Avancées dans la cartographie de la biomasse forestière

Les forêts sont super importantes pour l'environnement. Elles aident à stocker le carbone, ce qui est crucial pour lutter contre le changement climatique. Pour bien gérer les forêts, on a besoin de données précises sur la quantité de biomasse, surtout la biomasse aérienne (AGB), qui désigne la masse totale des arbres vivants, des branches et des feuilles au-dessus du sol. Les méthodes traditionnelles de mesure de la biomasse demandent beaucoup de temps et d'efforts, ce qui rend leur utilisation à grande échelle compliquée. La télédétection, qui utilise la technologie pour collecter des infos à distance, est devenue une façon populaire d'estimer l'AGB des forêts sur de grandes surfaces plus rapidement et efficacement.

#Rôle de la Télédétection

La télédétection implique différents types de technologies qui peuvent voir et mesurer les arbres depuis le ciel. Ça comprend les données optiques, le radar à synthèse d'ouverture (SAR) et la détection et télémétrie par laser (LiDAR). Chaque type a ses forces et faiblesses :

• Données Optiques : Capturent la lumière réfléchie par les arbres, nous permettant de voir des détails comme la couverture forestière. Cependant, ça peut avoir du mal à passer à travers les nuages et c'est moins efficace dans les canopées forestières denses.

• SAR : Cette technologie envoie ses propres signaux radar pour mesurer la forêt. Elle peut traverser les nuages et fonctionner jour et nuit, ce qui la rend fiable pour la collecte de données. Pourtant, elle a aussi ses limites et peut être affectée par le type de structure forestière.

• LiDAR : Utilise la lumière laser pour mesurer la hauteur des arbres et la structure de la canopée. Ça fournit des informations détaillées en trois dimensions sur les forêts et réduit les problèmes de saturation, mais ça peut aussi être limité par des conditions atmosphériques comme les nuages.

#Nouvelles Avancées en Télédétection

Un nouvel outil appelé Global Ecosystem Dynamics Investigation (GEDI) change la manière dont on collecte des données sur la biomasse des forêts. GEDI utilise un capteur LiDAR pour fournir des mesures haute résolution, surtout dans les forêts denses où d'autres méthodes échouent souvent. Cependant, les données GEDI sont collectées sur de petites zones, ce qui signifie qu’on a besoin de les combiner avec des données d'autres sources pour créer une carte complète de l'AGB des forêts.

Dans cette étude, on visait à développer des méthodes pour créer des cartes précises de l'AGB en utilisant les données GEDI et d'autres sources de télédétection. En utilisant des données locales, on espérait améliorer les estimations de l'AGB des forêts dans différentes régions de Chine, spécifiquement dans les régions du nord-est et du sud-ouest.

#Zones d'Étude

La recherche a été menée dans deux régions de Chine : une dans le nord-est, principalement dans les provinces de Jilin et Heilongjiang, et l'autre dans le sud-ouest, principalement dans la province du Yunnan. Ces régions ont différents types de forêts, climats et terrains, offrant une super opportunité pour tester les méthodes qu'on a développées pour estimer l'AGB.

#Région du Nord-Est

La région nord-est a un climat tempéré, avec des hivers froids et des étés chauds. Les forêts dans cette zone sont principalement composées de pin coréen et de diverses espèces feuillues. Au fil des ans, certaines des forêts primaires ont été perdues à cause de l'exploitation forestière, menant à un mélange de forêts secondaires et de plantations.

#Région du Sud-Ouest

En revanche, la région du sud-ouest est beaucoup plus montagneuse, avec une diversité de types de forêts. Cette zone a un climat subtropical, avec des températures plus élevées et beaucoup de pluie. Les différentes altitudes créent une riche diversité de forêts, y compris des forêts à feuilles persistantes et des forêts à feuilles larges.

#Collecte de Données sur le Terrain

Pour mieux comprendre l'AGB dans ces régions, on a mis en place des parcelles sur le terrain où on a mesuré des arbres. On a collecté des données sur la hauteur et le diamètre des arbres, qu’on a utilisées pour calculer l'AGB avec des équations spécifiques. Ces infos sont cruciales car elles nous permettent de corréler les mesures du terrain avec les données captées par les technologies de télédétection.

#Combinaison des Sources de Données

Dans notre approche, on a combiné des données de GEDI, Sentinel-1 (SAR), Sentinel-2 (optique) et ALOS-2 (SAR en bande L) pour estimer l'AGB des forêts. En utilisant des modèles d'apprentissage machine locaux, on visait à générer des cartes AGB haute résolution avec une taille de pixel de 25 mètres.

#Développement de Modèle

En utilisant les données collectées dans les deux régions, on a développé deux modèles d'apprentissage machine : LightGBM et forêt aléatoire. LightGBM est connu pour son efficacité et sa rapidité, tandis que la forêt aléatoire est souvent utilisée pour son exactitude dans l'analyse prédictive. On a testé les deux modèles pour voir à quel point ils pouvaient prédire l'AGB en se basant sur les données de télédétection.

#Résultats de l'Étude

D'après notre analyse, on a trouvé que LightGBM performait légèrement mieux que le modèle de forêt aléatoire pour estimer l'AGB dans les deux régions. Dans la région nord-est, les deux modèles ont montré une forte corrélation avec les données du terrain, tandis que la région sud-ouest présentait un peu plus de variabilité à cause de son terrain montagneux.

#Métriques de Performance

Les deux modèles ont donné des résultats similaires, mais LightGBM était plus rapide, réduisant considérablement le temps de calcul. Lors de la validation croisée, LightGBM a obtenu des marges d'erreur plus faibles et produit des cartes plus fiables que la forêt aléatoire, surtout dans les zones avec des pentes abruptes.

#Impact du Terrain

Le terrain a joué un rôle significatif dans nos résultats. À mesure que la pente du terrain augmentait, on a remarqué que l'exactitude des estimations de l'AGB diminuait. Dans la région nord-est, les modèles ont bien fonctionné dans les zones plates mais ont montré des défis dans les régions abruptes. C'était l'inverse dans la région sud-ouest, où les fortes pentes compliquaient énormément les mesures.

#Incertitude dans les Estimations

On a également créé des cartes d'incertitude pour montrer la fiabilité de nos estimations de l'AGB. L'incertitude était relativement faible dans les deux régions, indiquant que nos méthodes produisaient des cartes globalement fiables. LightGBM montrait une variabilité légèrement plus élevée dans ses estimations, suggérant qu'il pourrait réagir plus rapidement aux changements dans les données.

#Application au-delà des Zones d'Étude

On a testé nos modèles dans des régions voisines mais différentes, appliquant les mêmes méthodes pour évaluer leur évolutivité. Nos résultats étaient encourageants. LightGBM et la forêt aléatoire ont maintenu une bonne précision, affirmant que notre approche pouvait fonctionner dans différents types de forêts et conditions.

#Conclusion

Cette étude met en avant l'efficacité de la combinaison des données de télédétection avec des mesures de terrain locales pour créer des cartes précises de l'AGB. LightGBM, en particulier, s'est révélé être un super outil pour ça, offrant des résultats rapides et fiables.

Notre recherche offre des insights précieux sur la cartographie de la biomasse forestière en Chine, ouvrant la voie à de meilleures pratiques de gestion forestière et à une compréhension améliorée du stockage du carbone. À mesure que les technologies continuent de progresser et que plus de données deviennent disponibles, on prévoit encore de plus grandes avancées dans la surveillance et la gestion efficace des ressources forestières.

#Directions Futures

Pour l'avenir, d'autres études axées sur l'amélioration de la collecte de données, surtout dans des terrains difficiles, seront cruciales. On va aussi explorer des moyens d'intégrer des sources de données plus diverses et des modèles d'apprentissage machine pour affiner nos estimations. Cette recherche continue est essentielle alors qu'on travaille pour relever les défis pressants posés par le changement climatique et son impact sur les écosystèmes forestiers à l'échelle mondiale.