Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR

(1)

HAL Id: tel-01705217

https://tel.archives-ouvertes.fr/tel-01705217

Submitted on 9 Feb 2018

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Prédire la structure des forêts à partir d’images

PolInSAR par apprentissage de descripteurs LIDAR

Guillaume Brigot

To cite this version:

(2)

NN T : 20 17 SA C L S5 34

Th

èse

de

doct

o

rat

Prédire la structure des forêts à partir

d’images PolInSAR par apprentissage

de descripteurs LIDAR

THÈSE DE DOCTORAT DE L’UNIVERSITÉPARIS-SACLAY

préparée à l’Université Paris-Sud Ecole doctorale n◦575 Electrical, Optical, Bio-physics and Engineering

Spécialité de doctorat : Sciences de l’information et de la communication

Thèse présentée et soutenue à Télecom ParisTech, le 20 Décembre 2017, par

G

UILL AUME

BRIGOT

Composition du Jury : JEAN-MARIENICOLAS

Professeur (Telecom ParisTech) Président

JEAN-PAULRUDANT

Professeur émérite (IGN) Rapporteur

EMMANUELTROUVÉ

Professeur (Université Savoie) Rapporteur

CLÉMENTMALLET

Ingénieur de Recherche (IGN) Examinateur

MARCSIMARD

Ingénieur de recherche Senior (JPL) Co-Encadrant ELISEKOENIGUER

Maître de recherche (ONERA) Directrice de thèse

THUY LETOAN

Ingénieur de recherche (CNRS, CESBIO) Membre invité CÉDRICTAILLANDIER

Ingénieur de recherche (TOTAL) Membre invité

(3)

(4)

(5)

(6)

Remerciements

L’histoire de ma thèse n’a pas débuté le premier décembre 2014 comme l’indique mon contrat de travail de l’ONERA mais en réalité un an plus tôt...

Je cherchais désespérément un stage de fin d’études à l’étranger pour valider mon di-plôme d’ingénieur et aucune de mes candidatures n’avaient abouti. Il ne me restait plus qu’à aller vers mes professeurs après les cours, chose qui ne m’arrivait généralement ja-mais puisque j’étais le premier à quitter la salle dès que la sonnerie retentissait. Je suis donc allé voir après mon cours de radar, que j’avais révisé pour l’occasion, ma profes-seure Mme Koeniguer qui a volontiers accepté de me transmettre une liste de chercheurs à solliciter. Parmi eux, un contact en @jpl.nasa.gov a particulièrement retenu mon atten-tion et l’éventuelle possibilité d’une réponse de sa part m’a tellement excité que je n’ai pas réussi à trouver le sommeil les deux nuits suivantes. Le surlendemain, j’ai reçu une réponse favorable de ce chercheur polyglotte russe de la NASA, basée en Californie : c’est à ce moment que commence ma formidable aventure !

Le sujet était trouvé : j’allais estimer la hauteur des arbres à partir d’images radar satel-lites. Je ne savais pas encore que ce serait ma vie pour les trois ans et demi à venir ! La-bas, j’ai découvert ce qui se rapproche le plus du cadre idéal de travail : soleil, fusées, côtoyer des gens passionnés travaillant sur des missions dignes de la science-fiction et même ap-procher Morgan Freeman, de passage dans nos locaux pour faire un talk sur l’exploration spatiale. Et fréquenter au quotidien des personnes qui sont des monstres de travail et de connaissances, mais avant tout des êtres charmants et accomplis, m’a simplement fait repousser mes limites et travailler en prenant du plaisir, ce que je n’avais jamais pu ima-giner avant. Ils sont TOUS comme ça et j’ai une pensée particulière pour certains d’entre eux : Maxim, Marc, Antonio, Ousmane, Sebastien, Charlotte, Marco, Cecily qui ont vrai-ment rendu mes séjours inoubliables. Les sorties en rooftop, la coupe du monde de foot, les mesures sur le terrain au Québec, les randonnées ou les fous-rire à midi sont aussi les ingrédients de stages réussis.

Puis le retour en France six mois plus tard a été difficile à gérer. Je voulais revivre cette expérience, et après une série d’entretiens infructueux, je décide de me tourner, de nou-veau, vers ma professeure Elise... En quelques coups de fils, trois formulaires et deux en-tretiens, l’affaire est réglée : Je vais faire une thèse tournée vers la mesure des arbres dans son laboratoire à l’ONERA co-encadré par mon ami Marc, chercheur à JPL.

Quelques jours avant le début officiel de mon doctorat, Elise m’a invité à sa soute-nance d’HDR, occasion pour moi de réviser mon radar et de rencontrer mes futurs col-lègues. Je n’ai pas de souvenirs de la présentation mais mon premier contact avec les autres doctorants m’a beaucoup marqué : la seule chose qui leur importait était de sa-voir si je jouais à Leek Wars, un jeu qui consiste à coder l’IA d’un poireau combattant dans une arène. J’étais vraiment inquiet... J’ai appris plus tard que ces types et les autres étaient bien plus que des geeks !

(7)

échangés plus tard, on sait qu’on aurait pu tomber sur pire. Puis vinrent David, Calum et Hélène du bureau d’en face. Nous cinq formions la nouvelle génération de doctorants du département DTIM, une fine équipe. Les "vieux" doctorants complétaient l’aile non-sécurisée. Maxime D qui-parle-sans-cesse partageant son bureau avec la très discrète Isabelle. Flora toujours enthousiaste et habillée de tenues plus colorées les unes que les autres. Et Hicham construisant sa légende... D’autres nous ont rejoint, thésards, stagiaires et alternants qui sont très bien rentrés dans le mouvement : bonne humeur, rigolades, sorties, magie qui me laissent de très bons souvenirs.

Nous nous retrouvions tous plusieurs fois par jours dans la fameuse salle de pause du DTIM avec les permanents habituels, préfèrant le mauvais café en bonne compagnie plutôt que l’expresso deux étages plus bas. On a passé de très bons moments à discu-ter, résoudre des énigmes ou casse-têtes, débriefer de soirées, dessiner et tout simple-ment décompresser. Nous partagions aussi de très bons mosimple-ments en dehors des murs de L’ONERA. Les séances hebdomadaires de natation et de jogging menées par Fabrice étaient de véritables bols d’air et nous ont même menés à quelques compétitions comme le tri-relais où le podium nous a échappé de peu ! Je n’oublie pas les parties de AOE et Atwar, les retrouvailles à la Tireuse...

Et parmi tous ces bons instants passés, il y a aussi et sans exception toutes les sessions de travail, de brainstorming, de relecture et répétition que j’ai eues avec Elise et Marc. Interagir avec des personnes aussi compétentes et attentionnées a été un moteur tout au long de ma thèse et je ne les remercierai jamais assez pour m’avoir fait confiance et porté pendant ces trois années.

Ma recette d’une thèse réussie (3 ans de préparation) : • Un soupçon de travail

• Un superviseur qui te raccompagne chez toi après un bar

• Une superviseure qui t’en veut pour 8 secondes de retard sur un cross de 6 km • Consommer minimum 50cl de bière à Paris, Los Angeles, Rome, Hambourg,

Mu-nich, Pau, Toulouse et Fort Worth

• Compléter par un coaching physique et mental journalier • Badigeonner son oeil d’un cocard pour sa première conférence • Eplucher ses soirées à bord du noctilien

• Ajouter une victoire au tournoi de foot du plateau de Saclay

• Incorporer des discussions osées in French dans les couloirs du JPL • Faire mijoter le manuscrit pendant 4 mois

(8)

Table des matières

Table des matières vii

Liste des figures ix

Liste des tableaux xv

1 Cartographies mondiales de biomasse forestière : quelles précisions et

limita-tions aujourd’hui ? 5

1.1 Définition de la biomasse forestière et principaux enjeux . . . 6

1.2 Les différents types de végétations sur la planète . . . 9

1.3 Cartographie de la biomasse et des forêts à l’échelle planétaire : quelles pré-cisions aujourd’hui ? . . . 12

1.4 Les missions spatiales déployées ou à venir pour l’estimation de la biomasse 19 1.5 Conclusions Préliminaires . . . 22

1.6 Références . . . 22

2 Estimation de la biomasse : Etat de l’art des méthodes 25 2.1 Techniques déployées en radar . . . 26

2.2 Les techniques déployées en LIDAR . . . . 41

2.3 Etat de l’art en fusion SAR/LIDAR . . . . 49

2.4 Conclusions Préliminaires . . . 54

3 L’apprentissage automatique en télédétection 63 3.1 Qu’est ce que l’apprentissage ? . . . 64

3.2 Les Support Vector Machine . . . . 66

3.3 Les Perceptrons . . . 71

3.4 Les forêts d’arbres décisionnels . . . 73

3.5 Le Deep Learning . . . 75

3.6 Conclusions Préliminaires . . . 78

4 Analyse des données et Traitements préliminaires 81 4.1 Présentation des Super-sites . . . 83

4.2 La coregistration des données . . . 89

4.3 Premières analyses des données . . . 95

4.4 Premières tentatives d’apprentissage . . . 106

4.5 Conclusions préliminaires . . . 112

(9)

TABLE DES MATIÈRES

5 Un schéma de fusion sur les Laurentides : Analyse et résultats 115

5.1 Mise en place de la méthode complète . . . 116

5.2 Les résultats . . . 125

5.3 Upscaling . . . 130

5.4 Reconstruction du signal lidar . . . 131

5.5 Une difficulté majeure : l’effet de la pente . . . 132

5.6 Conclusions préliminaires . . . 133

A Etude de la forme de Cohérence I

A.1 Le champ de valeur de la région de cohérence : propriétés géométriques . . I A.2 Paramétrage en dimension 7 de la forme de cohérence POLINSAR utilisée

dans cette thèse en entrée d’apprentissage . . . II

B La fonction recalage par Gefolki V

B.1 Filtre de rang . . . V B.2 Inversion de contraste . . . V B.3 La précision de recalage par rapport aux techniques de géoréférencement . VI

(10)

Liste des figures

1.1 Répartition des types de forêts sur terre - Image credit : Biomes - Figure 2 by OpenStax College, Biology, CC BY 4.0 . . . . 10 1.2 Répartition des forêts boréales - From Wiki Commons, by GeoForce3 CC

BY-SA 3.0 . . . . 11 1.3 Distribution des forêts mixtes - From Wiki Commons, by Terpsichores CC

BY-SA 3.0 . . . . 11 1.4 distribution des forêts tropicales - de Wiki Commons, by Terpsichores CC

BY-SA 3.0 . . . . 12 1.5 Paramètres principaux descripteurs d’un arbre utilisé dans les équations

al-lométriques . . . 14 1.6 Première carte mondiale sur les masses de carbone par unité de surface,

ob-tenue en 1983 parOLSONet collab.[1983] en combinant des données d’in-ventaires locaux . . . 14 1.7 Première carte de la biomasse mondiale au demi-degré obtenue en 2008 par

KINDERMANNet collab.[2008], par extrapolation des données d’inventaire

sur une grille spatiale régulière par des modèles de régression. . . 15 1.8 Cartographie des hauteurs de canopées selonLEFSKY[2010] obtenue en 2010

grâce aux données LIDAR de la mission spatiale ICESat (Ice, Cloud,and land Elevation Satellite) et le radiomètre spectral MODIS (Moderate Resolution Imaging Spectroradiometer). Résolution au sol : 1km x 1km . . . 16 1.9 Cartographie des hauteurs de canopées obtenue parSIMARDet collab.[2011]

en 2011, à partir de données LIDAR de la mission spatiale ICESat, de la mis-sion spatiale radar Space Radar Topography Mismis-sion, ou SRTM, et de don-nées terrain. Résolution au sol : 1km x 1km . . . 16 1.10 Cartographie de la biomasse forestière selonSAATCHIet collab.[2011]

obte-nue en 2011 par la combinaisons de multiples données, notamment LIDAR. 17 1.11 Comparaison des deux cartes de biomasse forestière par SAATCHI et

col-lab.[2011] etBACCINIet collab.[2012] autour des tropiques (parMITCHARD

et collab.[2013]) . . . 18 1.12 Classification binaire forêt/non forêt obtenue en 2014 d’aprèsSHIMADAet

col-lab. [2014], à partir des données polarimétriques radar du capteur ALOS PALSAR (Advanced Land Observing Satellite, Phased Array L-band Synthetic Aperture Radar) . . . 18 1.13 Carte mondiale du nombre d’arbre par kilomètre carré, obtenue en 2015 par

(11)

LISTE DES FIGURES

2.1 Illustration des effets de pénétration dans le couvert végétal en fonction de la longueur d’onde, et schématisation de l’arbre tel que "vu" par l’onde élec-tromagnétique à différentes fréquences clés : de la bande X, sensible aux branches et feuilles, à la bande P qui voit principalement les troncs et les branches maîtresses. . . 28 2.2 Mécanisme des vecteurs de la base de Pauli . . . 29 2.3 Illustration de la saturation du coefficient de rétrodiffusion en forêt boréale

(gauche) et erreur d’estimation engendrée (droite)JOSHIet collab.[2015] . . 30 2.4 Illustration des effets de la pente sur la modification du coefficient de

rétro-diffusion. A gauche : le rebond tronc-sol implique deux mécanismes spécu-laires ; à droite cette symétrie et brisée, la surface de sol impliquée dans une cellule au sol (figurée en trait plein vert) est modifiée, ainsi que l’angle d’in-cidence locale (entre le trait pointillé rouge et le rayon rouge à gauche, ou le trait pointillé bleu et le rayon rouge à droite.) . . . 31 2.5 La cohérence interférométrique est souvent par un point représenté dans

le plan complexe. Le module est proportionnel au degré de cohérence, la phase est proportionnelle à la hauteur du centre de phase considéré . . . . 32 2.6 Un exemple de région de cohérence représentée pour un pixel dans le plan

complexe. L’ensemble des points gris correspond à divers coefficients in-terférométriques calculés pour diverses combinaisons de polarisations. Les trois points de couleurs correspondent aux trois cohérences interféromé-triques calculées dans les polarisations de mesure. . . 34 2.7 Modélisation Random Volume overGround, ou RVoG, à gauche et F(z)

as-sociée à droite : le volume de végétation est un volume aléatoire de parti-cule sur un sol de type miroir, induisant des phénomènes de rebond. On démontre dans ce cas que le modèle est équivalent à une fonction de réflec-tivité F(z) avec une contribution de type dirac pour le sol, et une fonction exponentielle pour le volume. . . 36 2.8 cohérence volumique pour plusieurs atténuationsσ fixées (GARESTIERet

col-lab.[2008a]) . . . 37 2.9 Représentation du modèle ERVoG : la couche de végétation se situe au

des-sus du sol . . . 38 2.10 A) Géométrie d’acquisition en TomoSAR, B) Géométrie dans le plan

dis-tance/élévation (LIN[2017]) . . . 39

2.11 Coupe d’un tomogramme bande L sur la forêt de Traunstein, Allemagne PARDINIet collab.[2012] . . . 40 2.12 Forces et faiblesses de l’estimation de la biomasse ou hauteur de végétation

par un imageur radar . . . 41 2.13 Onde complète LIDAR - Schéma d’après Fernandez-Diaz, J. C. (2011).

Lif-ting the Canopy Veil - Airborne LiDAR for Archeology of Forested Areas. Ima-ging Notes, 26(2). . . . 42 2.14 Relations entre différents mode d’acquisition LIDAR. Pour une même

(12)

LISTE DES FIGURES

2.15 Décomposition d’un signal LIDAR (y1 en bleu) en un signal du sol (G en

rouge) et un signal de la canopée (C en vert) . . . 45

2.16 Transformation du signal en "Canopy Height Profile" . . . 46

2.17 Schéma de calculs des Relative Heights (Rhs) - D’après la description LVIS Data Structure (LDS) Version 1.03 Description donnée par le site web LVIS de la NASA : https ://lvis.gsfc.nasa.gov . . . 47

2.18 Exemple de relations Biomasse / hauteur moyenne LIDAR (ASNER[2009]) . 48 2.19 Forces et faiblesses du LIDAR pour l’estimation de biomasse . . . 49

2.20 La fusion de deux capteurs complémentaires . . . 49

2.21 Les trois types de produits d’élévation possibles . . . 51

2.22 Principe général de la thèse : apprendre à partir de données PolInSAR, des descripteurs LIDAR pour en déduire la biomasse . . . . 54

3.1 Exemple schématique de la fonction d’apprentissage . . . 64

3.2 Exemples pour les différentes fonctions d’inférence possibles . . . 65

3.3 L’hyperplan optimal (en rouge) avec la marge maximale. Les échantillons entourés sont des vecteurs supports - Par Sylenius, Wiki Commons, CC BY-SA 3.0 . . . 67

3.4 Exemple d’une frontière non linéaire entre 2 ensembles - illustration Wiki Creative Commons CC BY-SA 4.0 by Alineasky . . . 68

3.5 Schéma réseau à une couche cachée . . . 72

3.6 Exemple d’une arbre de décision sous forme d’organigramme . . . 74

3.7 Exemple de décision majoritaire suite au Tree Bagging . . . 75

4.1 La forêt Suédoise de Remningstorp. A gauche, situation géographique du site d’intérêt, et à droite photographie sur une lisière de parcelle. . . 84

4.2 Les jeux de données disponibles et la localisation des données de vérité ter-rain sur Remningstorp : les données Radar géoréférencées apparaissent en transparence sur un fond de cartographie optique ; les différents plots de vérité terrain sont superposés en vert. Représentation obtenue grâce au lo-giciel QGIS. . . 85

4.3 Les différents DSM (Digital Surface Model) disponibles sur Remningstorp : de gauche à droite, le SRTM90m, le DEM50m, le LIDAR à 50cm. . . 86

4.4 Le Parc National des Laurentides : cartographie et photographie . . . . 86

4.5 Couvertures d’UAVSAR (Uninhabited Aerial Vehicle Synthetic Aperture Ra-dar) et LVIS (Land, Vegetation, and Ice Sensor) au Parc des Laurentides. A gauche, les deux empreintes principales PolInSAR d’UAVSAR, avec de fines bandes recouvrantes qui correspondent aux données LVIS. A droite, un zoom permet de visualiser cette empreinte LIDAR. Les données sont représentées grâce au logiciel QGIS. . . 87

4.6 La campagne de vérité terrain sur les Laurentides, effectuée juste avant la thèse. L’image de droite a été réalisée grâce au logiciel QGIS : elle montre l’empreinte des données UAVSAR ainsi qu’une donnée Tandem-X utilisée pour analysée le relief, et en vert les localisations des données de relevés terrain. . . 87

4.7 Les différents sites choisis au Gabon . . . 88

(13)

LISTE DES FIGURES

4.9 Schéma de coregistration par georeférencement : les grilles de longitude et latitude sont produites pour les deux images, et servent de grilles de réinter-polation de l’une de l’image sur l’autre. . . 91 4.10 Schéma de coregistration par Gefolki : une initialisation grossière par points

d’amers, suivi du calcul de flot par GeFolki permettant le rééchantillonage final de l’image maître sur l’image esclave . . . 94 4.11 Résultat de recalage du DEM (Digital Elevation Model) lidar haute

résolu-tion avec une image SAR sur Remningstorp (Suède) après géoréférencement (à gauche) et avec GeFolki (à droite) . . . . 94 4.12 Interférogrammes en bande P et L obtenus sur la forêt de Remningstorp

après les étapes suivantes : recalage (GeFolki), compensation de frange or-bitale, et déroulement de phase par snaphu . . . 98 4.13 Niveau de cohérence en polarisation Hh, en bande P à gauche, et bande L

à droite, sur la forêt de Remningstorp. Les ellipses jaunes mettent en avant des zones de sols nus où les comportements sont très différents entre les deux bandes. . . 98 4.14 Ambiguité pour déterminer la phase interférométrique du sol : les deux

va-leursφ1etφ2sont les deux candidates potentielles . . . 99 4.15 Élévation du sol obtenue à partir des données POLINSAR par la formule

θgroundha/2π à gauche, et celle donnée par la donnée LIDAR DEM. Les

va-leurs sont données en mètres. . . 100 4.16 Signature radar et lidar pour des arbres isolés . . . 101 4.17 Signature radar pour un arbre isolé, et mesure de sa hauteur à l’aide de la

distance projeté entre pied et sommet de l’arbre . . . 101 4.18 Données LIDAR et cohérence polarimétrique pour deux stands d’épicéas de

16m, avec différentes incidences : 44 et 33 degrés . . . 102 4.19 Illustration des effets potentiels de l’incidence sur les formes de cohérence :

à incidence faible, la longueur de pénétration est plus importante, le centre de phase moyen doit donc se rapprocher de celui du sol. . . 103 4.20 Données LIDAR et cohérence polarimétrique pour deux stands de forêt à

incidence et ambiguïté égales : seules les espèces diffèrent . . . 104 4.21 Tomogrammes réalisés par le Centre allemand pour l’aéronautique, ou Deutsches

Zentrum für Luft- und Raumfahrt (DLR), (M. PARDINI[2017]) pour les trois polarisations. . . 106 4.22 Deux exemples de profils LIDAR LVIS complexes au Gabon . . . 106 4.23 Visualisation des paramètres décrivant la forme de cohérence . . . 107 4.24 A gauche : RH100 de la VT des données LIDAR ALS, à droite : hauteur

calcu-lée à partir d’une méthode SVM . . . 108 4.25 Quatre exemples de reconstructions de profils différents. En rouge le profil

LIDAR, en bleu, le profil reconstruit par SVM . . . 109 4.26 gauche : hauteur RH100 (en mètres) donné par le LIDAR haute résolution,

droite : hauteur calculée à partir d’une SVM . . . 109 4.27 gauche : hauteur RH100 (en mètres) donné par le LIDAR haute résolution,

droite : hauteur calculée à partir d’une SVM. Plusieurs parcelles sont zoomées110 4.28 A gauche : RH100 donné par le LIDAR LVIS. A droite : RH100 calculée à partir

(14)

LISTE DES FIGURES

5.1 Comparaison entre le RH100 délivré par LVIS et celui calculé à partir de la décomposition gaussienne . . . 119 5.2 Cas d’évaluation de RH100 entraînant une différence majeure entre les

dif-férentes méthodes d’estimation. Signal filtré en rouge, décomposition gaus-sienne en noir, hauteur du sol calculée en bleu, et hauteur RH100 fournie par LVIS en rouge foncé, hauteur RH100 calculée par nos soins en vert . . . 119 5.3 Les notions de canopy closure et canopy cover - (c) [KORHONENet collab.,

2006] . . . 120 5.4 Puissance des retours du sol (AGen rouge) et de la canopée (ACen vert) . . 121 5.5 Couverture de canopée estimée sur les Laurentides. Vert foncé : fermeture

élevée ; Vert clair : fermeture faible . . . 121 5.6 Trois classes de répartition verticale en forêt boréale . . . 123 5.7 Les trois axes de descriptions de la forêt . . . 123 5.8 Estimation du RH100 par l’application d’un perceptron sur notre jeu de 7

paramètres . . . 125 5.9 RH100 lidar comparée au RH100 prédite par un perceptron multicouche . . 126 5.10 Histogrammes des hauteurs prédites pour différentes bases d’apprentissage 127 5.11 Estimation de la couverture au sol : En haut : classification réalisée sur le

LIDAR ; en bas : classification réalisée en sortie d’apprentissage. . . 128 5.12 Carte de classification des profils verticaux obtenus. En haut : vérité terrain ;

au milieu : la prédiction ; en bas : la légende et des exemples de profils pour les trois types de classes . . . 129 5.13 Les portions sur lesquelles sont faites l’entraînement . . . 130 5.14 En vert, exemples de profils correctement prédits à partir d’images

PolIn-SAR, après extraction de nos trois descripteurs. Les profils de référence LI-DAR sont représentés en rouge . . . 131 5.15 Exemple de profils calculés à partir d’images PolInSAR où un des 3

(15)

(16)

Liste des tableaux

4.1 Tableau des RMSE en fonction de chaque hauteur relative le long du profils de densités . . . 108 5.1 Les différents ensembles de descripteurs considérés pour l’apprentissage . 117 5.2 RMSE (Ecart type) (m) pour l’estimation de la hauteur de la canopée pour

différents jeux de paramètre descripteurs de la base d’apprentissage . . . . 126 5.3 Normalized RMSE (m) for canopy closure estimation with different feature

sets . . . 127 5.4 Matrice de confusion de la classification des profils verticaux . . . 129 5.5 Score F1 de la classification des profils verticaux . . . 130 5.6 RMSE (en m) du RH100 prédit en fonction de la portion de zone servant à

(17)

(18)

Introduction

Cette thèse a pour objet la caractérisation des forêts en trois dimensions, à l’échelle planétaire.

La description complète des forêts et de leurs sols est un enjeu crucial dans de mul-tiples domaines : écologie, défense et industrie. D’un point de vue écologique, l’évolution de la masse totale d’êtres vivants en un lieu donné, ou biomasse, joue un rôle particuliè-rement important dans le réchauffement climatique. En effet, les écosystèmes forestiers recyclent le carbone et jouent à ce titre un rôle écologique majeur dans l’équilibre pla-nétaire. Afin d’anticiper les évolutions du climat, ou de développer des programmes de gestion durable, une connaissance précise de la ressource est nécessaire. Sur le plan mili-taire, la connaissance de la structure tridimensionnelle de la forêt aide à mettre au point les méthodes de détection de véhicules sous le couvert végétal. La cartographie du re-lief de terrain sous couvert présente également un intérêt pour l’élaboration de cartes de practicabilité, permettant d’identifier les zones de passage possibles pour les véhicules. Enfin d’un point de vue industriel, la forêt constitue un enjeu économique important, que ce soit pour l’exploitation du bois ou l’exploitation des ressources souterraines. Ceci explique l’importance de disposer d’une connaissance précise de ces forêts. Cette der-nière sera notamment utile afin de s’inscrire dans une logique d’exploitation durable et efficace des forêts.

Contrairement aux méthodes in situ qui consistent à faire des mesures sur le ter-rain, la télédétection est une technique de mesure à distance, qui permet d’analyser les rayonnements électromagnétiques réfléchis ou émis par la scène étudiée, dans un certain domaine de fréquences (infrarouge, visible, micro-ondes). La constellation de satellites d’observation terrestre actuelle nous permet déjà de cartographier les forêts à l’échelle de la planète, ce qui répond en partie à ce besoin. Il est également possible d’acquérir des images aéroportées ou drône, sur des zones moins étendues, soit pour répondre à un besoin spécifique, soit pour préparer les missions satellites futures.

Mais dans tous les cas, l’obtention des données d’intérêt sur la forêt ou sur le terrain ne s’effectue que de manière indirecte à partir des signaux de télédétection enregistrés. Les précisions obtenues dépendent ainsi du type du capteur choisi et de la méthodologie d’estimation. Ainsi, le potentiel des méthodes de télédétection vis à vis de l’application visée fait encore l’objet de nombreuses études qui s’effectuent parallèlement aux diffé-rents progrès technologiques obtenus au niveau des capteurs en termes de résolution, précision, étendue spatiale, et fréquence temporelle.

(19)

télédé-LISTE DES TABLEAUX

tection permettent d’obtenir des informations sur le sol masqué par de la végétation. Ce besoin est décliné en plusieurs besoins spécifiques : la connaissance du relief sous les fo-rêts, la mesure des hauteurs de végétations, de la biomasse et des structures forestières, la connaissance des espèces d’arbres, la mesure du stress environnemental et hydrique. La thèse présentée dans ce manuscrit a été cofinancée par Total et l’Onera dans le cadre de ce projet de recherche NAOMI, pour aider à répondre aux enjeux concernant les surfaces végétalisées.

L’objet du chapitre 1 est de détailler l’évolution de la cartographie des forêts afin d’avoir du recul sur les précisions atteintes aujourd’hui, et les progrès qu’il reste à faire. A l’heure actuelle, plusieurs cartes de biomasse ou de hauteurs de végétation ont déjà été produites à l’échelle de la planète en couplant des mesures de télédétection et des me-sures sur le terrain.

Les données du domaines optique (visible ou infrarouge) acquises pour plusieurs bandes de fréquence (multispectrales ou hyperspectrales) sont utiles pour caractériser la végéta-tion. Mais ces images du couvert forestier ne donnent qu’une information bidimension-nelle du volume et sont insuffisantes pour avoir une description en volume.

Aussi, jusqu’à présent, c’est principalement le LIDAR (LIght Detection And Ranging) qui a été utilisé comme moyen de télédétection pour réaliser de telles estimations. Le LI-DAR utilise la lumière cohérente (du spectre visible, infrarouge ou ultraviolet) issue d’un laser, et analyse les propriétés du faisceau renvoyé vers l’émetteur. Les LIDAR aéroportés offrent des informations très précises mais leur coût technologique les empêche d’être déployés sur de trop grosses emprises. La faible résolution spatiale des LIDAR spatiaux, leur inefficacité dans les zones nuageuses, notamment tropicales, rendent les estimations délivrées à une échelle globale encore incomplètes et imprécises. Par ailleurs, suivant les techniques employées, les différentes cartes obtenues contiennent encore de grandes dis-parités et témoignent du chemin qu’il reste à accomplir pour obtenir de meilleures préci-sions.

Le second type de capteur de télédétection le plus prometteur est le radar à synthèse d’ouverture (abrégé SAR pour Synthetic Aperture radar en anglais) qui présente, pour cer-taines bandes de fréquences et dans cercer-taines configurations, l’avantage de pénétrer jus-qu’au sol et d’être porteur d’informations sur toutes les couches de végétation, quelles que soient les conditions météorologiques. Dans ces modes d’acquisitions avancés, il est ainsi possible d’inverser la hauteur de la végétation. Le potentiel de ces méthodes a fait l’objet de nombreuses études, pour l’instant restreintes aux données aéroportées. Elles ont également pour but de dimensionner les capteurs des futurs satellites qui, à l’horizon de 2020, vont illuminer la Terre pour mieux cartographier les forêts.

Le premier chapitre sera donc l’occasion de faire l’état de l’art sur les précisions at-teintes aujourd’hui en cartographie forestière par ces deux types de capteur, et leurs li-mites. Le but est de pouvoir anticiper les algorithmes qui pourront être mis en oeuvre sur des missions satellites déployées dans un avenir proche, qui seront à la fois LIDAR et radar, et donc potentiellement d’envisager une démarche de fusion.

(20)

LISTE DES TABLEAUX

des forêts, quels sont leurs avantages et leurs inconvénients.

Dans le domaine radar, le mode le plus utilisé aujourd’hui pour caractériser les forêts est un mode appelé PolInSAR. Ce mode est la combinaison d’une acquisition dite pola-rimétrique, où les polarisations des ondes incidentes et rétrodiffusées sont exploitées, et interférométrique, où deux acquisitions très proches de la même scène sont combinées afin d’extraire des informations de hauteur. De nombreux modèles inversent la hauteur des arbres à partir d’une représentation de ces signaux dédiée, dite forme de cohérence.

Du coté du LIDAR, nous avons accès à des données ondes complètes sur des em-preintes de 20m de rayon environ. Ces emem-preintes sont régulièrement espacées. Les pro-fils LIDAR sont plus directement interprétables que les données PolInSAR : ils peuvent être expliqués comme des profils verticaux de distribution de la végétation. C’est à par-tir de ces profils que sont calculées hauteur, couverture spatiale de végétation, diversité verticale, etc. En matière de précision verticale, le lidar reste le capteur de référence. Par ailleurs, le lidar scanne la scène de manière quasi verticale à la différence du radar qui illumine la scène latéralement, avec une résolution au sol qui peut changer dans l’image, suivant l’incidence, et en fonction du relief.

Le chapitre 2 aborde également les premiers travaux de fusion qui confortent l’inté-rêt d’une utilisation en synergie des données LIDAR et radar. La fusion montre souvent l’inaptitude du radar à améliorer les scores d’inversion du lidar. Aussi dans notre thèse, la démarche de fusion est différente : le gain de fusion recherché est l’amélioration des ré-sultats d’inversion du radar en l’absence d’information LIDAR. L’ambition de notre travail est d’étendre la précision du lidar sur la couverture du radar. En effet, même si les don-nées LIDAR sont plus précises, généralement elles ne recouvrent pas la totalité du globe, tandis que les couvertures des futures SAR spatiaux recouvriront presque l’ensemble de la planète. Cette démarche de fusion est appelée upscaling. Elle repose à la fois sur l’extrac-tion de paramètres propres aux forêts, indépendants des configural’extrac-tions d’acquisil’extrac-tions des capteurs, et sur la méthode permettant de passer d’un type de paramètres à un autre. Une fois la corrélation entre données radar et LIDAR démontrée, il s’agit de trouver la fonction permettant de passer d’un type de donnée à une autre. Comme la relation entre paramètres lidar et radar n’est pas immédiate, cette fonction sera recherchée à l’aide de méthodes de machine learning ou apprentissage automatique. Nous proposerons et dé-taillerons dans le chapitre 3 quelques méthodes d’apprentissage. Nous montrerons dans quelle mesure certaines d’entre elles ont déjà été utilisées pour les études de forêt par té-lédétection. Les avantages et inconvénients des méthodes proposées seront soulignées. Nous y présenterons en particulier les méthodes SVM, les réseaux de neurones et les fo-rêts aléatoires.

Le chapitre 4 propose l’analyse des premiers développements effectués dans cette thèse.

Les différents jeux de données utilisés y seront présentés. Notre premier cas d’étude sur données réelles porte sur la forêt de Remningstorp en Suède, où nous avons à dispo-sition des données radar aéroportées haute résolution acquises par l’ONERA, et des don-nées LIDAR acquises par l’université suédoise des sciences de l’agriculture (SLU (Swedish University of Agricultural Sciences)), qui se recouvrent en grande partie. Ce site contient des forêts de faibles densités et de faibles hauteurs.

(21)

LISTE DES TABLEAUX

Par ailleurs, la génération de produits interférométriques en bande P et L a permis la comparaison phénoménologique de ces deux bandes.

Les premiers résultats d’upscaling sont développés pour l’estimation de la hauteur de canopée. Pour ces premiers tests, nous avons proposé une description de l’observable PolInSAR traditionnelle, la forme de cohérence, sous la forme de 7 paramètres porteurs de sens vis à vis de la forêt qu’ils décrivent. Dans ce but, nous analysons le comportement de la forme de cohérence vis à vis des forêts rencontrées et des paramètres d’acquisition. Sur ce site, nous nous sommes servis de la bande P pour nos premières expériences car les produits interférométriques étaient de meilleure qualité, et de résolution plus fine : cette dernière permet une évaluation quasi individuelle de la hauteur des arbres et de leur profil.

Afin de démontrer la faisabilité de la méthode d’upscaling, des premiers résultats d’es-timation de hauteurs par SVM sont analysés. Une discussion est également menée, rela-tive aux choix des bandes de fréquences préconisées dans la démarche, en prenant égale-ment en compte le type de forêt considéré. L’analyse des premiers signaux obtenus dans le cadre de campagne réalisée au Gabon est ainsi abordée.

Le chapitre 5 met à profit les analyses précédentes pour proposer un schéma de fu-sion et l’analyse de sa précifu-sion sur un autre site, celui du parc des Laurentides au Qué-bec. Des données radar PolInSAR du capteur UAVSAR en bande L, et des données LIDAR complètes du capteur LVIS, toutes deux acquises par le Jet Propulsion Laboratory, se su-perposent sur une longueur de plusieurs dizaines de kilomètres. Ce site constitue une difficulté supplémentaire, liée au fait que la forêt se situe dans un canyon aux pentes très prononcées. L’accès aux données LIDAR brutes nous permet d’envisager d’extraire des paramètres tridimensionnels pertinents pour l’inversion à partir des images radar.

Dans ce chapitre, nous développons notre choix notamment sur les grandeurs LIDAR que l’on cherche à estimer. Les premières caractéristiques d’intérêt évidentes pour étu-dier la forêt sont sa hauteur et sa superficie. Cependant, ces deux grandeurs ne sont pas suffisantes pour décrire la forêt, en terme de biomasse, de diversité, ou de densité volu-mique par exemple. Nous suggérons donc l’estimation d’un troisième critère, permettant de qualifier le type de distribution verticale de la végétation.

Nous mettons également l’accent sur l’avantage de notre représentation des données PolInSAR sous forme paramétrique par rapport à d’autres représentations plus simples. C’est l’occasion de montrer que le machine learning seul ne peut résoudre une tâche aussi complexe que l’inversion de la structure d’arbres à partir d’images radar brutes : l’extrac-tion de paramètres pertinents, qui favorisent la corrélal’extrac-tion avec les paramètres de sortie à estimer, est une étape clé.

Deux annexes permettent de développer quelques points théoriques qui peuvent être lus en dehors de la description de l’analyse générale : l’annexe A traite des propriétés mathématiques de la forme de cohérence, descripteur radar PolInSAR à partir duquel l’apprentissage a été réalisé ; l’annexe B développe certaines fonctions utiles dans notre algorithme de recalage d’images par flot optique et détaille les précisions atteintes.

(22)

Chapitre 1

Cartographies mondiales de biomasse

forestière : quelles précisions et

limitations aujourd’hui ?

« The concept of global warming was created by and for the Chinese in order to make U.S.

manufacturing non-competitive. » Donald J. Trump, via Twitter, 2012

Sommaire

1.1 Définition de la biomasse forestière et principaux enjeux . . . . 6

1.1.1 La biomasse : deux acceptations distinctes . . . 6 1.1.2 Les différents enjeux derrière l’évaluation de la biomasse forestière 7

1.2 Les différents types de végétations sur la planète . . . . 9 1.3 Cartographie de la biomasse et des forêts à l’échelle planétaire : quelles

précisions aujourd’hui ? . . . 12

1.3.1 Obtenir la biomasse : l’utilisation d’équations allométriques . . . . 12 1.3.2 Les cartographies réalisées à l’aide de données d’inventaire . . . 14 1.3.3 La télédétection satellite à l’échelle mondiale . . . 15

1.4 Les missions spatiales déployées ou à venir pour l’estimation de la bio-masse . . . 19

1.4.1 La mission BIOMASS (radar bande P, 2021) . . . 20 1.4.2 La mission NISAR (radar bande L et S, 2021) . . . 20 1.4.3 La mission TanDEM-L (radar bande L, 2023) . . . 20 1.4.4 ICESat-2 (2018) . . . 21 1.4.5 GEDI (2019) . . . 21 1.4.6 Et bien d’autres missions . . . 21

(23)

CHAPITRE 1. CARTOGRAPHIES MONDIALES DE BIOMASSE FORESTIÈRE : QUELLES PRÉCISIONS ET LIMITATIONS AUJOURD’HUI ?

Introduction

L’objectif principal de cette thèse est le développement d’une méthode permettant de cartographier des paramètres de structures forestières à l’échelle mondiale. Cet objectif peut servir de nombreux besoins. Parmi eux, l’évaluation de la biomasse forestière mon-diale est un bon exemple de toutes les difficultés qui peuvent être rencontrées, tant au niveaux du choix et des dimensionnement des capteurs, des algorithmes mis en oeuvre, et des moyens de validation. Aussi, ce chapitre cherche à dégager les principales difficul-tés rencontrées dans ce domaine, et à évaluer les précisions atteintes dans l’état de l’art le plus récent, afin de mieux cerner l’apport éventuel de la méthode de fusion proposée par la suite.

Dans la première section, nous définissons la notion de biomasse, paramètre clé pour la modélisation de l’évolution climatique. Nous montrons également quels autres intérêts les études de la forêt peuvent servir. Face au défi que représente la mesure de la biomasse forestière, il faut considérer que la planète comprend une grande diversité de végétation, qui sera décrite dans une seconde section. Enfin, nous présenterons un état des lieux sur les estimations actuelles de biomasses dont on dispose, et les perspectives d’amé-liorations prochaines dans ce domaine, notamment autour de l’organisation des futures missions spatiales d’observation terrestre.

1.1 Définition de la biomasse forestière et principaux

en-jeux

1.1.1 La biomasse : deux acceptations distinctes

Le terme de biomasse possède deux acceptions distinctes, une dans le domaine de l’énergie, une dans celui de l’écologie.

Dans le premier cas, le mot biomasse est utilisé pour désigner l’énergie biomasse. C’est la forme d’énergie la plus ancienne utilisée par l’homme depuis la découverte du feu à la préhistoire. Cette énergie permet de fabriquer de l’électricité grâce à la chaleur dégagée par la combustion de ces matières (bois, végétaux, déchets agricoles, ordures ménagères organiques) ou du biogaz issu de la fermentation de ces matières, dans des centrales biomasse. La biomasse désigne alors l’ensemble des matières organiques pou-vant se transformer en énergie. On entend par matière organique aussi bien les matières d’origine végétale (résidus alimentaires, bois, feuilles) que celles d’origine animale (ca-davres d’animaux, êtres vivants du sol).

La biomasse est une réserve d’énergie considérable née de l’action du soleil grâce à la photosynthèse. Elle existe sous forme de carbone organique. Sa valorisation se fait par des procédés spécifiques selon le type de constituant. La biomasse peut être considérée comme une source d’énergie renouvelable si l’utilisation du bois ne conduit pas à une diminution du nombre d’arbres, c’est à dire que sa régénération est au moins égale à sa consommation.

Dans le second cas, en écologie, la biomasse est la masse totale d’êtres vivants dans un milieu donné, et en un instant donné. Elle est estimée en masse par unité de surface ou de volume, plutôt qu’en masse absolue.

(24)

une notion qui s’abstrait des concentrations d’eaux qui peuvent fluctuer en fonction du moment de mesure.

A l’échelle planétaire, le carbone se répartit de la façon suivante : sol (45%), nécro-masse (bionécro-masse morte, 11%), et bionécro-masse vivante (aérienne et souterraine, 44%) (HOUGH -TON [2003]). Ces proportions sont par ailleurs susceptibles de varier grandement d’une région à l’autre. Parmi ces compartiments, la biomasse aérienne vivante est la plus étu-diée car c’est la plus accessible et la plus dynamique. Elle est la variable de référence pour décrire le carbone stocké dans les forêts.

Aujourd’hui, l’étude de la biomasse forestière est donc celle qui suscite le plus d’in-térêt, principalement de par son importance dans l’évolution du climat. Elle est définie comme le poids de matière végétale sèche par unité de surface.

Elle peut être ensuite convertie en masse carbone en utilisant le fait que la proportion de carbone dans le bois est généralement estimée à 50%, mais le calcul de cette propor-tion peut être amélioré.

Dans la suite, nous parlerons de biomasse forestière pour la biomasse sèche aérienne vivante des végétaux ligneux d’un diamètre supérieur à 10 cm.

Nous passons maintenant en revue les différents enjeux existant autour de l’évalua-tion de la biomasse forestière.

1.1.2 Les différents enjeux derrière l’évaluation de la biomasse

fores-tière

Un enjeu d’abord climatique

L’évaluation de la biomasse forestière, c’est à dire la quantité de matière organique végétale, est un sujet au cœur des intérêts pour les études climatiques.

La biomasse joue un rôle dans le réchauffement climatique et les grands cycles de carbone. En effet, la biomasse terrestre est le principal stock de carbone capable de com-penser les émissions de gaz à effet de serre. En tant que réservoir actif de carbone, la forêt a par conséquent son évolution très surveillée et nécessite d’être quantifiée régulièrement à échelle locale et globale.

Or, les incertitudes les plus grandes concernant le cycle de carbone proviennent des erreurs sur les quantités et les variations de biomasse, en particulier pour les forêts tro-picales. Les estimations actuelles de la biomasse à l’échelle mondiale peuvent varier d’un facteur 2. Pour cette raison, de nombreux travaux vise à améliorer nos estimation de bio-masse forestière à l’échelle mondiale.

Elle est aussi un indicateur de l’activité de l’homme comme la pollution, la déforesta-tion ou l’aménagement du territoire. L’évoludéforesta-tion de la biomasse forestière est un indica-teur de l’état de santé de la biodiversité en son sein. Il est donc utile de pouvoir l’évaluer de manière globale, dynamique, continue et fiable.

Mais l’étude de la forêt, et plus particulièrement de sa biomasse, répond à d’autres enjeux que les enjeux climatiques.

Les études sur la forêt pour la recherche d’hydrocarbures

Savoir décrire les forêts revêt d’une importance particulière pour la prospection et l’exploitation des ressources en hydrocarbures dans les sols en présence de végétation.

(25)

se traduire par une modification des espèces en présence, ou par un stress hydrique qui affecte l’état de santé de la végétation. De ce fait, l’analyse de la végétation peut constituer un indicateur de la présence ou non de ces hydrocarbures.

Réciproquement, les études sur les espèces végétales présentes sur des sites contami-nés ou sur des gisements naturels de surface, comme les sables et les schistes bitumineux, sont intéressantes pour savoir quelles sont les espèces végétales capables de re-coloniser les zones imprégnées par des hydrocarburesBERGUEet MÉRIENNE[1986].

Aussi, l’exploration conjointe des espèces de végétation et des gisements permet d’éta-blir un certain nombre de corrélations. Par exemple, sur des tas de résidus d’extraction de schistes bitumineux, on trouve une colonisation presque pure par la luzerne sauvage. Autre exemple, il a été constaté que les sols riches en hydrocarbures sont couramment colonisés par des légumineuses.

Modéliser la surface du géoïde terrestre

La connaissance précise de la surface du géoïde terrestre revêt de multiples intérêts, que ce soit pour la planification de missions, les études d’érosions, la simulation, les cal-culs physiques, la mise en œuvre d’une campagne d’exploration sismique, etc. Aujour-d’hui, la connaissance de la localisation précise de la surface terrestre s’établit essentiel-lement à l’aide de moyens de télédétection. Nous détaillerons certaines des techniques permettant de décrire le relief au chapitre 2.

Mais quel que soit le capteur utilisé, les éléments de sur-sol, comme les arbres ou les bâtiments, biaisent généralement la mesure de l’altitude précise du terrain. Pour cer-taines applications, il est essentiel de s’affranchir de ce biais, par exemple pour connaître le micro-relief présent dans une forêt avant de préparer une mission. Il est alors néces-saire de corriger les mesures obtenues avec éléments de sur-sols, pour remonter à l’élé-vation du sol nu.

De ce fait, les méthodes permettant de remonter à la donnée d’élévation du sol en dessous d’une couche de végétation nécessitent d’être capable de décrire cette couche de végétation sur le terrain par sa hauteur et sa densité.

Etablir des cartes de practicabilité

Afin de préparer des missions sur des terrains boisés, et de connaître l’accessibilité aux sites d’exploration, il est intéressant de connaître l’état des sols, le relief, les espèces d’arbres en présence. C’est alors la notion de practicabilité d’un terrain qui nous inté-resse. La connaissance des conditions de déplacement terrestre est un besoin clé, notam-ment dans les pays tropicaux en saison des pluies. En milieu montagneux et forestier, la connaissance de la localisation de la route et de ses caractéristiques est également très utile pour des applications écologiques et liées à la gestion forestière. Une classification des obstacles, des types de sols et de végétation, et de la nature du relief s’avère donc précieuse pour la mise au point de cartes de practicabilité.

Savoir voir à travers les forêts pour les enjeux militaires

(26)

enjeux miliaires et de surveillance, comme le radar ou le LIDAR. Ce domaine d’imagerie à travers la végétation s’appelle le FOPEN, pour FOLiage PENetrationDAVIS[2011].

Une bonne connaissance de la forêt et des signaux qu’elle génère pour ces capteurs permet d’augmenter le contraste entre une cible d’intérêt, typiquement un véhicule mi-litaire, et la forêt. Ces algorithmes prennent la forme d’un filtrage de la couche de végé-tation ; ils réclament de savoir décrire le comportement du couvert végétal vis à vis du capteur, afin d’être capable de minimiser sa contribution.

Notons que les cartes de praticabilité précédemment évoquées sont également d’in-térêt majeur dans le cadre de la défense.

L’exploitation forestière pour la filière bois

Le bois a fourni à l’homme pendant longtemps sa première et unique source d’énergie maîtrisée. Depuis, il a été exploité en tant que matériau, pour des objets, l’ameublement, les constructions, ou pour le papier. En fonction des méthodes d’exploitations forestières utilisées, l’impact environnemental peut être positif ou négatif, c’est à dire que l’évolu-tion de la quantité de bois peut s’en retrouver excédentaire ou déficitaire. De ce fait, tout l’art de l’exploitation forestière réside dans l’organisation des prélèvements de bois en fonction des capacités de production, de reconstitution, et de régénération de la forêt.

Ces activités d’exploitation réclament également des efforts de cartographie pour ré-pondre aux défis d’aménagement du territoire. Il existe en Europe une forte demande d’information standardisée sur les forêts sur les statistiques et sur la localisation des res-sources, ainsi que sur leur état et leur évolution. JEANJEAN [2001] souligne les dispa-rités dans les techniques de mesures de la biomasse entre les pays et qu’une méthode commune de relevés sur le terrain doit être formalisée pour élaborer une carte des forêts continentale.

La forêt et les surfaces agricoles

Les liens entre agriculture, forêt et réchauffement climatique sont étroits. Le secteur de l’agriculture est à la fois responsable et influencé par les changements climatiques.

Dans ce contexte, la Food and Agriculture Organization of the United Nations, ou FAO, est une organisation spécialisée des Nations unies pour l’alimentation et l’agriculture. Elle soutient les pays en développement dans leurs processus de ces réductions d’impacts cli-matiques. Afin de suivre ces évolutions, il est nécessaire de collecter les données relatives aux forêts. Aussi, la FAO travaille à renforcer les capacités dans la conception, la collecte et l’analyse des données des inventaires forestiers nationaux pour surveiller les ressources forestières grâce à des inventaires polyvalents. Ceux-ci impliquent la collecte de données biophysiques qui peuvent satisfaire les exigences d’information nationales et internatio-nales sur les forêts, leur gestion, leur stock de carbone et leur biodiversité. En outre, des informations socio-économiques sont recueillies pour comprendre l’impact anthropique sur les forêts, ainsi que leur rôle dans les moyens de subsistance durables.

1.2 Les différents types de végétations sur la planète

(27)

consi-CHAPITRE 1. CARTOGRAPHIES MONDIALES DE BIOMASSE FORESTIÈRE : QUELLES PRÉCISIONS ET LIMITATIONS AUJOURD’HUI ?

déré. Il est donc indispensable de connaître ces grands types de forêt pour y adapter les méthodes.

30 % des surfaces terrestres sont couvertes par les forêts. Cependant, le type des es-pèces, l’âge moyen des arbres, leur densité moyenne, rend chaque type de forêt bien par-ticulier. En conséquence, il existe quantité de classes végétales différentes, sur lesquels l’impact humain est très différent. En général, de la manière la plus simplifiée, on dis-tingue trois grands types principaux de forêts : boréal, tempéré et tropical. La répartition géographique de ces trois grands types est représentée sur la figure 1.1.

FIGURE1.1 – Répartition des types de forêts sur terre - Image credit : Biomes - Figure 2 by OpenStax College, Biology, CC BY 4.0

Les forêts boréales, aussi appelées taïgas, se trouvent dans les altitudes nord, entre la toundra et les forêts tempérées, à des latitudes d’environ 50°N à 70°N. On peut considé-rer les forêts boréales comme étant le plus grand domaine forestier du globe d’un seul tenant, représentant environ un tiers de la surface forestière globale. De ce fait, les forêts boréales présentent des variabilités régionales considérables. En Amérique du nord, elles couvrent la plupart du Canada et de l’Alaska, comme on peut le visualiser sur la figure 1.2. En Eurasie, la taïga couvre la Scandinavie et une grande partie de la Russie tandis qu’en Asie, elle couvre le nord de la Mongolie, le Kazakhstan et le Japon. La taïga est principa-lement composée de conifères comme le mélèze, l’épinette et le pin. Ces arbres ont une forme conique et ne perdent pas leurs aiguilles pendant l’hiver afin de maximiser la pro-duction d’énergie à partir de la photosynthèse. Bien qu’en infériorité, quelques arbres à feuilles larges se produisent comme le bouleau ou l’érable. Le sol est recouvert d’herbes, de mousses, de lichens et de troncs morts.

La forêt tempérée est une forêt située dans les zones au climat du même nom. Il existe de nombreux types de forêts tempérées, principalement situées dans l’hémisphère Nord, par exemple la forêt mixte de feuillus (bouleaux, érables ...) et la forêt de conifères (pins, épicéas ...) (voir figure 1.3). Le climat est chaud et pluvieux avec parfois une saison sèche distincte.

(28)

FIGURE1.2 – Répartition des forêts boréales - From Wiki Commons, by GeoForce3 CC BY-SA 3.0

(29)

— les arbres moins hauts de 9 à 15 m sont composés de jeunes arbres qui recherchent des ouvertures dans la couche supérieure,

— la couche des arbustes,

— la couche herbacée qui recouvre le sol.

Enfin, les forêts tropicales sont situées dans les régions tropicales et équatoriales. Leur distribution géographique est représentée sur la figure 1.4. Dans ces zones, la tempéra-ture reste relativement constante tout au long de l’année avec une précipitation stable et élevée. La forêt tropicale humide représente le contributeur majoritaire de pompe à di-oxyde de carbone dans l’atmosphère. Il y a une très forte densité d’espèces vivantes dans les forêts tropicales, et une très forte hétérogénéité des différentes couches au sein de la canopée. Le sol de la forêt ne reçoit que 2 % de la lumière du soleil. La couche basse est constituée d’arbustes et de vignes ligneuses, et ne reçoit que 5 % de la lumière du soleil. La couche de canopée est la couche primaire. Cette couche est très dense, de 30 à 45m de hauteur. Elle est composée principalement d’arbres à feuilles larges soutenant une grande quantité de flore comme les orchidées ou les mousses.

FIGURE1.4 – distribution des forêts tropicales - de Wiki Commons, by Terpsichores CC BY-SA 3.0

1.3 Cartographie de la biomasse et des forêts à l’échelle

pla-nétaire : quelles précisions aujourd’hui ?

Avant d’aller plus loin sur la proposition de méthodes permettant d’évaluer la bio-masse, il est légitime de s’interroger sur le degré de précision atteint par les méthodes et les données actuelles. Dans cette section, nous nous interrogeons sur les données ac-tuellement disponibles pour l’ensemble de la planète, afin de déceler quelles sont les li-mitations des estimations existantes, et en déduire des stratégies pour aller au delà des précisions actuelles.

(30)

— soit à l’aide de données de terrain. Les méthodes de calcul n’étant pas standardisées d’un pays à l’autre, il est difficile de réaliser des comparaisons. Par ailleurs, certains pays ne possèdent aucune donnée d’inventaire forestier.

— soit à partir d’observation à distance ou télédétection. Dans ce cadre, les missions peuvent être aéroportées, mais dans ce cas ne couvrent pas l’intégralité de la pla-nète. Les missions peuvent également être satellitaire, et dans ce cas l’appareil de mesure est capable de générer un produit à une échelle globale.

Généralement, la biomasse n’est pas mesurée directement en tant que telle, mais à partir de la mesure d’autres grandeurs, telles que la hauteur de l’arbre, le diamètre de son tronc, son espèce, etc. La conversion de ces grandeurs en biomasse se fait à l’aide d’équations allométriques, terme qui désigne les équations décrivant des phénomènes de croissance biologiques, lorsqu’ils tombent sous une loi de forme mathématique spécifiée. La cartographie mondiale de la biomasse repose donc d’abord sur la cartographie des paramètres structurels de forêts.

Les variables d’une équation allométrique pour la forêt incluent habituellement le Diameter at Breast Height, ou DBH, (en français le diamètre à hauteur de poitrine), la hau-teur des arbres h et la densité du bois, ou le diamètre de couronne W. Les 3 paramètres h, DBH et W sont représentés sur la figure 1.5. Une équation allométrique populaire utilisée estWHITTAKERet collab.[1974] :

B = Nπµ 1 2DBH

¶2

hρfz (1.1)

où B est la biomasse forestière définie comme relative aux troncs et branches de dia-mètre supérieur à 7 cm,ρ est la masse volumique du bois relative à l’espèce de l’arbre, fz est un facteur de forme qui dépend de l’espèce (généralement compris entre 0.4 et

0.5), et N est la densité d’arbres. Le terme G = Nπ(1 2DBH)

2_{correspond à la grandeur qu’on} appelle surface terrière ou basal area en anglais. Le termeπ¡1₂DBH¢2h correspond au vo-lume d’un cylindre de hauteur h et de diamètre DBH, ajusté au vovo-lume de l’arbre à partir du cylindre, par le facteur de forme fz.

Mais cette équation allométrique n’est qu’un exemple parmi d’autres équations qui peuvent être utilisées. Parfois, le DBH est la seule variable utilisée ; dans d’autres cas, la biomasse est directement déduite de la hauteur de la canopée. L’étudeLEFSKYet collab. [2002] regarde dans quelle mesure ces différents paramètres de structure sont corrélés à la biomasse, en fonction des types de forêts. Pour les forêts boréales par exemple, il ressort que la couverture spatiale et d’autres descripteurs sont meilleurs que la hauteur pour déduire la biomasse. Pour d’autres forêts, les conclusions pourront être différentes. Quoi qu’il en soit, la cartographie de la biomasse résulte toujours d’une méthode indirecte et repose sur la cartographie de paramètres intermédiaires.

Ces cartographies s’établissent alors soit à partir de mesures locales, de relevés, et de méthodes d’inférence statistiques ; soit plus récemment à partir de mesures de télédétec-tion, c’est à dire par des mesures à distance utilisant l’interaction entre la forêt et les ondes électromagnétiques.

(31)

limita-CHAPITRE 1. CARTOGRAPHIES MONDIALES DE BIOMASSE FORESTIÈRE : QUELLES PRÉCISIONS ET LIMITATIONS AUJOURD’HUI ?

FIGURE 1.5 – Paramètres principaux descripteurs d’un arbre utilisé dans les équations allomé-triques

tion de nos connaissances sur les climats. A ce titre, la télédétection constitue l’un de seul moyen pratique d’acquérir plus d’informations à grande échelle sur ces facteurs.

1.3.2 Les cartographies réalisées à l’aide de données d’inventaire

Etant donné que les outils de télédétection sont des outils relativement récents, les premières cartographies de forêt ont été effectuées à partir d’analyses locales sur le terrain qui prennent en compte l’espèce, la hauteur et le diamètre de l’arbre.

Ainsi, les premières représentations de données forestières à l’échelle de la planète sont relativement anciennes, qui ne pouvaient donc compter sur l’emploi de capteurs satellites.OLSONet collab.[1983] propose ainsi en 1983 un travail de référence. Ces cartes

n’offrent pas directement une donnée de la biomasse, mais une cartographie générale des écosystèmes (voir figure 1.6). Cette carte a été estimée en définissant 44 écosystèmes différents afin de les classifier en 7 grands groupes. A chacune de ces différentes classes correspond alors des équations différentes permettant de passer des données locales à des données de carbone. La carte est calculée avec un échantillonnage au degré, soit une maille de l’ordre de 100 km de côté au sol.

FIGURE1.6 – Première carte mondiale sur les masses de carbone par unité de surface, obtenue en 1983 parOLSONet collab.[1983] en combinant des données d’inventaires locaux

(32)

carte dénommée Évaluation des ressources forestières mondiales (Global Forest Resources Assessment) est produite par l’Organisation des Nations Unies pour l’alimentation et l’agri-culture (FAO 2005). Cette carte contient des informations agrégées au niveau de chaque pays sur la biomasse et le stock de carbone dans les forêts pour 229 pays et territoires. Elle est réalisée à partir d’un mélange de sources, en combinant des mesures in situ (sur le terrain), des inventaires forestiers nationaux, des statistiques au niveau administratif, des résultats de modèles et des produits de télédétection exploités uniquement localement. Ces données proviennent donc de sources régionales ou nationales, obtenues selon des méthodologies différentes et ne sont donc pas d’une précision ou fiabilité homogène.

En 2008, une carte de biomasse plus régulière spatialement en a été déduiteKINDER -MANNet collab. [2008]. Les données décrites à l’échelle de chaque pays dans le produit FAO 2005 sont extrapolées sur une grille spatiale régulière, avec l’aide d’indices démo-graphiques et de cartes de couverture forestière, en utilisant des équations de régression. Ces équations se basent sur des modèles décrivant les liens entre l’impact humain et la biomasse, qui supposent une diminution de la biomasse avec un niveau d’activité hu-main accru. Les cartes ainsi obtenues représentent l’une des premières tentatives pour produire une base de données spatiales mondiales cohérentes à une résolution à moi-tié degré contenant des valeurs de stock de forêt, de biomasse et de carbone. La figure 1.7 est l’un des produits obtenus : il s’agit de la représentation de la biomasse en sur-sol, exprimée en tonnes par hectares, avec un choix d’échelle colorée similaire à ceux des car-tographies plus récentes2de biomasse présentées plus loin.

FIGURE1.7 – Première carte de la biomasse mondiale au demi-degré obtenue en 2008 parKINDER

-MANNet collab.[2008], par extrapolation des données d’inventaire sur une grille spatiale régulière par des modèles de régression.

Dans tous ces cas, les résultats restent in-homogènes dans la qualité et le type des sources de données exploitées. Pour s’affranchir de ce problème, une solution idéale se-rait de n’utiliser qu’un seul capteur unique et qu’une seule méthode de calcul pour l’en-semble de la planète. C’est l’ambition des derniers travaux réalisés dans le domaine de la télédétection satellite.

1.3.3 La télédétection satellite à l’échelle mondiale

(33)

La première reconnue d’entre elles est celle réalisée dansLEFSKY[2010] en 2010. Cette

carte est représentée sur la figure 1.8. La résolution au sol ne se définit pas facilement, car l’estimation repose sur une segmentation préalable des images MODIS ayant une ré-solution de 500mx500m, en patchs de taille moyenne de 25km2, Ces patchs sont ensuite couplés avec des observations lidar GLAS, de manière à assurer une observation par kilo-mètre carré. Le produit final a donc été délivré sur une maille de 1km au sol, un facteur d’amélioration non négligeable par rapport aux cartographies de carbone précédentes.

FIGURE1.8 – Cartographie des hauteurs de canopées selonLEFSKY[2010] obtenue en 2010 grâce aux données LIDAR de la mission spatiale ICESat et le radiomètre spectral MODIS. Résolution au sol : 1km x 1km

Cette carte a été suivie peu de temps après en 2011 par celle de SIMARD et collab. [2011] (figure 1.9), à la résolution au sol de 1 km x 1km, mais avec une meilleure préci-sion en hauteur. Cette nouvelle carte intègre la connaissance de la hauteur de la canopée apportée par la mission spatiale SRTM et des données de terrain, toujours considérée comme carte des hauteurs des forets de référence.

FIGURE1.9 – Cartographie des hauteurs de canopées obtenue parSIMARDet collab.[2011] en 2011, à partir de données LIDAR de la mission spatiale ICESat, de la mission spatiale radar SRTM et de données terrain. Résolution au sol : 1km x 1km

(34)

la hauteur de l’arbre choisie : il s’agit de la hauteur de canopée dans le premier cas, contre la hauteur moyenne pondérée en taille d’arbre dans le second. Pour les forêts d’arbres à feuilles larges ouvertes ou semi-caduques, qui dominent la courroie tropicale, les se-condes estimations sont en moyenne de 12 m (± 8,9 m) plus grandes. Dans la zone bo-réale, qui est dominée par la forêt à feuilles caduques à feuilles d’aiguille ouverte ou à feuilles persistantes, la carteSIMARDet collab.[2011] a une moyenne de canopée de 7 m

plus grande. Cependant, cette classe de couverture terrestre n’est pas entièrement cou-verte dans la carteLEFSKY[2010], ce qui contribue grandement à cette différence signifi-cative. Les différences se produisent essentiellement sur les zones de forte topographie, où les estimations de la carteLEFSKY[2010] mènent à des forêts plus grandes.

De manière presque concomitante, deux cartes mondiales de biomasse de référence ont été réalisées en 2011 parSAATCHIet collab.[2011] et 2012 parBACCINIet collab.[2012]

en extrapolant des données de terrain locales de biomasse en Europe, Amérique, Afrique et Asie et les données altimétriques GLAS sur toute la couverture forestière grâce aux don-nées MODIS, SRTM et Quick Scatterometer, ou QSCAT,. Leur carte dotée d’une résolution respective de 1km et 500m diffèrent sur de nombreuses zones comme l’a montréMIT -CHARD et collab. [2013]. La première carte est de 10% à 18% plus faible que la seconde en Afrique et en Amérique latine par exemple avec des différences non corrélées géogra-phiquement. Les principales raisons de ces différences sont les équations allométriques différentes utilisées par les deux études, les méthodes de fusion différentes, la résolution choisie et les choix de modélisation de l’environnement.

FIGURE1.10 – Cartographie de la biomasse forestière selonSAATCHIet collab.[2011] obtenue en 2011 par la combinaisons de multiples données, notamment LIDAR.

A notre connaissance, il n’a jamais été réalisé à ce jour de carte de biomasse forestière mondiale, déduites de données radar. Des cartes globales ont déjà été calculées ; elles ne concernent qu’un résultat de classification de sol entre zones occupées par la forêt ou non. C’est le cas de cartes déduites en 2014 des acquisitions ALOS PALSAR, une classifica-tion binaire entre les zones forestières et non forestière est proposée pour chaque année entre 2007 et 2010SHIMADA et collab.[2014] (représentée sur la figure 1.12). Ces cartes

permettent de suivre l’évolution des surfaces de forêts au cours du temps à l’échelle mon-diale.

(35)

hau-CHAPITRE 1. CARTOGRAPHIES MONDIALES DE BIOMASSE FORESTIÈRE : QUELLES PRÉCISIONS ET LIMITATIONS AUJOURD’HUI ?

FIGURE1.11 – Comparaison des deux cartes de biomasse forestière parSAATCHIet collab.[2011] etBACCINIet collab.[2012] autour des tropiques (parMITCHARDet collab.[2013])

FIGURE1.12 – Classification binaire forêt/non forêt obtenue en 2014 d’aprèsSHIMADAet collab.

[2014], à partir des données polarimétriques radar du capteur ALOS PALSAR

teur prédites à partir de la cohérence en est déduite, mais ni la carte globale des hauteurs estimées, ni la carte d’occupation au sol des forêts n’a été publiée dans la littérature.

En dehors de ces travaux menés à l’échelle planétaire, de nombreuses études existent sur le calcul de biomasse à l’aide de données radar, mais sur des zones partielles. Les premiers efforts ont porté sur les forêts tempérées ou boréales et plus récemment, sur les forêts tropicales. Toutes ces méthodes seront développées dans le chapitre suivant.

D’ici l’avènement des futures missions radar dédiées à la végétation, il est probable que de nouvelles cartes de biomasse mondiales voient le jour à des résolutions spatiales bien meilleures que celles existant aujourd’hui.