Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque.

Présentation au sujet: "Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque."— Transcription de la présentation:

1 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 1 Module 2.8 – Aperçu et état des progrès technologiques Auteurs du module : Brice Mora, Université de Wageningen Erika Romijn, Université de Wageningen Exemples nationaux : 1.Cartographie de la biomasse tropicale à Kalimantan par l’intégration des données recueillies par le radar PALSAR-ALOS et par lidar 2.Utilisation des données lidar et InSAR comme données auxiliaires pour estimer la biomasse forestière dans une zone de forêt boréale Source : US Forest Service. V1, mai 2015 Creative Commons License

2 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 2 1. Cartographie de la biomasse tropicale à Kalimantan par l’intégration des données PALSAR-ALOS et lidar  Étude de Quinones et al. (2014) sur l’estimation de la biomasse de la forêt tropicale à Kalimantan en combinant les données recueillies par radar et par lidar  Avantage du radar : fonctionne malgré des conditions nuageuses  Limites du radar : effets de saturation et chatoiement  L’utilisation combinée du radar et du lidar permet de surmonter ces limites

3 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 3 Classification des types de structure forestière à l’aide de données radar  Chaîne de traitement des images : ● Importation des données et extraction des métadonnées, étalonnage radiométrique, géocodage grossier, géocodage fin, et corrections géométriques et radiométriques du terrain  Prétraitement : ● Sélection du segment, correction radiométrique, orthorectification, correction de la pente et préparation des masques  Classification  17 strates ● Segmentation non dirigée, post-traitement, validation et étiquetage selon le système LCCS

4 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 4 Type de structure de la végétation, Kalimantan

5 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 5 Génération d’une carte des hauteurs de végétation après fusion de données lidar et radar  Extraction des données sur la hauteur de la végétation à partir des données lidar pour 100 000 points : histogramme avec distribution des hauteurs pour chaque type de structure de la végétation (strate)  Mise en relation des histogrammes de hauteur lidar et des histogrammes HV du radar PALSAR-ALOS pour chaque type de structure de la végétation  carte des hauteurs pour tout Kalimantan Histogrammes de hauteur lidar pour chaque strate Histogrammes HV radar

6 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 6 Cartographie de la biomasse tropicale  Utilisation de 3 équations différentes pour calculer la biomasse en s’appuyant sur la carte des hauteurs : - Bio1 = Hauteur^1,68 - Bio2 = 0,06328*(Hauteur^2,4814) - Bio3 = 9,875+0,04552*(Hauteur^2,5734)  Validation de la carte avec les estimations de la biomasse réalisées à partir des données de terrain EQMKetterings et al. 2001 Kenzo et al. 2009 Brown 1997 Bio110,4710,6910,37 Bio210,9710,2712,37 Bio310,5110,2811,27  Utilisation de 3 équations différentes pour calculer la biomasse en s’appuyant sur les données de terrain : - Ketterings et al. (2001) BIO = 0,066*D^2,59 - Kenzo et al. (2009) BIO = 0,0829*D^2,43 - Brown (1997) BIO = 0,118*D^2,53

7 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 7 Cartographie de la biomasse tropicale  Utilisation de 3 équations différentes pour calculer la biomasse en s’appuyant sur la carte des hauteurs : - Bio1 = Hauteur^1,68 - Bio2 = 0,06328*(Hauteur^2,4814) - Bio3 = 9,875+0,04552*(Hauteur^2,5734)  Validation de la carte avec les estimations de la biomasse réalisées à partir des données de terrain EQMKetterings et al. 2001 Kenzo et al. 2009 Brown 1997 Bio110,4710,6910,37 Bio210,9710,2712,37 Bio310,5110,2811,27  Utilisation de 3 équations différentes pour calculer la biomasse en s’appuyant sur les données de terrain : - Ketterings et al. (2001) BIO = 0,066*D^2,59 - Kenzo et al. (2009) BIO = 0,0829*D^2,43 - Brown (1997) BIO = 0,118*D^2,53

8 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 8 2. Utilisation des données lidar et InSAR comme données auxiliaires pour estimer la biomasse forestière dans une zone de forêt boréale Naesset et al. (2011), « Model-assisted Regional Forest Biomass Estimation Using LIDAR and InSAR as Auxiliary Data : A Case Study from a Boreal Forest Area »  Amélioration de l’estimation de la biomasse grâce à des paramètres de la structure forestière mesurés à l’aide des techniques lidar et InSAR

9 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 9 Utilisation des données lidar et InSAR comme données auxiliaires pour estimer la biomasse forestière dans une zone de forêt boréale Méthodologie  Stratification des terres forestières en quatre strates, par l’interprétation de prises de vue aériennes (photogrammétrie)  Collecte de données sur le terrain : ● Pour des parcelles d’échantillonnage et pour de grandes parcelles de terrain ● Pour des mesures du diamètre des arbres (DHP) et de leur hauteur ● Calculés à partir des mesures effectuées sur le terrain : hauteur moyenne de Lorey (HL), surface terrière (G), nombre d’arbres par hectare (N)  Obtention de données lidar et InSAR

10 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 10 Obtention de données lidar et InSAR  Obtention de données lidar pour chaque cellule de grille de la zone étudiée : ● Distribution des hauteurs de la canopée, y compris les statistiques d’ordre : déciles de hauteur et valeur maximale de hauteur ● Distribution des densités de la canopée  Obtention de données InSAR SRTM (bande X) pour produire un modèle numérique de surface (MNS), un modèle numérique d’erreur de hauteur (MNEH) et deux séries de données des hauteurs de la canopée au niveau du pixel : ● Modèle de terrain lidar soustrait du MNS obtenu par InSAR ● Modèle de terrain généré à partir de la carte topographique officielle soustrait du MNS obtenu par InSAR

11 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 11 Estimation de la biomasse aérienne  Estimation de la biomasse aérienne (BA) à partir des données de terrain : ● En utilisant le DHP et la hauteur des arbres comme variables indépendantes pour estimer la biomasse moyenne par hectare pour chaque strate ; c’est la « biomasse observée »  Régression assistée par modèle et fondée sur un modèle afin d’estimer la BA, en utilisant les données lidar et InSAR comme données auxiliaires : ● Utilisation de variables de la distribution des hauteurs de la canopée obtenues à partir de lidar pour les 4 strates de forêt ● Utilisation des 2 variables de hauteur d’InSAR pour les 4 strates de forêt  Calcul de la différence entre la biomasse observée et l’estimation de la biomasse assistée par modèle au moyen des données lidar et InSAR

12 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 12 Comparaison de l’estimation de la biomasse assistée par modèle et de la biomasse observée Source : Naesset et al. 2011, fig. 2. Estimations lidar Estimations InSAR topo Estimations InSAR lidar LidarInSAR TOPO InSAR LIDAR Utilisation d’un estimateur synthétique non ajusté EQM : 17,3 DM : -4,6 EQM : 53,2 EM : -20,6 EQM : 44,1 EM : -21,0 Utilisation d’un estimateur synthétique ajusté EQM : 17,7 DM : -4,1 EQM : 52,7 DM : -19,6 EQM : 42,6 DM : -18,4 Biomasse prévue (Mg/ha) Biomasse observée (Mg/ha)

13 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 13 Conclusions : Utilisation pour l’estimation de la biomasse tropicale  LIDAR : ● Prometteur pour l’estimation de la biomasse tropicale ● Grande exactitude et grande précision des estimations ● Toutefois, les coûts du suivi sont élevés  InSAR : ● Exactitude et précision moyennes ● RADAR : capacité à fonctionner sous couverture nuageuse ● Mises à jour fréquentes à faible coût ● Utile lorsqu’un modèle de terrain précis est utilisé – mais ils ne sont pas répandus dans les tropiques

14 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 14 Modules complémentaires recommandés  Modules 3.1 à 3.3, pour en savoir plus sur l’évaluation et la notification REDD +

15 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 15 Bibliographie  Brown, S., 1997. Estimating Biomass and Biomass Change of Tropical Forests : a Primer (FAO Forestry Paper-134), FAO, United Nations, Rome.  Di Gregorio, A., et Louisa J.M. Jansen. 2000. Land Cover Classification System (LCCS) : Classification Concepts and User Manual. Rome : Food and Agricultural Organization. http ://www.fao.org/docrep/003/x0596e/X0596e00.htm#P-1_0.  GIEC (Groupe intergouvernemental sur l’evolution du climat). 2000. Recommandations du GIEC en matière de bonnes pratiques et de gestion des incertitudes pour les inventaires nationaux de gaz à effet de serre. Genève, Suisse : GIEC. http ://www.ipcc-nggip.iges.or.jp/public/gp/english/.  Kenzo, T., R. Furutani, D. Hattori, J. J. Kendawang, S. Tanaka, K. Sakurai et I. Ninomiya. 2009. « Allometric Equations for Accurate Estimation of Aboveground Biomass in Logged-over Tropical Rainforests in Sarawak, Malaysia. » Journal of Forest Research 14 (6) : 365 – 372. doi : 10.1007/s10310-009-0149-1  Ketterings Q. M., R. Coe, M. van Noordwijk. 2001. « Reducing Uncertainty in the Use of Allometric Biomass Equations for Predicting Aboveground Tree Biomass in Mixed Secondary Forests. » Forest Ecology and Management 146 : 199 – 209.

16 Module 2.8 Aperçu et état des progrès technologiques Matériels de formation REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale 16  Næsset, E., Gobakken, T., Solberg, S., Gregoire, T.G., Nelson, R., Ståhl, G. et Weydahl, D., 2011. « Model-assisted Regional Forest Biomass Estimation Using LiDAR and InSAR as Auxiliary Data : A Case Study from a Boreal Forest Area. » Remote Sensing of Environment 115 (12) : 3599-3614.  Quinones, M., C. Van der Laan, D. Hoekman et V. Schut., 2014. Integration of Alos PalSAR and LIDAR IceSAT data in a multistep approach for wide area biomass mapping. Presentation Living Planet, Edinburg, septembre 2013.