes approches qui ont en commun une définition de la productivité par l’IQS. Le travail réalisé par Beaulieu et al. (2011) sur la prévision des IQS pour les plantations d’épinettes blanches au Québec a été pris comme point de départ. Leur approche a été bonifiée en ajoutant les méthodes et variables décrites par Murphy et al. (2007), Müssenberger et al. (2010), Périé et al. (2012), Tompalski et al. (2015), Furze et al. (2017), Gonzalez-Ollauri et al. (2017) et Bjelanovic et al. (2018). La matrice de comparaison des variables utilisées dans les études existantes (Annexe 1) présente les variables utilisées par chaque étude, identifie si l’épinette blanche était une espèce d’intérêt et si les intrants provenaient de plantations ou de forêts naturelles.
En tenant compte de l’information analysée et de celle disponible, les variables et données nécessaires pour la réalisation de l’étude ont été choisies. Le
Tableau 1 présente l’information cartographique générale nécessaire, la description des données et leur source.
22
Tableau 1. Information cartographique utilisée et ses sources(MRN : ministère des Ressources naturelles et de la Faune, MERN : ministère de l’Énergie et des Ressources naturelles, MFFP : ministère des Forêts, de la Faune
et des Parcs, Sépaq : Société des établissements de plein air du Québec, DRF Direction de la recherche forestière)
Nom de la couche /
source de données Description
Type et résolution / échelle Producteur de la donnée Classification écologique du territoire québécois
Couverture présentant le Système hiérarchique de classification écologique du territoire
Vectoriel, polygone
(1/20 000) MFFP
Réserves fauniques Représente les réserves fauniques du Québec Vectoriel, polygone
(1/100 000) MRN
Zones de contraintes pour le positionnement des AIPL dans la réserve faunique
Information dérivée de l’étude « Intégration des enjeux des réserves fauniques dans la planification des AIPL »
Vectoriel, polygone
(1/20 000) Sépaq
Modèle numérique d’altitude
Ce produit offre une représentation numérique du relief sous forme d’une matrice d’élévation.
Matriciel
(10 mètres) MRN
Hydrologie linéaire
Réseau géométrique linéaire représentant la continuité de l’écoulement à travers tous les types d’entités hydrographiques (Linéaires et surfaciques).
Vectoriel, linéaire
(1/20 000) MERN
Hydrologie surfacique Classe des entités surfaciques représentant les surfaces hydrographiques
Vectoriel, polygone
(1/20 000) MERN
Modèle numérique d’altitude LiDAR
Ce fichier fournit des valeurs réelles numériques représentant des altitudes en mètres
Matriciel
(1 mètre) MFFP
Carte écoforestière avec perturbations 3e et
4e inventaires
Cette cartographie présente les différentes caractéristiques forestières et écologiques du territoire forestier et correspond au portrait de la forêt
Vectoriel, polygone
(1/20 000) MFFP
TOPEX Fichier de l’indice d’exposition topographique
TOPEX pour la province
Matriciel
(50 mètres) MFFP
Parcelles plantation épinette blanche
Localisation des parcelles de plantation, avec leur valeur correspondante d’IQS et âge
Vectoriel, point (Sans échelle)
MFFP (DRF)
23 1.2.2. Préparation de l’information
Afin d’intégrer au système d’information géographique toutes les données acquises, différentes actions sont nécessaires pour vérifier, organiser, transformer, intégrer et extraire les données de manière adéquate (Faundeen et al., 2013). Ces actions ont permis de vérifier entre autres la disponibilité et l’accessibilité de l’information, l’uniformité des systèmes de référence, la précision et l’échelle (spatiale et temporale) des données et leurs attributs (Del Campo, 2012).
L’information des parcelles permanentes d’inventaire fournie par la Direction de la recherche forestière (DRF) du MFFP a été traitée puisqu’elle fait partie de l’étude sur la croissance et le rendement des plantations résineuses. Ces parcelles ont été installées à partir des années 1970 et ont été utilisées pour faire un suivi à long terme des caractéristiques dendrométriques des plantations au Québec en permettant de déterminer leurs rendements. Il s’agit du seul réseau de parcelles de plantations représentatives des conditions à l’échelle du Québec. Ce réseau a également été utilisé par Beaulieu et al. (2011).
La base de données construite par la DRF pour le suivi de ces parcelles contient entre autres les informations de l’année de plantation, l’âge de la plantation au moment de la mesure, la hauteur moyenne des arbres dominants, l’IQS des arbres dominants et le nombre d’essences par parcelle.
Pour réaliser cette étude, les valeurs de l’IQS de chaque parcelle, calculées par la DRF à partir de l’équation d’âge-hauteur dominante élaborée par Prégent et al. (2010) ont été utilisées. L’équation a été décrite précédemment.
1.2.2.1 Validation et vérification spatiale des parcelles
Même s’il existait déjà une couche en format shapefile de toutes les parcelles de plantation d’épinettes blanches, leur localisation a été vérifiée. L’objectif était de s’assurer de la cohérence des coordonnées de chaque point avec l’information en format physique des dossiers de chaque parcelle à la DRF afin d’éviter une localisation différente de celle décrite dans le dossier.
Pour commencer, la couche comportant 866 points a été superposée à la cartographie de référence. Pour chaque point, la localisation a été révisée dans son dossier physique, lequel se présente en forme de schémas
24
ou de croquis de la localisation élaborés sur le terrain, de cartes et/ou d’images aériennes. Par la suite, la localisation était constatée en l’identifiant selon différentes sources de vérification (couche de cadastre, images aériennes de l’inventaire écoforestier, les 4 versions de cartes écoforestières, images historiques de Google Earth, recherche sur internet de référentiels historiques et identification de références sur terrain avec Google Streetview).
Finalement, si une erreur de localisation était observée, les coordonnées du point étaient corrigées avec la localisation adéquate. Les principales erreurs de localisation étaient: une différence de distance entre les éléments géographiques existants et le point, des points localisés sur un autre lot, des points situés du mauvais côté de la route, des points sur la route, deux ou plusieurs points avec les mêmes coordonnées et enfin, des points localisés sur des plans d’eau. Au final, sur les 866 points initiaux, 272 points avaient une bonne localisation, 551 points ont été corrigés et 43 points ont présenté des difficultés de localisation qui n’ont pas pu être réglées. Ces points problématiques ont été éliminés, réduisant la quantité de parcelles utilisables à 823.
1.2.2.2 Filtrage des mesures
Il est important de noter qu’une plantation peut avoir plusieurs parcelles et une parcelle peut avoir une ou plusieurs mesures. Par exemple, la plantation numéro 8212 comprend 3 parcelles (PEP= 1, 2, 3). Les parcelles 1 et 2 ont été mesurées 1 fois en 1979, tandis que la parcelle 3 a été mesurée 3 fois (2000, 2005 et 2010).
Lorsque plusieurs mesures étaient disponibles pour une même parcelle, une seule était retenue, en prenant en compte deux facteurs :
• Un IQS différent de 0: Il était essentiel d’utiliser l’information d’IQS par point, car elle est la composante principale pour les analyses de productivité. Comme l’IQS est dérivé de l’âge de la plantation et de sa hauteur, tous les points avec IQS 0 et sans information d’âge ou hauteur n’ont pas été retenus.
