IFIHSA

Inventaires forestriers par imagerie hyperspectrale aéroportée

Duration : 2023 - 2024
Research program : FEADER - IMPT - CEBA
Geographic extension : National
Hyperspectral
Lidar
Forêt
Biodiversité
Guyane

Résumé du projet

L'état français, en tant que puissance économique de premier plan a un devoir d'exemplarité dans la mise en valeur de l'Amazonie française. La gestion durable du massif forestier guyanais représente cependant un défi considérable pour l'ONF qui en a la charge. La conservation et la gestion de 6 millions d'hectares de forêts du domaine privé de l'Etat en Guyane française sont en effet confiées à l'ONF. Le domaine forestier permanent représente 2,4 millions d'hectares. Du fait des énormes surfaces, dont une grande partie encore non desservie est difficilement accessible, et de la grande diversité floristique le simple inventaire de ce domaine est une tâche considérable. La capacité à proposer des plans de gestion cohérents repose in fine sur la connaissance de la structure et de la composition des massifs susceptibles d'être mis en production. Or on ne dispose pas de cartes de distribution spatiale des principales espèces à l'échelle régionale. Pour l'heure les décisions de mise en valeur se basent sur des campagnes de pré-inventaires qui s'apparentent à des raids exploratoires et qui produisent des données peu résolues en termes de taxonomie, de volume exploitable et de localisation spatiale de la ressource (échantillonnage par transect). Ces données d'abondance spatialisée par essence sont nécessaires à la mise en oeuvre du zonage du domaine forestier : définition de zones de défens à des fins de conservation, zones d'exploitation prioritaire, zones à faible intérêt économique, etc.

La localisation précise de la ressource avant exploitation permet en outre de minimiser l'impact du prélèvement sur la forêt et notamment les émissions de carbone. L'impact de l'exploitation forestière ne se résume pas en effet au simple abattage des arbres d'intérêt mais induit des perturbations par la création des pistes de débardage, de zones de stockage temporaire etc... Les arbres voisins des arbres exploités subissent des dégâts collatéraux, contribuant à la libération de carbone, limitant la récupération des forêts et pouvant favoriser les espèces à croissance rapide et notamment des lianes. Ces différents facteurs peuvent modifier profondément la composition floristique de la parcelle exploitée ainsi que perturber la faune. L'exploitation forestière courante débute donc par des inventaires dendrométriques spatialisés qui permettent d'optimiser la desserte des pistes de débardage et de minimiser l'impact environnemental (consommation de carburant, tassement des sols, etc.). Cette opération de cartographie au sol de la ressource serait très largement facilitée par une pré-cartographie aérienne.

L'imagerie hyperspectrale permet grâce à la très haute résolution spectrale la discrimination efficace des essences en canopée et ouvre la voie à des inventaires hauts débits (cf – restitution projet Cartodiv-dendrolidar). La capacité à discriminer un petit nombre d'espèces d'arbres en forêt tropicale par imagerie hyperspectrale aéroportée est solidement établie. L'identification d'une espèce cible au sein d'une canopée hyperdiverse a également été démontrée. Pour l'instant ces réussites reposent cependant sur la disponibilité de données d'inventaires locales pour entrainer les algorithmes de reconnaissance des espèces.

Le projet proposé vise à tester l'applicabilité des résultats récents sur l'utilisation de l'hyperspectral aéroporté pour la reconnaissance des essences dans un contexte opérationnel d'appui à la gestion forestière.

Le projet global visera à établir 3 points jugés déterminants pour le « passage à l’échelle ».

*  la mise à l’épreuve d’un système hyperspectral léger,

* L’évaluation de la précision des estimations issues d’imagerie hyperspectrale (en termes de quantification de la ressource par unité de surface pour les espèces commerciales),

*  la généricité/transférabilité des résultats entre sites.

La précision du cubage des différentes essences à partir des inventaires aéroportés sera évaluée avec et sans fusion des données hyperspectrales avec des données lidar complémentaires acquises simultanément.

La transposabilité entre sites et entre dates des algorithmes de détection des espèces cibles fera l’objet d’un développement méthodologique propre. Pour cet aspect, le projet mobilisera en complément les acquisitions réalisées par le CNES en 2016 sur plusieurs sites expérimentaux en Guyane française.

Ainsi, l’objectif principal de ce projet est de valider la faisabilité d’une approche d’inventaire forestier à haut débit par caméra hyperspectrale. Ce projet s’inscrit dans le cadre de l’amélioration de la gestion, de l’exploitation et de la conservation de la forêt guyanaise dans un contexte de mégadiversité des essences où les difficultés d’inventaire et de pénétration en forêt profonde limitent actuellement la connaissance des forêts.

Le présent projet contribuera à la valorisation des ressources forestières et notamment le bois ainsi qu’au développement des méthodes d’inventaires de la ressource forestière économiquement plus efficaces et permettant de réduire les impacts environnementaux des activités d’exploitation forestière.

Plus généralement le développement de la technologie d'inventaire par imagerie hyperspectrale va permettre de cartographier la diversité biologique des forêts, de cartographier leur état sanitaire, de suivre la réponse compositionnelle et fonctionnelle des forêts au changement climatique. Le principal effort de développement méthodologique entrepris dans le cadre de ce projet, vise à produire des algorithmes de reconnaissance des espèces robustes aux variations des conditions d'acquisitions (état de l'atmosphère, position du soleil, effet perturbateur du relief, etc). Les avancées méthodologiques produites pour la cartographie de la ressource bénéficieront directement aux autres applications de cette technologie de télédétection à la forêt.

PARTNERS

  • ONF Guyane
  • GIPSAlab
  • Ecofog
  • Labex CEBA
  • CESBIO
  • apprentissage profond

Publications

Aubry-Kientz, M., Dutrieux, R., Ferraz, A., Saatchi, S., Hamraz, H., Williams, J., Coomes, D., Piboule, A., Vincent, G., 2019a. A Comparative Assessment of the Performance of Individual Tree Crowns Delineation Algorithms from ALS Data in Tropical Forests. Remote Sensing 11, 1086. https://doi.org/10.3390/rs11091086

Aubry-Kientz, M., Laybros, A., Weinstein, B., Ball, J.G.C., Jackson, T., Coomes, D., Vincent, G., 2021. Multisensor Data Fusion for Improved Segmentation of Individual Tree Crowns in Dense Tropical Forests. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 14, 3927–3936. https://doi.org/10.1109/JSTARS.2021.3069159

Aubry-Kientz, M., Laybros, Anthnoy, Lefèvre-Fonollosa, Marie-José, Vincent, Grégoire, 2019b. Towards high throughput inventory of tropical forest using aerial lidar and multispectral data fusion. Presented at the WHISPERS, Amsterdam.

Badourdine, C., Féret, J.-B., Pélissier, R., Vincent, G., 2022. Exploring the link between spectral variance and upper canopy taxonomic diversity in a tropical forest: influence of spectral processing and feature selection. Remote Sensing in Ecology and Conservation n/a. https://doi.org/10.1002/rse2.306

Ball, J.G.C., Hickman, S.H.M., Jackson, T.D., Koay, X.J., Hirst, J., Jay, W., Aubry-Kientz, M., Vincent, G., Coomes, D.A., 2022. Accurate tropical forest individual tree crown delineation from aerial RGB imagery using Mask R-CNN. https://doi.org/10.1101/2022.07.10.499480

Laybros, A., Aubry-Kientz, M., Féret, J.-B., Bedeau, C., Brunaux, O., Derroire, G., Vincent, G., 2020. Quantitative Airborne Inventories in Dense Tropical Forest Using Imaging Spectroscopy. Remote Sensing 12, 1577. https://doi.org/10.3390/rs12101577

Laybros, A., Schläpfer, D., Féret, J.-B., Descroix, L., Bedeau, C., Lefèvre-Fonollosa, M., Vincent, G., 2019. Across Date Species Detection Using Airborne Imaging Spectroscopy. Remote Sensing 11, 789. https://doi.org/10.3390/rs11070789

Vincent, G., Verley, P., Brede, B., Delaitre, G., Maurent, E., Ball, J., Clocher, I., Barbier, N., 2023. Multi-sensor airborne lidar requires intercalibration for consistent estimation of light attenuation and plant area density. Remote Sensing of Environment 286, 113442. https://doi.org/10.1016/j.rse.2022.113442

Weinstein, B.G., Marconi, S., Aubry‐Kientz, M., Vincent, G., Senyondo, H., White, E.P., 2020. DeepForest: A Python package for RGB deep learning tree crown delineation. Methods in Ecology and Evolution 11, 1743–1751. https://doi.org/10.1111/2041-210X.13472