Offre N° : PRS-22-325

Etude de la mortalité des arbres de la canopée forestière tropicale par télédétection aéroportée

Mots clefs :
Terrain
Forêt tropicale
Lidar
Intelligence artificielle


Type d'accueil : Stage Master 2
Lieu d'accueil : Guyane (ou Guyane et Montpellier)
Période d'accueil : juillet-décembre 2023 (flexible)    Durée d'accueil : 6 mois
Profil recherché : Nous recherchons un(e) étudiant(e) motivé(e) par la réalisation d’un travail terrain en forêt tropicale en Guyane française. Niveau ingénieur ou césure (M1->M2).
Laboratoire d'accueil :
UMR CIRAD-CNRS (5120)-INRA (931)-IRD (123)- Université Montpellier, "botAnique et Modélisation de l'Archtecture des Plantes et des végétations"

Descriptif détaillé de l'offre :

Objet de l'offre :
Contexte et objectif
Le contexte global du stage est celui de la surmortalité des arbres des forêts, notamment tropicales, attribuable au changement climatique (Huertas et al., 2022; Klein and Hartmann, 2018; McDowell et al., 2018). Les objectifs du stage sont
1. La mise en œuvre des outils de cartographie automatique des houppiers à partir d’images RVB et de données lidar aéroportées (Ball et al., 2022; Weinstein et al., 2020)
2. La validation des cartographies obtenues sur des parcelles permanentes d’inventaires (phase de terrain sur le site de recherches des Nouragues)
3. L’utilisation des données produites pour analyser la variabilité spatiale et temporelle de la mortalité sur une période de 10 années (2012->2022)
Matériel et méthodes
L’étude sera menée sur le site des Nouragues en Guyane française (www.nouragues.cnrs.fr).
Des données de télédétection aéroportée ont été acquises en 2012 (lidar), 2015 (lidar+RVB), 2016 (lidar+RVB), 2019 (lidar+RVB) et 2022 (lidar). Ces données couvrent environ 30km2 et recouvrent notamment deux parcelles d’inventaire, l’une de 12ha (« Petit plateau » et l’autre de 10ha « Grand plateau ». Sur ces parcelles permanentes les arbres de plus de 10cm de diamètre sont inventoriés et identifiés à l’espèce et remesurés tous les 3-4ans.
La partie terrain sera réalisée en binôme. L’étudiant(e) sera accompagné(e) d’un(e) technicien(ne)/ingénieur(e) de l’IRD ou de l’ONF. La partie de terrain durera environ deux mois. Une partie du traitement des données aéroportées sera réalisée avant la phase de terrain (segmentation des houppiers et appariement avec les inventaires sol). La période de terrain permettra de corriger/valider les cartes des couronnes à l’endroit des parcelles permanentes et de compléter les informations (état de la végétation, enlianement, etc).
Au retour du terrain, l’analyse consistera à détecter les évènements de mortalité observés en canopée au cours d’une période de dix ans s’étendant de 2012 à 2022 par l’étude des variations de hauteur de canopée par segment (couronne). Les patrons spatio-temporels seront explorés afin de caractériser l’évolution récente de la mortalité et les facteurs environnementaux qui la modulent.

Détail de l'offre
Doc_6389b8a9e6cf5.pdf

Publications de l'équipe en rapport avec le sujet :
Aubry-Kientz, M., Dutrieux, R., Ferraz, A., Saatchi, S., Hamraz, H., Williams, J., Coomes, D., Piboule, A., Vincent, G., 2019. 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

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

Huertas, C., Sabatier, D., Derroire, G., Ferry, B., Jackson, Toby.D., Pélissier, R., Vincent, G., 2022. Mapping tree mortality rate in a tropical moist forest using multi-temporal LiDAR. International Journal of Applied Earth Observation and Geoinformation 109, 102780. https://doi.org/10.1016/j.jag.2022.102780

Meyer, V., Saatchi, S., Clark, D.B., Keller, M., Vincent, G., Ferraz, A., Espírito-Santo, F., d’Oliveira, M.V.N., Kaki, D., Chave, J., 2018. Canopy area of large trees explains aboveground biomass variations across neotropical forest landscapes. Biogeosciences 15, 3377–3390. https://doi.org/10.5194/bg-15-3377-2018

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
Connaissances requises
Formation dominante géomatique/télédétection ou environnement (ingénieur forestier/agro) voire analyse de données. Idéalement le candidat aura de l’appétence à la fois pour les questions d’écologie et pour l’analyse de données (R, Python).