FTH 2012 Groupe 1 : Estimation de la biomasse pour des données LIDAR en vue de l’optimisation de l’exploitation forestière Groupe 2 : Pertinence des données LIDAR pour le suivi de la biomasse forestière après exploitation Coordinateurs: Grégoire Vincent - Lucas Bourbier - Olivier Chaze - Joël Pannelay Etudiants: Groupe 1: Emmanuel Bouleau - Antoine Drouillard - Danusa Machado - Coralie Thouzeau-Fonseca Groupe 2: Orianne Crouteix - Phillip Schliepper - Jeanne Lavialle - Ruben Lopez

Contexte Laser Range Finder GPS La quantification de la biomasse forestière répond à de nombreux enjeux : Stocks de carbone Biodiversité Exploitation Faible Impact Le LIDAR (Light Detection And Ranging) est un des outils les plus performants pour cartographier cette biomasse. Sur Paracou, des vols LIDAR ont été effectués en 2009 et en 2011 avec deux technologies sensiblement différentes. La structure forestière et la composition des forêts tropicales varie avec le climat, la fertilité des sols, le type de végétation,… La caractérisation de la structure forestière des forêts tropicales est un enjeu majeur pour la gestion des forêts naturelles que les objectifs prioritaires soient l’exploitation forestière, la conservation ou l’estimation des stocks de carbone. Le Lidar aéroporté qui fournit une représentation tridimensionnelle de la végétation représente une alternative extrêmement prometteuse pour acquérir des données de structure forestière sur des zones étendues et/ou d’accès difficile. LIDAR 2009: On envoie un faisceau laser et on récolte la dernière impulsion réfléchie (utilisée par le grpe 1) LIDAR 2011: On envoie un faisceau laser et on récolte toutes les impulsions rélféchies (utilisée par le grpe 2) Laser Range Finder GPS

Problématique L’ONF et certains chercheurs se sont associés pour: Etudier la fiabilité de l’outil aéroporté LIDAR afin de savoir s’il permettra une optimisation de la gestion de l’exploitation des forêts Evaluer la fiabilité de l’outil aéroporté LIDAR pour prévoir les stocks de biomasse sur des parcelles exploitées

Objectifs des groupes 1 et 2 Sommaire Objectifs des groupes 1 et 2 Matériel et méthode Groupe 1 « Fertilité » Groupe 2 « Exploitation » Protocole Présentation des résultats Analyse/Discussion CONCLUSION

Objectifs Groupe « Fertilité » Evaluer la biomasse des zones de forêts à forte ou moyenne fertilité. Evaluer la robustesse des algorythmes de calcul en comparant les estimations de volumes données par le LIDAR avec les données issues des mesures terrains.

Objectifs Groupe « Exploitation » A partir de relevés terrains H/Diam sur des parcelles exploitées de Paracou: Identifier la relation Hauteur/Diamètre selon le degré d’exploitation d’une parcelle Comparer deux modèles de prédiction du stock de Biomasse (ACD) Equation allométrique Chave (2005) : ACD=f(H, D) à partir de données terrain Modèle « universel » Asner (2011) : ACD=f(MCH,BA, WD) à partir de données LIDAR Déterminer si le modèle ASNER est cohérent sur les parcelles de Paracou Estimation du stock de carbone(ACD ) fonction de la hauteur moyenne de la canopée (MCH), de la surface terrière (ST) et de la densité de bois Précision de ± 28 t en forêt non exploitée ( Asner 2011) (vite, beaucoup moins cher, etc) même si traitement sylvicole est connu

Matériel et Méthode Matériel Méthode Générale Vertex laser mètre-ruban cartes, boussole, GPS, ordinateur de terrain, ordinateur mobile (Dolphin 9000) Méthode Générale Sur le terrain 2 équipes par groupe au sol mesurant les hauteurs à l’aide de télémètres (vertex) laser.

Méthode Générale Matériel et Méthode Sur le terrain Mesures réalisées sur des peuplements : exploitées: Groupe 2 non exploitées: Groupe 1 (parcelles témoins)

Matériel et Méthode Données terrain Données Paracou Données LIDAR Détermination du modèle (H=f(D) ) D G Utilisation du modèle d’ASNER Calcul de la biomasse par zone: modèle de CHAVE J. et al., 2005  Extrapolation sur l’ensemble de la population MCH par zone Analyse Hauteur

Forêt exploitée et LIDAR Protocole « Exploitation » Forêt exploitée et LIDAR Importance de l’exploitation/Influence la hauteur de la canopée Image 1 : Répartition de la hauteur (y) en fonction des traitements (1,2 & 3) (x)

Forêt exploitée et LIDAR Protocole « Exploitation » Forêt exploitée et LIDAR Importance de l’exploitation /Influence la relation H/Diam Forêt non exploitée → plus de compétition → H/Diam plus grand H Diamètre (cm)

Protocole « Exploitation » Peut-on évaluer la biomasse d’une parcelle exploitée avec les données de surface terrière et MCH  ?

Protocole « Exploitation » Méthode Comparaison H/D entre différents traitements Comparaison du stock de biomasse estimée avec LIDAR et biomasse estimée avec données inventaire (terrain) → Asner vs Chave Adéquation entre la relation d'Asner selon les traitements

Protocole « Exploitation » Sélection des arbres Traitements T1 T2 T3 T1=10 tiges\ha des espèces commerciales > 50-60cm T2= T1 + empoisonnement des espèces non-commerciales >40cm T3= T1 + exploitation des espèces non commerciales 40-50cm + empoisonnement des espèces non-commerciales >50cm

Protocole « Exploitation » Sélection des arbres 2 parcelles par traitement 1 carré par parcelle Sélection aléatoire de 12 arbres dans 5 catégories de diamètre Remplacement des arbres morts et palmiers avec arbres de la même catégorie

Protocole « Exploitation » LIDAR MCH 

Protocole « Exploitation » LIDAR Données de LIDAR utilisées : MCH\ cellules (5x5m)   Sélection des cellules pour les carrés UTILISEES Calcul des moyennes de MCH\ carré Utilisation des MCH de chaque carré des parcelles étudiées

Résultats « Exploitation » Choix du modèle Approximer la hauteur en fonction du diamètre 3 modèles possibles Weibull simplifié (asymptotique à 2 paramètres) Puissance Weibull complet (3 paramètres)

Résultats « Exploitation » H (m) Diam (cm) Weibull simplifié violet AIC = 2481 Puissance vert AIC = 2465 Weibull complet bleu AIC = 2461

Résultats « Exploitation » Choix du modèle

Résultats « Exploitation » Choix du modèle ANOVA avec T0 Df Sum Sq Mean Sq F value Pr (>F) Log(all$dbh) 1 27,9657 1355,4090 < 2.2e-16 *** All$traitement 0,1343 6,5104 0.011048 * Log(all$dbh):all$traitement 0.1588 7.6971 0.005757 ** residuals 459 9.4704 0.0206 ANOVA sans T0 Df Sum SQ Mean Sq F value Pr (>F) Log(all$dbh) 1 23.5805 1105.7948 < 2.2e-16 *** All$traitement 0.0625 2.9315 0.08774 Log(all$dbh):all$traitement 0.0028 0.1322 0.71639 residuals 353 7.5275 0.0213

Résultats « Exploitation » Choix du modèle Modèle de Weibull complet 4 traitements -> 1 équation 3 paramètres a, b et c Hauteur = 1,3 + a*(1-exp(-b*diamètrec))

Estimation de la biomasse Résultats « Exploitation » Estimation de la biomasse Equation de Chave BiomasseChave = 0,0509*d*diamètre2*hauteur ACD_Chave = 0,48 * BiomasseChave Equation d’Asner ACD _Asner = 2,04*MCH0,436*BA0,946*d0,912 Avec d=0,72*0,88=0,63 Traitement ACD.Chave_ha (T) ACD.Asner_ha (T) T0 142 125 T1 144 127 T2 114 T3 124 113

Résultats « Exploitation » Relation Chave/Asner ACD.Asner_ha ACD.Chave_ha y=0,75x+19,10 R2 = 0,97

Influence du traitement Résultats « Exploitation » ACD.Asner_ha ACD.Chave_ha Influence du traitement Régression linéaire Estimate Std Error t value Pr (>|t|) (intercept) 19.12073 4.04634 4.725 4.41e-05 *** comparaison$ACD.Chave_ha 0.74669 0.02840 26.289 < 2e-16 *** comparaison$traitement -2.67773 3.70971 -0.722 0,476 comparaison$ACD.Chave_ha:comparaison$traitement 0.02303 0.02900 0.794 0.433

Analyse des résultats « Exploitation » Traitement non discriminant => Biomasse des parcelles exploitées : méthode Asner adaptée

Cependant, sur nos données... Analyse des résultats « Exploitation » Cependant, sur nos données... ACD Chave ACD Asner ACD (tonnesC/ha) chaque point = 1 carré d’une parcelle Asner sous estime systématiquement surface terrière (m2/ha)

Analyse des résultats « Exploitation » Discussion Prises de mesure Erreur résiduelle de notre modèle H:D Densité Caractéristiques d’acquisition des mesures Lidar Petites tiges : classe [1-10] prises en compte dans Asner (5% biomasse) Coefficients adaptés à la situation? Asner, moyenne échos, pb si végétation très dense??? Biais densité WD diminue avec exploitation à Paracou? Espèces différentes(héliophiles)=facteur complicatoire Asner étudie forêts à différents stades et 1 seule valeur densité valable? cpdt on a pris mm valeur de densité Chave/Asner : 0,72 à Paracou corrigé des 12%humidité : 0,63 donc mm erreur : on étudie la variation du reste (b1, b2)

Adaptation des coefficients d’Asner Analyse des résultats « Exploitation » Adaptation des coefficients d’Asner a=2,04 b1=0,436 b2=0,946 b3=0,912 Asner et al. 2012 ACD = a.MCHb1.BAb2.WDBAb3 lm(formula = log(ACD.Chave_ha) ~ (log(HmAsner) + log(st_ha)), Estimate Std. Error t value Pr(>|t|) (Intercept) -0.26802 0.12789 -2.096 0.0439 * constante log(HmAsner) 0.32385 0.04853 6.673 1.35e-07 *** b1 log(st_ha) 1.25156 0.05387 23.233 < 2e-16 *** b2 Residual standard error: 0.0174 on 33 degrees of freedom Multiple R-squared: 0.9802, Adjusted R-squared: 0.979 F-statistic: 817.1 on 2 and 33 DF, p-value: < 2.2e-16

Adaptation à la forêt de Paracou Analyse des résultats « Exploitation » Adaptation à la forêt de Paracou lm(formula = comparaison$ACD.Chave_ha ~ comparaison$ACD_ha.corrige) R2=0.98 ACD (tonnesC/ha) surface terrière (m2/ha)

Protocole « Fertilité » 2 classes principales de fertilité (via analyse préalable): “Forte fertilité”: placette 16 (23 ha) (zones marécageuses de pinotières du sud exclues) “Fertilité moyenne”: placettes 6 et 11 (6.25 ha chacune: 13 ha au total)

Protocole « Fertilité » Pour chaque classe, sélection faite en fonction de la topographie: 3 plots de 0.8 ha hors des zones de bas-fonds (nommés Hors Bas Fonds, HBF) 2 plots de 0.4 ha dans les zones de bas fonds (Bas Fonds, BF) Placette 16 : Forêt à « forte fertilité » Placette 6 et 11 : Forêt de « fertilité moyenne »

Echantillonage des individus mesurés Protocole « Fertilité » Echantillonage des individus mesurés Echantillonage effectué par classe de diamètres de 10 cm en 10 cm (regroupement de 2 classes de diamètres compensées consécutives): Classe 1: 12,5cm à 22,5cm Classe 2: 22,5 à 32,5cm … Classe 17 : 172,5 à 182,5 cm Plot Hors Bas-Fond (HBF) de 0,8 ha: Sélection aléatoire (fonction ALEA sous Excel) de 6 tiges sur les classes ayant Nb > 6 tiges Sélection de l’ensemble des individus pour les classes ayant Nb < 6 tiges Plot Bas-Fond (BF) de 0,4 ha: Même méthode ramenant le nombre de tiges à 3 arbres par classe de diamètre. Nombre total: 315 individus mesurés.

Résultats « Fertilité » Choix des modèles Choix des modèles statistiques (Weibull, allométrique,…) Choix des sous-modèles (Forte fertilité, faible fertilité, BF, HBF) Calcul des AIC Modèle de Weibull simplifié : H= 1,3+a*(1-exp(-b*D)) 4 fonctions de regression : Forte fertilité HBF Forte fertilité BF Moyenne fertilité HBF Moyenne fertilité BF

Résultats « Fertilité »

Résultats « Fertilité » Calcul de la biomasse à partir des données terrains AGB  0,0509 * D² H (CHAVE J. et al., 2005 ) Avec =0,63 tonnes H 0%/m3 Zones étudiées AGB en tonnes AGB en tonnes /ha Forte fertilité HBF 895 373 Forte fertilité BF 298 372 Moyenne fertilité HBF 838 349 Moyenne fertilité BF 190 238 Zone Moyenne fertilité BF peu pertinente Différence BF/HBF négligeable en forte fertilité Forte/ Moyenne fertilité HBF = + 6%

Résultats « Fertilité » Calcul de la biomasse à partir des données LIDAR Zones étudiées Moyenne hauteur LIDAR MCH(m) Forte fertilité HBF 27,9 Moyenne fertilité HBF 24,8 Zones étudiées AGB Asner universel en tonnes AGB de notre modèle en tonnes Ecart Forte fertilité HBF 721 895 19% Moyenne fertilité HBF 714 838 15% Ecart important entre les deux modèles AGB Asner : Forte/ Moyenne fertilité HBF = + 1%

Analyse des résultats « Fertilité » Zones hautes et moyennes fertilité distinguées par notre modèle issues des données terrains (6%) Grosse différence entre modèle Asner utilisant les données LIDAR et modèle issues des données terrains (environ 15-20%) Modèle Asner utilisant les Données LIDAR différencient moins les zones de hautes et moyennes fertilité

Analyse des résultats « Fertilité » Zones étudiées AGB Asner corrigé en tonnes AGB de notre modèle en tonnes Ecart Forte fertilité HBF 805 895 10% Moyenne fertilité HBF 820 838 2% Modèle Asner corrigé diminue l’erreur mais lisse la différence entre forte et moyenne fertilité Modèle Asner corrigé privilégie l’influence de la surface terrière par rapport à la hauteur

Pistes d’amélioration Conclusions Pistes d’amélioration Jeu de données pour nos mesures : Corriger biais observateurs Augmenter taille échantillon et surface pour affiner modèle H:D Représentativité des classes de diamètre Prise en compte de WD : données d’espèces Synchroniser données LIDAR et terrain Homogénéiser méthode d’acquisition LIDAR « Tout LIDAR » non testé Répétition des mesures (si plus de temps) Insertion BA calculée à partir des données LIDAR : biais plus grand