Identifying degraded forests in an Amazonian landscape from International Congress for Conservation Biology August 6, 2015, Montpellier Identifying degraded forests in an Amazonian landscape from remote-sensing C. BOURGOIN, L. BLANC, J. FERREIRA, V. GOND, N. BAGHDADI, A. HASSANALI, F. LAURENT, S. LE CLEC’H, J. OSZWALD, I. TRITSH Bonjour, bienvenu, présentation du sujet et des maitres de stage Présentation des partenaires, ne pas oublier RAS pour les données de biomasse.

Deforested lands = 20% Brazilian Amazonian forest (INPE, FAO 2013) Context & definitons - Objectives - Field work - Multisource remote sensing - Perspectives Deforested lands = 20% Brazilian Amazonian forest (INPE, FAO 2013)

How to identify and characterize a range of forest Context & definitons - Objectives - Field work - Multisource remote sensing - Perspectives How to identify and characterize a range of forest degradation within this fragmented landscape ? 1) Montrer la nécéssité actuelle d’identifier la dégradation forestière. Ce qui a déjà été fait était concentré sur l’étude du changement foret/sol nu. Pour la dégradation, cela nécéssite d’englober des analyses plus fines : analyses temporelles, analyses de structure de la foret (canopée etc), utiliser des variables comme AGB pour identifer des gradients. 2) Utiliser le couplage entre l’expertise de terrain comme données de de compréhension de l’objet d’étude, de construction du modèle et de validation ET les techniques de mesure e, teledetection qui permet de travailler sur de grandes surfaces et d’alimenter des jeux de données SIG pour la prise de décision. Paragominas, Pará, Brazil Combining : field work & multisource remote sensing 2

Forest degradation typology Context & definitons - Objectives - Field work - Multisource remote sensing - Perspectives 25 m 35 m Emergents F1 F1 F2 F3 F4 F5 25 m 35 m F2 25 m 35 m 15 m F3 Forest degradation typology 1) Le travail de terrain a permis de modéliser et d5 classes de forets dégradées et de comprendre comment est structuré chacun en terme de hauteur de canopée, de rugosité de surface, de présence d’arbres émergeants et de nombre de strates de végétation. 2) On a aussi travaillé sur comment ces différentes classes etaient mises en relation les unes aux autres: on a défini des critères et des seuils qualitatifs et quantitatifs (hauteur). 3) Le pattern d’évolution est le suivant : diminution de la hauteur du niveau de fermeture de la végétation. Elimination des arbres dominants. Apparition d’espèces pionnières profitant des zones d’ouverture pour se développer. 4) Dans le but d’avoir une approche systémique et paysagère, il est important d’intégrer cette modélisation de la dégradation forestière au sein des synamiques globales de changement d’occupation des sols. Décrire les 3 grandes périodes d’utilisation des couverts forestiers. Présenter la situation bloquée actuelle avec le besoin de gestion d’un nouveau territoire dominé par une mosaique de forets dégradées. 25 m 15 m F4 15 m 6 m F5 3

AGB regression and prediction Context & definitons - Objectives - Field work - Multisource remote sensing - Perspectives 25m 250m 100km AGB plots Optical data RADAR data Time series data Berenguer E., Ferreira J., Gardner T., Barlow J. “A Large-Scale Field Assessment of Carbon Stocks in Human-Modified Tropical Forests.” (2014) LANDSAT 8 SPOT 5 ALOS-1 SENTINEL-1 MODIS AGB PREDICTION Field measured AGB (Mg/ha) Predicted AGB (Mg/ha) RMSE = 2.1339 Mg/ha Variables importance RANDOM FOREST : AGB regression and prediction 4

G I S D E C I N T O L UNDERSTANDING REMOTE SENSING Context & definitons - Objectives - Field work - Multisource remote sensing - Perspectives Remote sensing UNDERSTANDING Definitions Field typology G I S D E C O N T L I REMOTE SENSING TERRITORIAL GOVERNANCE MODELISATION 5

THANK YOU FOR YOUR ATTENTION ! Contact : bourgoin.clement2@gmail.com