Suite

Le krigeage pour calculer la biomasse forestière ?


J'essaie de créer une carte de la biomasse en utilisant le krigeage à partir d'un point d'échantillonnage au sol.

J'ai environ 150 et 53 points de tracé pour les strates denses et clairsemées.

Les données ne sont pas normales donc je les ai transformées.

Après avoir exécuté le krigeage, les lignes prédites et mesurées ne semblent pas correctes, le tracé QQ entre la valeur normale et l'erreur normalisée n'est-il pas non plus distribué normalement ?

Quelles sont les options pour résoudre ce problème et comment puis-je déterminer quel type de krigeage est le meilleur pour calculer la biomasse ?


Une possibilité sous-jacente à la mauvaise performance du krigeage pourrait être que les parcelles de terrain (emplacement et intensité d'échantillonnage) ne capturent pas l'autocorrélation spatiale (ou la dépendance spatiale) dans les données.

Il faudrait observer l'ajustement du semi-variogramme théorique aux données (semi-variogramme expérimental) (Figure 1). Si c'est le cas, une possibilité est d'essayer d'autres types de semi-variogrammes théoriques (il semble que vous ayez utilisé le type "sphérique", mais il y en a d'autres : gaussien, exponentiel, circulaire, etc.).

Figure 1. Illustration des paramètres du semi-variogramme : seuil, pépite et plage (A). Exemple de variogramme expérimental et semi-variogramme sphérique (théorique) (B). Source : adapté de Sanz et al. (2012).


La meilleure méthode de krigeage dépend de la nature de la variable étudiée et du type de données auxiliaires disponibles. Par exemple : si les données sont stationnaires (c'est-à-dire qu'elles ont une moyenne constante), le krigeage simple (moyenne connue) et le krigeage ordinaire (moyenne inconnue) sont des options appropriées. D'autre part, si les données ne sont pas stationnaires, une option peut être le krigeage universel. Ce sont des types de krigeage univarié.

Une approche alternative serait le krigeage multivarié (par exemple : co-krigeage ou krigeage par régression). De telles méthodes utilisent des informations provenant de données auxiliaires pour améliorer la capacité de modélisation spatiale. Dans le cas de la biomasse forestière, des exemples de données auxiliaires (et de variables auxiliaires) sont : l'imagerie satellitaire (NDVI) et le LiDAR (centiles de hauteur).

La technique de krigeage par régression, par exemple, a un avantage qui est d'effectuer de meilleures prédictions en dehors de l'échantillon (extrapolation), car une partie du modèle ne dépendra que de la relation entre la variable de réponse et la variable auxiliaire (c'est-à-dire qu'elle ne sera pas entièrement dépend de la variation spatiale des données).

Un article intéressant sur ce sujet (biomasse forestière et différentes approches de krigeage) est :

Meng, Q., Cieszewski, C. et Madden, M. (2009). Inventaire forestier de grande superficie à l'aide de Landsat ETM+ : Une approche géostatistique. Journal ISPRS de photogrammétrie et de télédétection, 64(1), 27-36. doi:10.1016/j.isprsjprs.2008.06.006


Les références:

David Sanz, Santiago Castaño et Juan José Gómez-Alday (2012). SIG appliqué à la caractérisation hydrogéologique - Exemples pour l'aquifère oriental de la Manche (SE Espagne), Application des systèmes d'information géographique, Dr. Bhuiyan Monwar Alam (éd.), ISBN : 978-953-51-0824-5, InTech, DOI : 10.5772 /47967.


Intégration de l'échantillonnage de terrain et des données LiDAR dans les inventaires forestiers : comparaison de l'approche par zone et du krigeage universel (lognormal)

Nous avons comparé le krigeage universel (lognormal) avec l'approche basée sur la zone pour l'estimation des variables d'inventaire forestier en utilisant les données LiDAR comme informations auxiliaires et avons montré que le krigeage universel pourrait être une alternative précise lorsqu'il y a une autocorrélation spatiale.

Le contexte

Les inventaires forestiers soutenus par les technologies géospatiales sont essentiels pour réaliser une évaluation spatialement informée de la structure forestière. La technologie LiDAR fournit des données complètes et spatialement explicites permettant l'estimation de variables forestières à grande échelle.

Comparer l'approche basée sur la zone avec le krigeage universel pour l'estimation de la densité de la tige, de la surface terrière et du diamètre moyen quadratique en utilisant les données LiDAR comme informations auxiliaires.

Méthodes

Nous avons utilisé les données de 202 placettes d'inventaire, réparties dans quatre unités de gestion forestière avec des différences de structure et de gestion, et un ensemble de données LiDAR de résolution 6 points/m 2 provenant d'un Pinus sylvestris L. forest en Espagne pour tester la précision du krigeage universel (lognormal) et des approches par zone.

Résultats

Dans les unités d'aménagement forestier où les variables analysées présentaient une autocorrélation spatiale, le krigeage a montré de meilleurs résultats que l'approche basée sur la zone en termes de RMSE et de coefficient de Pearson entre les valeurs observées et estimées, bien que le krigeage universel lognormal ait fourni des estimations légèrement biaisées (jusqu'à 2 %). .

Conclusion

Le krigeage universel est une méthode précise d'estimation des variables d'inventaire forestier avec des données LiDAR comme informations auxiliaires pour les variables présentant une autocorrélation spatiale.


Introduction

Les forêts jouent un rôle important dans le cycle mondial du carbone car elles agissent comme des puits de carbone et des sources de CO atmosphérique2 (Pan et al. 2011 Chave et al. 2014). La biomasse forestière aérienne (AGB) est un indicateur permettant d'évaluer la productivité et la santé des écosystèmes forestiers et de déterminer le potentiel de stockage de carbone et de puits de carbone, ainsi qu'un paramètre important pour estimer les émissions de carbone et les perturbations causées par l'utilisation des terres et le changement climatique (Schulze 2006 Muukkonen et Heiskanen 2007 Baccini et al. 2017 Rodríguez-Soalleiro et al. 2018). Actuellement, les méthodes les plus précises pour obtenir l'AGB forestier sont l'utilisation d'équations allométriques spécifiques au site et à l'espèce basées sur des paramètres biométriques forestiers mesurés, tels que le diamètre à hauteur de poitrine (DHP), la hauteur, la fermeture de la couronne et la densité de la tige (Chave et al. 2014 Ali et al. 2015 Paul et al. 2015). Cependant, en raison du temps nécessaire pour obtenir les données de terrain, les informations sur la biomasse sont souvent obsolètes lorsqu'elles sont utilisées (Chave et al. 2014). Ainsi, les estimations de l'AGB au niveau régional utilisant uniquement des données de terrain peuvent ne pas atteindre la même précision et la même actualité que les méthodes qui combinent les données de terrain avec des informations auxiliaires, telles que les données de télédétection.

Les images de télédétection contiennent de nombreuses informations spectrales et texturales et ont d'excellentes résolutions temporelles et spatiales, une large couverture et une excellente actualité (Zhu et Liu 2015). La combinaison de placettes d'inventaire forestier et de données de télédétection pour estimer l'AGB forestier est devenue une méthode courante (Lu 2006 Lu et al. 2016) au cours des dernières décennies. Les estimations AGB basées sur la télédétection ont utilisé trois types de données de télédétection : imagerie optique, radar et détection et télémétrie par la lumière (LiDAR), en fonction de la résolution spatiale requise et des objectifs de l'application. Les données de télédétection optique sont le type de données le plus largement disponible. Les données optiques les plus couramment utilisées sont AVHRR et MODIS à basse résolution (Li et al. 2018), les données Landsat et SPOT à moyenne résolution (Gasparri et al. 2010 Zhu et Liu 2015) et les données haute résolution IKONOS, Quickbird, Worldview, et les données de drones (Proisy et al. 2007 Arroyo et al. 2010 Dassot et al. 2012). Les images à haute résolution spatiale ont une quantité importante d'ombres provenant des arbres et du terrain, ce qui entraîne des erreurs pour l'estimation de l'AGB (Thenkabail et al. 2004 Vaglio Laurin et al. 2019). En raison du coût élevé de l'imagerie, l'estimation de la biomasse est souvent limitée à une zone relativement petite (Foody et al. 2001 Gonzalez et al. 2010). Pendant ce temps, l'estimation de la biomasse à l'aide d'images de télédétection à faible résolution présente généralement deux inconvénients majeurs, à savoir des pixels mixtes et une difficulté à faire correspondre la taille de pixel avec la taille de la placette d'échantillonnage. échelles continentale ou mondiale (Chopping et al. 2011 Baccini et al. 2012). En revanche, les données Landsat à résolution moyenne (30 m) sont largement utilisées en combinaison avec des données de parcelles d'échantillonnage pour les estimations AGB au cours des deux dernières décennies, car elles sont disponibles gratuitement depuis 2008, ont un temps de revisite de 16 jours et obtiennent une large couverture. De plus, la résolution de 30 m est similaire à la taille des placettes d'échantillonnage dans l'inventaire forestier national de Chine (IFN), réduisant ainsi l'erreur lors de l'appariement du pixel à la placette de terrain et obtenant de meilleurs résultats d'estimation (Hall et al. 2006 Powell et al. 2010 Karlson et al. 2015).

Dans les forêts structurellement complexes, une saturation spectrale est rencontrée lors de l'utilisation d'images de télédétection optique, provoquant des erreurs d'estimation pour les zones de grande biomasse (Mermoz et al. 2015). Les images optiques sont également sensibles à l'influence des nuages ​​et des différences d'éclairement solaire (Avtar et al. 2012). Le lancement réussi du satellite d'observation terrestre avancé (ALOS) Phased Array L-band Synthetic Aperture Radar (PALSAR) en 2007 a augmenté l'utilisation des données radar pour mesurer la biomasse. L'instrument est le premier capteur satellite radar à ouverture synthétique (SAR) à grande longueur d'onde (bande L, longueur d'onde de 23 cm). données polarisées (transmission horizontale, réception verticale (HV)) et copolarisées (transmission horizontale, réception horizontale (HH) transmission verticale, réception verticale (VV)) (Avtar et al. 2013). La capacité de pénétration élevée du SAR permet une extraction d'informations étendue des paramètres structurels des plantes pour améliorer l'estimation de la biomasse. Les méthodes qui utilisent des données radar et optiques en bande L pour estimer l'AGB se sont avérées efficaces dans les forêts avec des niveaux de biomasse faibles à moyens (Lu et al. 2012 Mitchard et al. 2012 Ploton et al. 2013 Shen et al. 2019) mais similaires au passif télédétection optique, ces systèmes souffrent d'une saturation du signal à un AGB élevé et présentent une sensibilité limitée aux grands AGB. Ainsi, la combinaison de systèmes optiques et radar pour estimer l'AGB dans les forêts denses tropicales et subtropicales reste problématique et entraîne souvent une sous-estimation de l'AGB dans les forêts complexes et matures (Sandberg et al. 2011). De plus, les systèmes radar sont affectés par le terrain, l'humidité de surface et le bruit de speckle (Imhoff 1995 Martins et al. 2016 Mermoz et Le Toan 2016). En tant que telle, la détection et la télémétrie par la lumière (LiDAR) est une technologie de télédétection active capable de fournir des informations détaillées, spatialement explicites et tridimensionnelles sur la structure du couvert forestier (Lefsky et al. 2002b). Ainsi, les estimations LiDAR de l'AGB offrent une meilleure précision que les données radar et optiques (Cao et al. 2016). Cependant, il est coûteux de collecter des LiDAR mur à mur pour la caractérisation de la structure forestière sur de vastes zones, par exemple au niveau de l'État ou du pays. Ainsi, les systèmes LiDAR actuels sont limités à des zones plus petites que ces étendues. Les images de télédétection multi-sources associées à des algorithmes de modélisation statistique appropriés sont considérées comme un moyen efficace et fiable de cartographier l'AGB sur de vastes zones.

Les modèles de régression linéaire ont été largement utilisés dans les premières études sur l'estimation de l'AGB (Myneni et al. 2001 Lefsky et al. 2002a). Cette méthode paramétrique est simple et directe, mais peut nécessiter des hypothèses strictes sur l'erreur du modèle et la normalité de la variable de dépendance. De plus, les modèles de relation pour l'estimation pratique de l'AGB sont limités en raison de la relation non linéaire complexe entre l'AGB forestier et les caractéristiques de télédétection. Les méthodes non paramétriques ne nécessitent pas une relation strictement linéaire entre la réponse et les covariables, et les données d'apprentissage sont utilisées pour entraîner le modèle afin d'estimer le paramètre d'intérêt. En raison du développement de modèles d'estimation non paramétriques, de nombreuses études sur l'estimation de la biomasse forestière ont utilisé ces méthodes ces dernières années, notamment la méthode du k-plus proche voisin (KNN) (Chirici et al. 2008), les réseaux de neurones (Foody et al. 2001), les machines à vecteurs de support (SVM) (Chen et al. 2010 Shen et al. 2018) et les arbres de décision (Hansen et al. 2016). La forêt aléatoire (RF) est un algorithme d'apprentissage automatique basé sur des arbres de décision qui a été largement utilisé pour la cartographie AGB forestière à l'aide de données de télédétection au cours des deux dernières décennies. La RF offre une plus grande précision que les méthodes d'apprentissage machine comparatives et les régressions statistiques conventionnelles, car la RF est moins sensible au bruit dans les échantillons d'apprentissage (Powell et al. 2010 Hoover et al. 2018 Zhao et al. 2019). Cependant, un inconvénient majeur de RF est qu'il ignore l'autocorrélation spatiale des données lors de la cartographie de la distribution des caractéristiques (Chen et al. 2019a).

La géostatistique est basée sur la théorie des variables régionalisées, elle ne décrit pas seulement quantitativement l'hétérogénéité spatiale ou la corrélation spatiale, mais établit également un modèle de prédiction spatiale pour interpoler et estimer les données spatiales (Isaaks et Mohan 1989). Le krigeage est une méthode géostatistique et est également connu sous le nom d'estimation spatiale locale ou d'interpolation spatiale locale, il fournit la meilleure prédiction linéaire sans biais (BLUP) des valeurs de variables régionalisées dans une zone limitée et est basé sur la théorie des variogrammes et l'analyse structurelle (Le et Zidek 2006). Sur la base de la régression linéaire, le krigeage doit assumer la stabilité spatiale dans l'analyse de la variation spatiale à une distance limitée, ce qui peut compenser dans une certaine mesure les défauts des modèles non paramétriques (RF). Fox et al. (2020) ont proposé le modèle de krigeage par régression forestière aléatoire (RFRK) pour améliorer les deux techniques en comparant la régression spatiale et le RF (Fox et al. 2020). La précision de prédiction du modèle RF combiné au krigeage a surpassé RF pour prédire la distribution spatiale des attributs du sol et des concentrations de polluants (Guo et al. 2015 Tziachris et al. 2019). Plusieurs études se sont concentrées sur la prédiction AGB en utilisant des données de télédétection provenant de différentes sources basées sur la RF couplée au krigeage ordinaire (OK) (RFOK), cette méthode combine les prédictions RF et les estimations résiduelles par OK (Chen et al. 2019a Silveira et al. 2019a). OK est une méthode d'estimation linéaire qui convient aux champs aléatoires intrinsèquement stationnaires et satisfait l'hypothèse isotrope. Dans une grande zone d'étude, l'interpolation des résidus RF est affectée par la distribution inégale du terrain et du climat, et OK est la méthode la plus appropriée (Cressie 1990 Le et Zidek 2006). Le co-krigeage (CK) est une extension de OK et utilise une ou plusieurs variables auxiliaires pour interpoler les variables d'intérêt. Les variables auxiliaires sont liées aux variables cibles et sont utilisées pour améliorer la précision de la prédiction de la cible (Chatterjee et al. 2015).

Les forêts subtropicales et tropicales sont très diverses (dans le type, le climat et les conditions du site), avec une forte incertitude des estimations AGB. Les modèles de prédiction AGB formés avec des observations au sol limitées dans des forêts tropicales ou subtropicales sur une vaste zone sont sujets au surapprentissage et ne décrivent pas correctement les caractéristiques locales (Lu et al. 2016 Zhao et al. 2016). Dans ce cas, l'intégration optimisée de plusieurs types de données de télédétection et de plusieurs algorithmes de modélisation peut fournir une alternative pour réduire une incertitude élevée (Yu et al. 2014 Santoro et al. 2015). De nombreuses études ont combiné des sources de données de télédétection actives et passives pour la cartographie forestière à grande échelle spatiale (Shen et al. 2016 Su et al. 2016 Deo et al. 2017). Cependant, il existe peu d'études sur la cartographie AGB de vastes zones dans les forêts subtropicales en utilisant la combinaison de RF et CK (RFCK), en particulier dans les zones montagneuses avec un terrain complexe. Dans cette étude, nous avons proposé un cadre qui utilise des données de parcelles d'échantillonnage sur le terrain, des données de télédétection passive et active de séries chronologiques et le co-krigeage avec des modèles RF pour améliorer la précision de la cartographie de l'AGB des forêts subtropicales du sud de la Chine pour les années 1992, 2002 et 2010. Nous prévoyons que les résultats de cette étude soutiendront le développement stratégique des forêts de séquestration du carbone et des pratiques de gestion forestière durable.


Le krigeage pour calculer la biomasse forestière ? - Systèmes d'information géographique

Ce module englobe la séquence d'activités et de procédures pour évaluer et estimer le stock de carbone dans la biomasse aérienne et souterraine (sol et biomasse). Il est décomposé en étapes pour les deux pools. Tout d'abord, l'évaluation du stock de carbone dans le modèle actuel d'utilisation des terres est effectuée. Ensuite, la génération de scénarios d'utilisations potentielles des terres et leurs DSP sont formulées. Il est supposé que la zone géographique concernée (c'est-à-dire le bassin versant ou le unité) a été identifiée et que ses limites ont été délimitées dans une carte de base topographique ou des documents cartographiques correspondants, et que la méthode tente d'utiliser pleinement les bases de données et les systèmes analytiques existants (par exemple, la FAO, AEZ, AEZWIN, SOTER et SDB) .

Évaluation du stock de carbone et de la séquestration dans l'utilisation actuelle des terres

Le détail des étapes méthodologiques est expliqué en fonction des deux principaux bassins ou compartiments : hors sol et souterrain.

La figure 1 illustre les procédures impliquées et les relations entre elles. Les procédures des composants de la figure 1 sont généralisées conceptuellement dans une certaine mesure, de sorte qu'elles peuvent être utilisées ici comme guide schématique des méthodes. Ainsi, ils permettent une certaine flexibilité dans la substitution et le remplacement en fonction des ressources et de la technologie disponibles. Par exemple, la composante de télédétection de la figure 1 peut être remplacée ou complétée par un échantillonnage fiable sur le terrain et l'utilisation de photographies aériennes. De même, l'utilisation d'indices de ratio de bandes, c'est-à-dire l'indice de végétation différentiel normalisé (NDVI), n'est pas nécessaire et suffisante pour l'estimation de la biomasse. Ils pourraient être remplacés par un autre index, par ex. Indice de végétation verte (IVG) ou mécanisme tel que les équations de régression pour l'estimation de la biomasse, développé in situ . En ce sens, les graphiques tentent d'illustrer la méthodologie et les procédures et ils doivent être pris avec ce degré de flexibilité. Ils indiquent des activités et leurs possibilités, plutôt que des voies méthodologiques dogmatiquement strictes.

FIGURE 1 - Évaluation du stock de carbone dans l'utilisation actuelle des terres

Estimation de la biomasse aérienne

Des estimations détaillées de la biomasse de tous les types de couverture terrestre sont nécessaires pour la comptabilisation du carbone, bien que les estimations fiables de la biomasse dans la littérature soient peu nombreuses. La biomasse et la teneur en carbone sont généralement élevées dans les forêts tropicales, reflétant leur influence sur le cycle mondial du carbone. Les forêts tropicales ont également un grand potentiel pour l'atténuation du CO 2 grâce à une conservation et une gestion appropriées (FAO, 1997). Les méthodes d'évaluation de la biomasse décrites ici ne se limitent pas aux forêts, à l'agriculture ou aux pâturages. Ils évaluent la biomasse actuelle quel que soit le type de couvert. Ainsi, ils peuvent être appliqués aux zones où les arbres constituent une partie dominante du paysage, y compris les forêts fermées et ouvertes, les savanes, les plantations, les jardins, les haies vives, etc., ainsi qu'aux systèmes agricoles et de pâturage, y compris toutes sortes de cultures. rotations, mélanges de cultures, d'arbres et de pâturages. La biomasse de tous les composants de l'écosystème doit être considérée : la masse vivante aérienne et souterraine des arbres, arbustes, palmiers, gaules, etc., ainsi que la couche herbacée sur le sol forestier, y compris la fraction inerte dans les débris et la litière .La plus grande fraction de la biomasse aérienne totale d'un écosystème est représentée par ces composantes et, de manière générale, leur estimation ne pose pas beaucoup de problèmes logistiques.

La biomasse est définie ici comme la quantité totale de matière organique vivante et de matière organique inerte (MIO) aérienne et souterraine exprimée en tonnes de matière sèche par unité de surface (plante individuelle, hectare, région ou pays). Typiquement, les termes de mesure sont la densité de la biomasse exprimée en masse par unité de surface, par ex. tonnes par hectare. La biomasse totale pour une région ou un pays est obtenue par mise à l'échelle ou agrégation de la densité de la biomasse à la superficie minimale mesurée.

La BIOMASSE est définie ici comme la quantité totale de matière organique vivante et inerte au-dessus et au-dessous du sol exprimée en tonnes de matière sèche par unité de surface.

Télédétection pour l'estimation de la biomasse aérienne

Les données de télédétection sont comprises ici comme les données générées par des capteurs à partir d'une plate-forme ne touchant pas directement ou à proximité immédiate de la biomasse forestière. Par conséquent, ces données comprennent des images captées à la fois par des avions et des satellites. L'imagerie de télédétection peut être extrêmement utile, en particulier lorsqu'elle est validée ou vérifiée avec des mesures et des observations au sol (c'est-à-dire la "vérité sur le terrain"). Les images de télédétection peuvent être utilisées dans l'estimation de la biomasse aérienne d'au moins trois manières :

classification du couvert végétal et génération d'une carte des types de végétation. Cela divise la variabilité spatiale de la végétation en zones ou classes de végétation relativement uniformes. Ceux-ci peuvent être très utiles dans l'identification de groupes d'espèces et dans l'interpolation et l'extrapolation spatiales des estimations de la biomasse.

estimation indirecte de la biomasse par une certaine forme de relation quantitative (par exemple des équations de régression) entre les indices de rapport de bande (NDVI, GVI, etc.) ou d'autres mesures telles que les valeurs de radiance directe par pixel ou les nombres numériques par pixel, avec des mesures directes de la biomasse ou avec paramètres liés directement à la biomasse, par exemple indice de surface foliaire (LAI).

partitionner la variabilité spatiale du couvert végétal en zones ou classes relativement uniformes, qui peuvent être utilisées comme cadre d'échantillonnage pour la localisation des observations et des mesures au sol.

L'utilisation d'indices de ratio de bandes tels que le NDVI, GVI ou d'autres indices basés sur l'exploitation du pouvoir discriminant des ratios de bandes infrarouges de l'activité chlorophyllienne dans la végétation, nécessite des mesures relativement impliquées d'autres paramètres morphologiques et physionomiques de la canopée tels que le LAI, et la présence d'une forte relation entre le LAI et le NDVI, et le LAI et la biomasse. La force et la forme de ces relations varient considérablement selon le type et la structure de la canopée, l'état de santé de la végétation et de nombreux autres paramètres environnementaux. Une grande partie des travaux rapportés dans la littérature sur de telles relations est encore un sujet de recherche (Baret, Guyot et Major, 1989 Wiegand et al. , 1991 Daughtry et al. , 1992 Price, 1992 Gilabert, Gandia et Melia, 1996 Fazakas, Nilsson et Olsson, 1999 Gupta, Prasa et Vijayan, 2000). Par conséquent, les produits de télédétection conviennent comme cadre pour fournir des mécanismes de mise à l'échelle des mesures de site détaillées de la biomasse aérienne au sol. Cependant, leur utilité est circonstancielle et dépend de la force des relations trouvées pour une zone géographique donnée.

Classification du couvert végétal par imagerie satellitaire multispectrale

Les procédures, techniques et algorithmes de classification d'images multispectrales sont tous bien documentés dans la littérature de télédétection et dépassent également la portée de ce rapport. En résumé, les étapes comprennent :

acquisition d'images multispectrales (généralement Landsat Thematic Mapper (TM) bandes 1, 2, 3, 4, 5 et 7) et amélioration de l'image (étirement et filtrage), corrections (géométriques et radiométriques) et géoréférencement (registration).

création d'images composites en fausses couleurs (FCC), généralement TM3 (rouge), TM4 (infrarouge à ondes courtes) et TM5 (proche infrarouge).

sélection et échantillonnage des “sites d'entraînement” sur l'image, inspection du “clustering” de pixels de ces sites de formation dans l'espace des caractéristiques et sélection d'un algorithme de classification pour la classification supervisée.

classification supervisée consistant à utiliser les valeurs de réflectance des “sites d'entraînement” et les classes qui leur sont attribuées afin d'étendre la classification au reste de l'image FCC, grâce aux algorithmes de classification. Une étape supplémentaire facultative est la conversion de l'image classée résultante (au format raster) au format vectoriel (conversion raster en vecteur) afin de créer une carte polygonale des classes de végétation. Typiquement, les sites d'entraînement doivent correspondre à des endroits au sol où le type de couvert végétal a été observé, enregistré et validé.

FIGURE 2 - Estimation de la biomasse et du carbone dans le bassin aérien de l'utilisation actuelle des terres

FIGURE 3 - Procédures de génération d'une carte de classe d'occupation du sol à partir d'une classification multispectrale d'images satellites

La précision de la carte de végétation résultante est fonction de :

la complexité du mélange d'espèces dans la culture, la végétation ou le couvert forestier et la complexité de la variabilité spatiale du couvert dans la zone

le choix des sites d'entraînement et leur degré de représentativité des classes de végétation au sol

l'adéquation de sélection de l'algorithme de classification en fonction de la nature des amas formés par les sites d'apprentissage et des types d'histogrammes de valeurs de luminance de chaque bande d'image utilisée dans la classification.

La carte de végétation générée doit afficher la variabilité spatiale des principales classes de végétation ou de couvert forestier dans la zone concernée sous forme de classes au format raster ou de cellules de grille, ou sous forme de polygones au format vectoriel. La figure 2 montre le cadre méthodologique pour l'estimation de la biomasse aérienne. La figure 3 illustre les étapes spécifiques de la génération d'une carte de la végétation du couvert végétal à partir de l'interprétation d'images satellites multispectrales.

Classification et cartographie du couvert végétal à partir de l'interprétation des photographies aériennes

Ces techniques ont précédé l'analyse et l'interprétation des images satellitaires. Il s'agit de procédures standard pour l'identification des classes de végétation et des peuplements forestiers dans les travaux conventionnels de cartographie de la couverture terrestre et d'inventaire forestier dans la plupart des pays. Par conséquent, ce rapport ne les décrit pas en détail. Avec l'échantillonnage et la validation sur le terrain, l'interprétation des photographies aériennes à l'aide de motifs photographiques, de la texture, du ton et d'autres caractéristiques photographiques ainsi que la vision stéréoscopique et l'utilisation de la barre de parallaxe servent à délimiter des classes de cultures ou de couverture végétale ou de peuplements forestiers. Ces limites de classes sont ensuite transférées sur une carte, créant des unités cartographiques, qui à leur tour peuvent être numérisées dans un SIG, créant ainsi une carte de polygone vectoriel. Le résultat final de cette procédure est comparable à celui obtenu à partir de l'interprétation et de la classification des images satellitaires. Les précisions de l'un ou de l'autre varient en fonction de l'expertise du photo-interprète, de la densité des échantillons de terrain utilisés pour la validation et de leur représentativité de la variabilité des classes de végétation.

Les deux procédures, l'interprétation des images satellites multispectrales et l'interprétation des photos aériennes, ne conduisent qu'indirectement à l'estimation de la biomasse aérienne. La littérature rapporte une gamme de variantes à de telles procédures. Ces procédures vont de l'inventaire forestier conventionnel basé sur des mesures au sol des dimensions d'arbres individuels (mesures allométriques), à l'utilisation de tables de rendement, d'équations de régression et à des mesures dérivées d'une gamme de plates-formes de capteurs (p. ex. Foody et al. , 1996 Kimes et al., 1998). Tous ont en commun la nécessité de valider les estimations au moyen de mesures au sol des géométries et des volumes des arbres.

Dans ce rapport, les méthodes de télédétection et les méthodes au sol sont considérées comme faisant partie de la même procédure. Par conséquent, ils sont utilisés en combinaison. Les techniques de télédétection sont considérées ici, en combinaison avec des techniques d'interpolation et d'extrapolation spatiales, comme des mécanismes d'augmentation et de réduction des estimations à des zones de différentes tailles. Ils fournissent également un cadre spatial utile pour l'échantillonnage sur le terrain. Pour de nombreuses raisons pratiques et logistiques liées à la disponibilité et au coût des matériels de télédétection dans les pays en développement, l'accent est mis dans ce rapport sur la réalisation de mesures au sol, qui servent de base à la validation de toutes les autres procédures d'estimation, y compris la télédétection. sentir.

Enquêtes de terrain polyvalentes et plan d'échantillonnage

La conception de l'échantillonnage pour la collecte de données sur la biomasse aérienne doit être polyvalente afin de réaliser des gains d'efficacité dans la collecte de données et de minimiser les coûts. C'est-à-dire que les sites qui sont utilisés pour prendre des mesures pour l'estimation de la biomasse aérienne devraient également être utilisés pour les évaluations de la biodiversité et de la dégradation des terres grâce à l'observation de ses indicateurs. Le caractère polyvalent du plan d'échantillonnage exige qu'il fournisse des données pour :

estimation de la biomasse aérienne : mesures morphométriques de la tige de la végétation sur pied et de la canopée de diverses strates d'arbres et d'arbustes, ainsi que des débris, du bois mort, des gaules et des échantillons d'herbes et de déchets tombés

évaluation de la biodiversité : identification et quantification des espèces végétales pour le calcul des indices de diversité végétale

évaluation de la dégradation des terres : mesures du site et observations d'indicateurs pertinents de l'état de la dégradation des terres.

Des quadrats d'échantillonnage de forme régulière de dimensions 10 × 10 m, 5 × 5 m et 1 × 1 m, emboîtés les uns dans les autres, ont été définis comme les unités d'échantillonnage du paysage et de mesure de la biomasse, de la biodiversité et de la dégradation des terres . Les dimensions des quadrats coïncident avec la pratique recommandée dans la littérature écologique et représentent un compromis entre la pratique recommandée, la précision et les considérations pratiques de temps et d'effort. La figure 4 illustre l'imbrication des quadrats.

FIGURE 4 - Échantillonnage en quadrats pour les évaluations de la biomasse, de la biodiversité et de la dégradation des terres

TABLEAU 1 - Utilisation de chaque site de quadrat emboîté pour l'échantillonnage et la mesure

UTILISATION DU QUADRAT DANS LES MESURES ET L'ÉCHANTILLONNAGE

Mesures morphométriques de la couche arborescente.

Mesures du tronc et de la canopée des arbres et du gros bois mort.

Identification d'espèces d'arbres et d'organismes individuels au sein d'une espèce pour l'évaluation de la biodiversité.

Mesures et observations du site pour l'évaluation de la dégradation des terres.

Mesures morphométriques de la strate arbustive.

Mesures de la tige et de la canopée et du petit bois mort.

Identification des espèces arbustives et des organismes arbustifs individuels au sein des espèces pour l'évaluation de la biodiversité.

Échantillonnage de biomasse d'espèces herbacées et de graminées, aériennes et racinaires, de litière et de débris pour le séchage et le pesage afin de déterminer la biomasse vivante et morte.

Dénombrement des espèces herbacées et nombre d'individus au sein des espèces.

La conception de quadrats imbriqués de différentes tailles (Figure 4) obéit aux exigences de mesure et de comptage de la végétation de différentes tailles et strates, et de collecte de débris et de déchets pour l'estimation de la biomasse. Le tableau 1 indique l'utilisation désignée pour chaque quadrat.

Les planches 1 à 4 illustrent l'utilisation des quadrats imbriqués en diminuant la taille des quadrats.

PLANCHE 1 - Échantillonnage d'un quadrat de 10 × 10 m, en se concentrant sur la strate arborée et l'évaluation de la dégradation des terres

PLANCHE 2 - Travail dans le quadrat de 5 × 5 m en se concentrant sur la strate arbustive, le bois mort et les débris

PLANCHE 3 - Travail dans le quadrat de 1 &# 215 1 m en se concentrant sur la couche herbacée, à la fois des cultures et des pâturages et l'échantillonnage de la litière

PLANCHE 4 - Échantillonnage en quadrat axé sur les agro-écosystèmes

Les sites d'échantillonnage et leur emplacement sont sélectionnés au moyen d'un certain nombre d'activités. L'objectif est d'obtenir, au moindre coût, une taille et une distribution d'échantillon qui fourniront des données très représentatives de la biodiversité végétale, de la variabilité spatiale de la biomasse aérienne et de l'état de dégradation des terres dans la zone étudiée. Le processus est complexe en raison des différentes échelles spatiales de variabilité de chaque variable préoccupante. La figure 5 illustre un organigramme généralisé du plan d'échantillonnage.

Qu'elle soit dérivée de l'interprétation d'images satellitaires multispectrales ou qu'elle soit dérivée de l'interprétation de photos aériennes et transformée en une carte matricielle ou vectorielle, la carte des classes de végétation ou d'occupation du sol sert de base à la stratification et à l'affectation des sites d'échantillonnage aux classes d'occupation du sol, également appelés ici strates. Un plan d'échantillonnage aléatoire stratifié avec une probabilité de sites d'échantillonnage attribués à un polygone ou à une classe proportionnelle à la taille de la zone couverte par chaque classe de couverture terrestre (strate) est considéré comme approprié pour le cadre d'échantillonnage et l'emplacement des sites d'échantillonnage dans l'enquête sur le terrain. Chacune des strates est définie par un type d'occupation du sol ou de végétation. Les outils de définition des strates comprennent la classification de l'imagerie satellitaire, la photo-interprétation des photographies aériennes ainsi que l'observation et les mesures au sol avant l'enquête (c'est-à-dire la mise en place de sites de formation) pour superviser et vérifier la qualité de la classification.

FIGURE 5 - Processus et activités dans la conception de l'échantillonnage des enquêtes de terrain sur la biomasse, la biodiversité et la dégradation des terres

La définition des variables à observer ou à mesurer est un élément central de la conception de l'enquête.

Ces variables sont regroupées en trois classes :

facteurs abiotiques ou de site, y compris l'altitude, la pente, l'aspect, la physiographie locale, le type de sol et le type de perturbation

facteurs biotiques, y compris les aspects de la flore terrestre, pertinents à la fois pour la mesure de la biomasse et la biodiversité (cette dernière comprend le type de végétation, l'état de succession, le nombre d'espèces dans différentes couches et le nombre d'individus pour chaque espèce dans différentes couches)

les facteurs de dégradation des terres, y compris les variables indicatrices pertinentes à mesurer ou à observer pour la dégradation physique, chimique et biologique des terres.

Des formulaires de données de terrain sont conçus et imprimés pour chacun des trois domaines concernés par l'échantillonnage sur le terrain, à savoir : la biomasse aérienne (mesures morphométriques), les indices de biodiversité et les indicateurs de dégradation des terres. Les formulaires de terrain contiennent des espaces pour la saisie de données sur les variables pertinentes dans chacun des trois aspects concernés. Le chapitre 6 présente des exemples de ces formulaires de données de terrain.

Les mesures morphométriques et la diversité des plantes dans deux types d'éléments paysagers différents (strates) sont discriminées. C'est-à-dire que les dissemblances au sein des types de strates (polygones) devraient être nettement inférieures à celles qui les séparent. Le modèle statistique suivant illustre la partition de la variabilité en sources et doit être utilisé pour tester les hypothèses pendant le traitement des données à l'aide d'une conception d'analyse de variance à un facteur (ANOVA). La normalité et l'homogénéité de la variance doivent également être testées :

où, par exemple dans le cas des indices de biodiversité : Yij est le nombre d'espèces ou l'abondance dans le j-ème peuplement forestier au sein du i-ème type de végétation (strate) m est la moyenne générale de toutes les strates vt i est le effet du i-ème type de végétation sur les mesures morphométriques ou de diversité végétale et e ij est l'erreur dans le j-ème peuplement dans le i-ème type de végétation (strate).

Le niveau de précision cible pour ce plan d'échantillonnage doit être fixé à 95 % de fiabilité et 5 % d'erreur dans les estimations.

La taille de l'échantillon doit être déterminée pour chaque strate. Cependant, typiquement, il n'y a pas d'information préalable sur la variance des variables à étudier (i.e. mesures morphométriques, nombre d'espèces, abondance, etc.). Par conséquent, deux étapes doivent être suivies pour obtenir les informations sur le terrain :

estimation pré-enquête de la variance a priori. Cette première étape conduit à une détermination subjective de la taille de l'échantillon avant l'enquête.

calcul du nombre d'échantillons pour chaque strate. La taille de l'échantillon est calculée en utilisant la variance a priori obtenue à partir de la pré-enquête, puis en utilisant des formules statistiques standard basées sur la variance a priori de la variable d'intérêt.

Il est reconnu que des variables telles que le nombre total d'espèces végétales nécessiteraient la compilation et le calcul de "courbes de saturation" des espèces en fonction du nombre de quadrats d'échantillonnage afin d'établir le nombre total de quadrats qui représenteraient la variabilité des espèces végétales. population. Il s'agit d'une procédure standard dans le travail d'écologie végétale et paysagère et l'équipe d'évaluation doit viser à atteindre de telles courbes, sauf en cas de fortes contraintes économiques ou logistiques.

Les sites d'échantillonnage (quadrats) sont localisés sur le terrain en sélectionnant aléatoirement des paires de coordonnées pour chaque site avec un dispositif de génération de nombres aléatoires, après avoir déterminé le nombre de sites d'échantillonnage dans chaque strate ou classe de végétation/occupation du sol. Le nombre d'échantillons pour chaque strate est sélectionné proportionnellement à son étendue, à l'aide de la carte de végétation. Les paires de coordonnées de chaque site sont localisées sur le terrain avec un système de positionnement global (GPS).

Il est possible que plus d'une strate d'arbres puisse être trouvée dans chaque type de végétation, en particulier dans les zones tropicales. Cette variabilité peut être reconnue en enregistrant le nombre de couches de canopée présentes dans chaque quadrat de 10 × 10 m. A l'intérieur de chaque couche définie soit par la hauteur soit par l'état de succession, pour tous les arbres, le nombre de plantes par espèce doit être enregistré pour chacune des couches considérées. Par exemple, dans une forêt tropicale dans laquelle trois couches de canopée ont été observées, dans la première couche, les arbres de 20 m et plus devraient être mesurés dans la deuxième couche, les arbres entre 10 et 20 m, et dans la troisième couche, les arbres moins plus de 10 m de haut.

L'une des tâches les plus difficiles du travail pratique sur le terrain est l'identification des espèces sur le terrain. En raison de contraintes pratiques, il n'est pas possible de collecter des plantes avec tous les composants morphologiques nécessaires à l'identification dans un herbier. Par conséquent, les connaissances des populations locales qui ont travaillé et vécu dans ou à proximité de la forêt devraient jouer un rôle important dans la collecte de données. Les populations locales peuvent identifier les espèces avec précision en utilisant des noms locaux ou même botaniques. Cela offre une alternative utile à l'inclusion d'un botaniste à temps plein dans l'équipe multidisciplinaire qui mène l'étude. Cependant, dans la mesure du possible, des procédures de validation doivent être mises en place afin de calibrer la validité de la méthode d'identification des espèces, en collectant des échantillons pour l'identification botanique dans l'herbier.

Enfin, les données doivent être collectées de manière organisée et systématique. Un système de bases de données numériques peut être conçu en amont et modifié ultérieurement au vu des réalités du terrain afin de faciliter la saisie des données dans les bases de données à relier aux logiciels de traitement de données, de modélisation informatique et de SIG. Un système de gestion de base de données (SGBD) disponible dans le commerce pourrait servir à cette fin. Ce logiciel doit être personnalisé pour refléter les besoins d'information du projet. Des progiciels de SGBD courants pourraient être utiles pour le stockage et le traitement ultérieur des données de terrain.

Calcul de la biomasse aérienne à partir de méthodes allométriques

La biomasse aérienne est estimée à partir des mesures sur le terrain à des sites spécifiques (quadrats) avec lesquels le paysage a été échantillonné dans la zone ou le bassin versant concerné. Ceux-ci sont décrits ci-dessus. Ici, les étapes procédurales pour le calcul de la biomasse aérienne à partir de ces données de terrain sont décrites.

Afin de pouvoir calculer la biomasse aérienne dans un bassin versant, les étapes suivantes se concentrent sur les couches forestières. Pour plus de commodité méthodologique, les calculs des arbres et arbustes sont divisés en deux sections selon la morphologie des arbres :

calcul de la biomasse pour le tronc ou la tige

calcul de la biomasse pour la canopée ou la cime.

Cette distinction est nécessaire car différentes procédures et approches d'estimation sont utilisées dans chaque cas. Dans chaque quadrat de 10 × 10 m, les mesures allométriques suivantes sont obtenues à partir d'un échantillonnage sur le terrain de chaque arbre dans les limites du quadrat (Figure 6) :

diamètre à hauteur de poitrine (DBH),

diamètre de la canopée ou de la cime dans deux directions perpendiculaires, appelé ici pour plus de commodité “longueur” (L) et “largeur” (W),

hauteur à la base de la couronne (Hc),

pourcentage de couvert foliaire dans la cime ou la canopée (Fc).

FIGURE 6 - Mesures allométriques dans la végétation forestière dans le quadrat d'échantillonnage,10 × 10 m

Ici, deux options sont présentées en termes d'approches pour calculer la biomasse du tronc et de la canopée. Le choix de l'approche dépend dans une large mesure des conditions et des outils disponibles lors de la collecte des données, et donc des variables mesurées et du degré de précision requis. Les deux approches sont :

la méthode des équations de régression linéaire.

Avec la méthode allométrique, il faut d'abord considérer la surface terrière (Ab) du tronc. Lorsque cela a été enregistré avec un équipement d'inventaire forestier conventionnel, la section ci-dessous doit être ignorée. Lorsque la surface terrière n'a pas été mesurée sur le terrain, elle peut être estimée par :

où : P= 3,1415927 et r est le rayon de l'arbre à hauteur de poitrine (0,5 DHP).

Avec A b , le volume ( V ) en mètres cubes peut être calculé à partir de :

où : A b est la surface terrière H est la hauteur et Kc est une constante dépendante du site dans la pratique de cubage standard utilisée dans l'inventaire forestier (par exemple à Texcoco, Kc = 0,5463).

En utilisant le volume calculé du tronc, la biomasse totale du tronc en kilogrammes peut être calculée en multipliant par la densité du bois ( DE ) correspondant à chaque espèce d'arbre mesurée :

L'approche de l'équation de régression linéaire nécessite la sélection de l'équation de régression la mieux adaptée aux conditions de la zone d'étude. Des modèles de régression linéaire ont été adaptés aux données dans diverses situations de site et de conditions écologiques variables à l'échelle mondiale. Les travaux de Brown, Gillespie et Lugo (1989) et de la FAO (1997) sur l'estimation de la biomasse des forêts tropicales à l'aide d'équations de régression de la biomasse en fonction du DHP sont au cœur de l'utilisation de cette approche. Certaines des équations rapportées par Brown, Gillespie et Lugo (1989) sont devenues une pratique courante en raison de leur large applicabilité. Le tableau 2 présente un résumé des équations, telles que trouvées dans la littérature spécialisée, y compris les restrictions imposées à chaque méthode.

TABLEAU 2 - Estimation de la biomasse des forêts tropicales à l'aide d'équations de régression de la biomasse en fonction du DHP

Restrictions : DHP et climat basés sur les précipitations annuelles

5 < DHP < 40 cm
Transition sèche à humide (pluie > 900 mm)

(FAO-2) Y = 10 ^ (- 0,535 + log10 (p × r 2 ))
R2 = 0,94

3 < DHP < 30 cm
Sec (pluie < 900 mm)

DHP < 80 cm
Humide (1 500 < précipitations < 4 000 mm)

Winrock (de Brown, Gillespie et Lugo, 1989)

(Winrock-1)
Y = 34,4703 - 8,0671 DHP + 0,6589 DHP 2
R2 = 0,67

DHP ³ 5 cm
Sec (pluie < 1 500 mm)

Winrock (de Brown, Gillespie et Lugo, 1989)

DHP > 5 cm
Humide (1 500 < précipitations < 4 000 mm)

Winrock (de Brown Gillespie et Lugo, 1989)

DHP > 5 cm
Humide (1 500 < précipitations < 4 000 mm)

Y = (0,0899 ((DBH 2 ) 0,9522 ) × (H 0,9522 ) × (S 0,9522 ))

Remarque : p = 3,1415927 r = rayon (cm) DHP = diamètre à hauteur de poitrine (cm) H = hauteur (m) BA = J × r 2 et S = densité du bois (0,61).

En utilisant l'une de ces méthodes, la biomasse des arbres peut être estimée en appliquant l'équation de régression correspondante. Des tracés d'estimations de la biomasse des arbres par DHP à l'aide des diverses équations de régression pour différents types de types de couvert peuvent être générés pour illustrer les variations des prévisions de chacune des équations de régression répertoriées dans le tableau 2.

Lorsque seule la biomasse du tronc a été estimée (par exemple par des calculs allométriques), la biomasse de la couronne (canopée) devra être estimée et ajoutée à la biomasse du tronc. La première étape consiste à estimer le volume occupé par la canopée. Compte tenu de la variabilité des formes des cimes des arbres d'une espèce à l'autre et même des variations intraspécifiques d'un arbre individuel à l'autre, certaines généralisations doivent être faites à des fins d'estimation concernant les variations de densité de canopée données par la distribution aérienne des leur feuillage. Les méthodes utilisées représentent des approximations raisonnables dans les circonstances pratiques actuelles de l'estimation. Le volume du houppier ou de la canopée peut alors être estimé par une fonction dépendant des propriétés géométriques de la forme du houppier, comme indiqué dans le tableau 3.

Le volume de la couronne estimé par les équations du tableau 3 est le volume total brut. En réalité, une grande partie de ce volume est un espace vide. La proportion réelle du volume occupée par les branches et le feuillage est estimée en se tenant sous la canopée ou la cime, à côté du tronc, et en obtenant une appréciation visuelle minutieuse de la structure de la canopée. Cette proportion est ensuite utilisée pour actualiser la lame d'air dans le volume de cime : volume solide = V (m 3 ) × proportion de branches et de feuillage dans le volume de cime.

TABLEAU 3 - Estimation du volume du houppier ou de la canopée en fonction de la forme du houppier

Forme approximative de la couronne

Dans la mesure du possible, des échantillons de branches et de feuillage doivent être apportés au laboratoire afin de procéder à la détermination de la WD et de la matière sèche dans le feuillage. Cela garantit une approximation plus réaliste de la biomasse, laissant l'estimation de la densité du feuillage comme le seul élément plus subjectif de l'estimation.

La littérature relative au calcul de la WD de la couronne est rare. Pour la méthodologie présentée ici, une approche conservatrice est adoptée. Lorsque la valeur WD de l'arbre est connue, cette valeur est divisée par deux pour donner une approximation de la densité de feuilles et de petites branches dans la couronne. Lorsque la WD est inconnue, alors la moitié de la moyenne des valeurs de WD trouvées pour les espèces dans la parcelle quadrat ou même dans la même unité cartographique ou polygone de couverture terrestre est appliquée.

Calcul de la biomasse aérienne totale

La biomasse totale est calculée pour chaque arbre du quadrat échantillon en additionnant les estimations de la biomasse du tronc et de la cime, puis en additionnant les résultats pour tous les arbres du quadrat échantillon. Cette valeur peut ensuite être convertie en tonnes par hectare. À l'estimation de la biomasse des arbres dans le quadrat de 10 × 10 m, il faut ajouter les estimations des arbustes, du bois mort et des débris mesurés dans le quadrat emboîté de 5 × 5 m. Le volume de l'arbuste est estimé de manière similaire à celui du tronc des arbres, en calculant le volume de la tige. Cependant, des réductions considérables de la densité du bois sont appliquées étant donné la teneur en humidité beaucoup plus élevée dans le tissu vert des arbustes. De plus, la contribution au volume due au feuillage dans le cas des arbustes est considérée comme négligeable. Par conséquent, il n'est pas pris en compte dans l'estimation globale de la biomasse totale.

La couche herbacée, la litière et les autres débris organiques collectés sur le terrain dans le quadrat de 1 &# 215 1 m sont amenés au laboratoire, séchés et pesés. La valeur résultante est l'estimation de la matière organique sèche par mètre carré. Le calcul de biomasse résultant est ensuite extrapolé aux 100 m 2 du plus grand quadrat. Ce dernier chiffre peut ensuite être ajouté aux estimations de biomasse du tronc et de la cime (canopée) calculées précédemment. Le calcul résultant devrait donner une valeur de la biomasse aérienne totale pour chacun des sites d'échantillonnage sur le terrain (10 × quadrats de 10 m).

Ensembles de données minimum pour l'estimation de la biomasse aérienne

Compte tenu de l'importance de la biomasse aérienne pour la comptabilisation du carbone, et comme ces estimations sont utilisées pour dériver des données d'entrée dans la modélisation de la dynamique du carbone du sol (SOC), certains ensembles de données minimales devraient être rassemblés lors des enquêtes de terrain.

Les méthodes d'estimation de l'allométrie et de l'équation de régression nécessitent les données du tableau 4.

TABLEAU 4 - Ensemble de données minimal pour l'estimation de la biomasse aérienne

Diamètre à hauteur de poitrine

Hauteur à la base de la couronne

Proportion de branches et de feuillage dans le volume de la canopée

De plus, certaines informations spécifiques sur les espèces d'arbres sont requises afin de compléter les ensembles de données, à savoir :

une méthode pour calculer facilement la densité du bois et du feuillage de la canopée avec un minimum de données de terrain.

Ces variables constituent l'ensemble de données minimum pour l'estimation de la biomasse. Ils sont faciles à obtenir et peuvent être mesurés à faible coût.

Estimation de la biomasse souterraine

Dans tout système biologique, C est présent sous plusieurs formes connues dans les bassins et les compartiments. Dans les systèmes terrestres, il est commode de diviser ces réserves en piscines hors sol et en piscines souterraines. Cette section concerne le bassin de biomasse souterrain.

Estimation de la biomasse racinaire

Les racines jouent un rôle important dans le cycle du carbone car elles transfèrent des quantités considérables de C au sol, où il peut être stocké pendant une période relativement longue. La plante utilise une partie du C dans les racines pour augmenter la biomasse totale des arbres par photosynthèse, bien que le C soit également perdu par la respiration, l'exsudation et la décomposition des racines. Certaines racines peuvent s'étendre à de grandes profondeurs, mais la plus grande proportion de la masse racinaire totale se trouve dans les 30 premiers cm de la surface du sol (Bohm, 1979 Jackson et al. , 1996). La perte ou l'accumulation de carbone dans le sol est intense dans la couche supérieure des profils de sol (0-20 cm). L'échantillonnage devrait se concentrer sur cette section du profil du sol (Richter et al. , 1999).

Les méthodes non destructives (de conservation) reposent sur des calculs de biomasse souterraine pour des types de végétation et des coefficients similaires à ceux rapportés dans la littérature. Ils sont dérivés de la mesure de la biomasse aérienne. Santantonio, Hermann et Overton (1977) suggèrent que la biomasse est proche de 20 pour cent de la biomasse aérienne totale et indiquent que la majorité de la biomasse souterraine de la forêt est contenue dans les racines lourdes - généralement définies comme celles dépassant 2 mm de diamètre. Cependant, il est reconnu que la majeure partie de la croissance annuelle des plantes dépend de racines fines ou minces. Les données disponibles et enregistrées dans la littérature sont limitées, en raison des coûts élevés impliqués dans la collecte et la mesure de la biomasse racinaire. Selon MacDicken (1997), le rapport de la biomasse souterraine à la biomasse aérienne dans les forêts est d'environ 0,2, selon les espèces. Une estimation prudente de la biomasse des racines dans les forêts ne dépasserait pas 10 à 15 % de la biomasse aérienne. Une estimation raisonnable de la littérature est la suivante : biomasse souterraine = biomasse forestière aérienne × 0,2.

TABLEAU 5 - Méthodes non destructives pour l'estimation de la biomasse racinaire

Winrock
(MacDicken, 1997 Bohm, 1979)

Plus de pertes que celles décrites dans la littérature

Santantonio, Hermann et Overton (1997)

Kittredge (1944)
Satoo (1955)

W = poids sec du composant de l'arbre (racines)

DHP = Diamètre hauteur poitrine (1,3 m)

a et b sont des coefficients de régression

W = poids sec du composant de l'arbre

a et b sont des coefficients de régression

log W = a + b log ( d 2 + h + d 2 h )

W = poids sec du composant de l'arbre

a et b sont des coefficients de régression

Lorsqu'une estimation satisfaisante du volume et du DHP de la composante aérienne des plantes est disponible, cette information peut être utilisée pour dériver une estimation de la biomasse souterraine. L'exactitude des estimations dépend sensiblement de la taille et de la sélection de l'échantillon, comme suggéré par Kittredge (1944) et Satoo (1955), qui ont proposé l'utilisation d'équations de régression allométrique du poids d'une composante d'arbre donnée sur le DHP, telles que ceux de la forme :

où W représente le poids d'un certain composant de l'arbre, DHP est le diamètre à hauteur de poitrine (1,3 m) et a et b sont des coefficients de régression. Bien que ce type de régression se soit avéré utile dans plusieurs types de forêts (Ovington et Madgwick , 1959 Nomoto, 1964 Ogino, Sabhasri et Shidei, 1964), une estimation plus précise peut être faite en utilisant DBH 2 h, où h est la hauteur de la arbre (Ogawa et al., 1965). Néanmoins, Bunce (1968) a montré que l'inclusion de la hauteur améliorait marginalement l'estimation du poids sec de la composante arbre. Dans certains cas, une autre expression a été préférée : DBH 2 + h + DBH 2 h . La connaissance du poids du tronc peut généralement augmenter la précision de l'estimation grâce à sa corrélation avec le poids de la racine (Ogawa et al., 1965). Quant à la corrélation avec le poids des branches et des feuilles, la régression est cohérente. Cependant, il varierait selon les espèces et même entre les familles d'une même espèce. L'âge et la densité des tiges ont montré des associations incohérentes avec les racines (Satoo, 1955).

La croissance des racines en longueur peut être considérée comme similaire à celle des branches en utilisant l'augmentation radiale de celles-ci lorsqu'elle est visible, bien que l'épaisseur des racines puisse changer avec l'âge. Le tableau 5 présente un résumé des méthodes non destructives.

Plusieurs méthodes existent pour mesurer directement les racines. Ce sont des méthodes essentiellement destructrices qui sont utilisées pour les mesures nécessaires à la recherche écologique et agronomique. Elles sont:

Le Winrock International Institute of Agriculture (MacDicken, 1997) rapporte que l'échantillonnage de carottes à la tarière et les méthodes monolithiques de mesure des racines sont économiquement plus réalisables que l'excavation. Par conséquent, ces deux méthodes sont décrites brièvement.

L'échantillonnage dans ces méthodes doit être fait lorsque la biomasse dans les racines est à son maximum, mais en évitant la saison de croissance. Un facteur de correction de 1,25 à 2,0 peut être appliqué à la masse de racines après la collecte des données. Ce facteur est basé sur des considérations des pertes dues à l'échantillonnage et au traitement.

L'échantillonnage de carottes de sol pour déterminer la biomasse racinaire est généralement effectué à une épaisseur de sol standard de 0 à 30 cm. En revanche, l'échantillonnage monolithique est utilisé pour déterminer la distribution relative des racines en dessous d'une profondeur de 30 cm. Le choix de la méthode dépend des conditions spécifiques du site et inclut des considérations sur : la précision requise la disponibilité de données sur la distribution attendue des racines dans le sol pour les espèces inventoriées la profondeur du sol la texture et la pierrosité du sol.

La méthode du carottage à la tarière utilise un tube cylindrique de 15 cm de longueur et de 7 à 10 cm de diamètre, avec une extension d'environ 1 m. Il enlève ou déplace un volume connu de sol d'un profil de sol de profondeur connue. Un noyau de 50-80 mm de diamètre est considéré comme suffisant. Le carottier à vis peut être inséré manuellement ou mécaniquement. L'insertion manuelle de la tarière carottier n'est pas pratique pour des profondeurs supérieures à 50 cm ou pour des sols argileux ou caillouteux. Dans les sols sableux secs, une carotte de petit diamètre peut être nécessaire afin de réduire les pertes de sol lors de l'extraction de la carotte. Dans les sols très caillouteux, et en particulier là où ceux-ci ont de nombreuses racines ligneuses, le carottage peut ne pas être possible. Dans ces circonstances, il peut être plus pratique de prélever un volume connu de sol à travers un monolithe prélevé sur la face d'une coupe ou d'une section transversale de sol correspondant à une coupe, une tranchée, un trou ou un ravin naturel dans le paysage.

Idéalement, l'échantillon du profil doit être à la limite de la profondeur du système racinaire. L'intensité de l'enracinement change avec la profondeur du sol, mais la variabilité spatiale de l'intensité racinaire est généralement élevée. Cependant, les limites de l'échantillon peuvent être basées sur des observations initiales des parois du profil du sol. Dans certains cas, l'échantillon peut être basé sur un modèle exponentiel qui relie la distribution des racines à la masse de la tige principale de la racine. Cette fonction pourrait être utilisée pour extrapoler la densité racinaire dans les échantillons de sol. Dans la mesure du possible, les sols doivent être échantillonnés à une profondeur minimale de 30 cm.

La meilleure façon d'examiner les racines est de les laver immédiatement après l'extraction des carottes. Les carottes peuvent être conservées dans des sacs en polyéthylène au réfrigérateur pendant quelques jours ou au congélateur jusqu'à l'examen et le traitement. Le poids sec doit être vérifié par pesée de la biomasse sèche ou par des méthodes de perte au feu. La texture, la structure, le degré de compactage et la teneur en matière organique ont une grande influence sur la précision et le temps requis pour extraire les racines des noyaux. L'extraction implique un tamis ou une passoire de mailles de 0,3 à 0,5 mm. Le travail peut être simplifié par un lavage superficiel et en combinant des crépines à mailles de 1,1 et 0,3 mm. La première passoire contiendra la plupart des racines, la seconde contiendra le reste. Le matériel prélevé dans les crépines peut également être mélangé avec de l'eau et le matériel en suspension déversé (les racines vivantes de la plupart des espèces ont une densité proche de 1,0). Le reste peut être classé manuellement dans un récipient sous eau (pour éliminer les fragments de matière organique et les racines mortes).

Les racines fines sont une partie petite mais importante du système pour l'assimilation de l'eau et des nutriments. Cette distinction fonctionnelle aide à classer les systèmes racinaires selon leur taille. Les limites de classe doivent se situer entre 1 et 2 mm de diamètre de racine. Les racines de plus de 10 mm de diamètre ne sont pas échantillonnées par la carotte de sol. Pour la végétation herbacée pérenne, les racines peuvent être séparées en classes supérieures et inférieures à 2 mm. En végétation mixte, la séparation des racines des différentes espèces est difficile. L'échantillonnage dans des sols homogènes peut ne pas saisir la variabilité spatiale de la densité racinaire, qui aurait des coefficients de variation de poids généralement supérieurs à 40 pour cent. Dans les sols hétérogènes, le coefficient de variation peut être beaucoup plus élevé. Cette variabilité implique que de nombreux échantillons sont nécessaires pour estimer le poids des racines et la composante de la biomasse souterraine. Il est conseillé d'obtenir des informations expérimentales sur un ou deux sites sur la nature de la variation spatiale des sols et de la distribution des racines, lorsqu'elles sont disponibles.

La méthode du monolithe nécessite de couper un monolithe du sol, dont les racines sont séparées par lavage. Cette méthode est fréquemment utilisée pour les déterminations quantitatives des racines. Les petits monolithes peuvent être échantillonnés avec des outils simples comme une pelle. Cependant, l'utilisation de machines est requise pour l'excavation d'un front de tranchée à échantillonner.

La taille du monolithe varie en fonction de l'espèce de plante étudiée. Généralement, le volume d'un monolithe varie entre 1 et 50 dm3. Les échantillons du monolithe peuvent être obtenus avec une planche de broches en acier inoxydable clouées dans du bois. La taille du panneau d'affichage est déterminée par le type d'épingles, sur la base d'observations antérieures de profondeur et de répartition de l'enracinement.La terre recueillie au tableau est lourde (un échantillon d'un bloc de 100 cm × 50 cm × 10 cm de terre peut peser près de 100 kg.). Le sol est emporté, exposant les racines à l'observation. Si des fragments de sol rugueux sont montrés dans le maillage avant de mettre la planche dans le sol, il sera utile de maintenir les racines à leur emplacement d'origine pendant que l'échantillon est lavé. Le lavage de l'échantillon peut être facilité par un trempage à l'eau froide pour les sols argileux et un trempage dans l'acide oxalique pour les sols calcaires. Les échantillons de racines lavées peuvent être conservés dans des sacs en polyéthylène pendant une courte période au réfrigérateur, mais ils doivent de préférence être conservés au congélateur. Les échantillons sont séchés pendant 5 heures à 105 °C dans une étuve. Les résultats peuvent être exprimés en matière sèche par unité de volume de sol.

Choisir une méthode d'estimation de la biomasse souterraine

Les méthodes présentées jusqu'ici varient dans leur degré de rigueur. Il y a un compromis évident entre la rigueur et la précision et le coût et la viabilité pratique. En résumé, on estime que l'échantillonnage destructif n'est pas une option réalisable en raison de ses coûts élevés en termes d'argent, de ressources, d'efforts et de temps. Les données disponibles à partir des mesures obtenues à partir de l'une des méthodes destructives qui sont signalées dans la littérature sont limitées. C'est encore le cas en raison du coût élevé de l'échantillonnage et de la mesure des racines.

En résumé, les méthodes non destructives doivent être préférées, en particulier dans les situations où il peut exister une fonction empirique reliant le diamètre de la tige ou toute autre mesure allométrique à la biomasse racinaire. Il est recommandé que dans les situations où aucune équation empirique n'existe, le volume racinaire et la biomasse devraient être estimés comme une fraction de la biomasse aérienne, à titre de mesure provisoire, afin d'estimer la biomasse totale. Plus tard, si le temps, les circonstances et le budget le permettent, l'évaluateur devrait viser à développer des équations de régression de la biomasse racinaire en fonction de variables faciles ou peu coûteuses à mesurer, telles que le DHP ou simplement le diamètre de la tige à la base du tronc. L'obtention des données pour développer de telles fonctions de régression nécessitera des échantillons obtenus par certaines des méthodes destructives décrites ci-dessus.

Dans les études de cas décrites dans ce rapport, les relations suivantes ont été utilisées pour estimer la biomasse souterraine :

pour la végétation résineuse : biomasse souterraine = 0,25 biomasse aérienne,

pour la végétation feuillue : biomasse souterraine = 0,30 biomasse aérienne.

Cartographie de la biomasse dans l'utilisation actuelle des terres

Une méthode unique pour la quantification de la biomasse avec une application universelle n'a pas encore été développée ou identifiée. Ce rapport présente trois méthodes d'estimation de la biomasse, avec des exigences et des résultats différents.

La représentation spatiale des variations de la biomasse dans la zone d'étude peut être obtenue en calculant d'abord la biomasse totale (c.-à-d. aérienne et souterraine) pour chaque site de quadrat.

La somme de la biomasse aérienne et souterraine, telle que calculée avec les procédures décrites ci-dessus, est la biomasse totale de la végétation dans l'utilisation réelle des terres échantillonnée par le site du quadrat. Ceci est calculé pour chaque site d'échantillonnage quadrat (10 × 10 m) et est exprimé en tonnes par hectare.

Chaque site d'échantillonnage quadrat se trouve dans un polygone donné qui représente une couverture terrestre ou une classe d'utilisation des terres, qui a été cartographié par classification d'images satellite multispectrale ou interprétation de photos aériennes ou numérisé à partir d'une carte papier existante. Les superficies à l'intérieur de chaque polygone (vecteur) ou classe (raster) sont représentatives de types de couverture végétale homogènes. Les sites des quadrats sont également géoréférencés à partir des relevés GPS au sol. Le plan d'échantillonnage garantissait que tous les polygones recevaient au moins un site quadrat pour les représenter. Pour les polygones de couverture terrestre contenant plus d'un site quadrat, la biomasse totale pour chaque polygone peut être estimée par les procédures suivantes.

Mise à l'échelle des estimations de la biomasse à partir des moyennes des polygones ou des classes

Cette procédure implique le calcul des éléments suivants :

moyenne des estimations de la biomasse totale pour tous les sites de quadrats dans le polygone

mise à l'échelle en convertissant la biomasse totale moyenne sur les sites des quadrats et leur superficie en superficie totale couverte par le polygone.

Les procédures basées sur les moyennes intra-classes supposent implicitement que la superficie du polygone est suffisamment homogène en matière de couverture végétale pour permettre une interpolation spatiale fiable des données à l'intérieur des limites du polygone. Les problèmes de variabilité spatiale à l'intérieur d'un polygone de la biomasse totale peuvent être préoccupants, en particulier dans les situations de grandes différences entre les estimations de la biomasse d'un site quadrat dans un polygone donné.

Mise à l'échelle avec interpolation spatiale des estimations de biomasse à l'aide de la géostatistique

La géostatistique et la théorie des variables régionalisées fournissent un solide corpus théorique pour l'analyse des structures de variabilité spatiale et leur estimation par interpolation spatiale. Les fonctions d'auto-covariance (par exemple le semi-variogramme) permettent d'élucider la dépendance spatiale et les structures de variabilité spatiale des données de biomasse des sites quadrats, qui sont considérées comme des données ponctuelles aux fins d'interpolation. Les différentes formes de la technique dite du krigeage utilisent les informations du semi-variogramme sur les structures de variabilité spatiale de la biomasse et peuvent interpoler sur une grille fine de blocs (ex : bloc krigeage) ou de cellules, dont la résolution peut être définie par l'analyste. Ainsi, cela créerait une couverture continue des valeurs de pixels de la biomasse sur l'ensemble de la zone. Une carte correspondante de la variance des estimations pourrait accompagner l'ancienne carte, fournissant des informations sur la fiabilité des estimations.

Cependant, la puissance des estimations de krigeage a un prix. C'est en termes de quantité de données ponctuelles disponibles pour le calcul de semi-variogrammes fiables pour modéliser la variabilité spatiale des données de biomasse, et pour le processus d'interpolation spatiale lui-même. Le krigeage est très exigeant sur la quantité de données ponctuelles (c'est-à-dire le support d'échantillonnage) disponible pour l'interpolation. En règle générale, on pourrait s'attendre à certaines limitations sur le nombre de sites de quadrats qui pourraient être financés par un budget d'enquête sur le terrain. Lorsque les sites de quadrat (échantillons ponctuels) sont limités en nombre, l'interpolation de krigeage peut ne pas être applicable.

Mise à l'échelle avec interpolation des estimations de biomasse par splines bicubiques ou méthodes du plus proche voisin

L'interpolation spatiale des données de biomasse peut également être réalisée au moyen de techniques dont la précision ne dépend pas fortement du nombre de sites de quadrats échantillonnés. Les splines bicubiques fournissent une couverture des valeurs des cellules de la grille à partir des valeurs des sites de quadrats en ajustant, "par patch" 148, des panneaux dont les jointures sont créées avec des conditions de continuité et de régularité. Cela crée une couverture continue des estimations sur l'ensemble de la zone d'étude. Les splines bicubiques ne sont pas aussi précises que le krigeage, mais elles offrent des estimations d'interpolation raisonnablement précises en échange de la liberté de la contrainte de taille d'échantillon imposée par le krigeage.

D'autres techniques du plus proche voisin peuvent également être utilisées pour augmenter l'échelle des estimations de biomasse à partir des sites de quadrat. En particulier, les fonctions de pondération de distance sont une pratique courante dans les procédures d'interpolation spatiale sans les restrictions d'aucune des techniques décrites ci-dessus.

En résumé, une ligne de conduite raisonnable concernant les procédures de mise à l'échelle des estimations de biomasse serait, tout d'abord, de décider si les sites quadrats sont en nombre suffisant pour calculer des semi-variogrammes fiables, et donc interpoler avec le krigeage. Si la décision est qu'il n'y a pas suffisamment de sites (données ponctuelles) pour estimer avec cette technique, alors d'autres algorithmes d'interpolation (par exemple, des splines cubiques) doivent être utilisés. Des moyennes de classe ou de polygone devraient être utilisées dans le cas où il n'y aurait que quelques sites de quadrats dans la superficie totale et à l'intérieur de chaque polygone.

La somme des estimations par cellule de grille ou pixel, polygone ou classe de biomasse donne un total de biomasse pour l'ensemble du bassin versant ou de la zone d'étude.

Cartographier le stock de carbone dans l'utilisation actuelle des terres

Deux principaux réservoirs de carbone sont identifiables dans un paysage :

Le premier réservoir est le stock de carbone dans la végétation, y compris la biomasse vivante et la végétation morte. Ce dernier est le C présent dans la MOS sous ses différentes formes et compartiments, y compris la litière à différents degrés de décomposition. Le reste de cette section se concentre sur la modélisation de simulation et les procédures d'estimation du renouvellement de la MOS dans les sols et de l'accumulation de carbone dans les différents réservoirs de COS dans l'utilisation actuelle des terres.

Le calcul du stock de carbone en tant que biomasse consiste à multiplier la biomasse totale par un facteur de conversion qui représente la teneur moyenne en carbone de la biomasse. Il n'est pratiquement pas possible de séparer les différents composants de la biomasse pour tenir compte des variations de teneur en carbone en fonction du composant de la biomasse. Ainsi, le coefficient de 0,55 pour la conversion de la biomasse en C, proposé par Winrock (1997), est ici généralisé aux conversions de la biomasse en stock de carbone : C = 0,55 × biomasse (totale). Ce coefficient est largement utilisé au niveau international, il peut donc être appliqué sur une base de projet. Les résultats peuvent être affichés de la même manière que la biomasse totale.

Carbone total dans l'utilisation actuelle des terres

L'estimation du C total dans l'utilisation actuelle des terres doit inclure le stock de carbone sous forme de biomasse et le COS présent dans le MOS. Cette estimation consisterait à convertir la valeur SOM rapportée pour les unités de cartographie des sols dans la zone d'étude en SOC. La teneur en COS inclus dans la MOS peut changer en fonction du type de résidus organiques présents dans la MOS. À son tour, cela change avec la gestion et d'autres facteurs. Cependant, déterminer la composition des résidus dans la MOS et la variabilité spatiale des différentes qualités de MOS dans le sol est une tâche difficile. A des fins d'estimation, un coefficient générique peut être supposé afin de transformer SOM en SOC : SOC = 0,57 SOM.

Multiplier les valeurs de SOM par ce coefficient, puis les transformer de pourcentages en tonnes par hectare peut être effectué en calculant une moyenne pondérée de SOM sur les couches des profils de sol analysés qui représentent chaque unité de cartographie des sols. Les poids correspondent à l'épaisseur de chaque horizon multipliée par la densité apparente du sol.

Le cas échéant, l'interpolation spatiale et d'autres procédures de mise à l'échelle des estimations aideraient à cartographier le COS pour l'ensemble de la zone préoccupante. L'ajout de ces valeurs de COS au C présent en tant que biomasse donnerait le stock de carbone total pour l'utilisation actuelle des terres, comme suit : stock de carbone (total) = C en tant que biomasse + COS.

Lors de l'interprétation des résultats des calculs des stocks de carbone, il convient de garder à l'esprit la nature plutôt dynamique de la MOS. Le renouvellement relativement rapide de la MOS, en particulier dans les terres agricoles et autres sols gérés, implique qu'une valeur de stock de carbone calculée à partir des valeurs de COS dérivées de la MOS ne peut être fiable que pendant une période de temps relativement courte. La contribution relativement importante des sols aux émissions totales de CO 2 dans l'atmosphère (environ 30 pour cent pour les sols agricoles) souligne la nécessité d'une simulation dynamique du renouvellement de la MOS, avec la répartition conséquente du C dans les différents réservoirs du sol. La gestion des terres a des effets importants sur les variations interannuelles et intra-annuelles de la MOS et peut faire la différence selon que le sol est un émetteur ou un puits. Ainsi, la nécessité d'une modélisation dynamique de la simulation de la rotation de la SOM est fortement liée à la question de la permanence des stocks.


Abstrait

L'énergie stockée dans la biomasse, un élément clé de l'énergie durable mondiale, est essentielle pour atteindre les objectifs de développement durable des Nations Unies, en particulier pour l'atténuation du changement climatique et la sécurité énergétique. Cependant, on ne sait toujours pas combien d'énergie est stockée dans la biomasse végétale des écosystèmes terrestres de la Chine. En outre, la pénurie de biomasse a limité le développement de l'industrie chinoise de la bioéconomie et de la bioénergie, nous obligeant à rechercher davantage d'approvisionnements en biomasse multi-sources et durables. Compte tenu de cela, grâce à des enquêtes approfondies et à l'intégration systématique des données (y compris les données de biomasse, les données de valeur calorifique, les données d'occupation des sols, les données climatiques, etc.), nous avons exploré les réserves brutes d'énergie de la biomasse (BE) et leur schéma spatio-temporel basé de 14 types de végétation qui représentent 76,24% de la superficie terrestre de la Chine. Le potentiel théorique de BE brut en Chine a été estimé à 535,91 EJ en 2010, ce qui équivaut à 18,29 Gt de charbon standard. BE a montré une tendance à l'augmentation continue de 1980 à 2060 et devrait culminer en 2030. Il est important de noter que BE (par superficie terrestre ou par habitant) était significativement négativement corrélée avec les niveaux de développement provinciaux en Chine. Nos résultats indiquent que la Chine possède d'abondantes réserves de BE, qui ont un potentiel en tant que matières premières pour la production de différentes formes d'énergie dans le contexte du développement durable. En outre, des technologies plus avancées à faible coût, telles que la co-gazéification du charbon et de la biomasse, devraient promouvoir la transformation et la modernisation des systèmes énergétiques en Chine à l'avenir.


Modèles de destin et de transport

Modélisation de la dispersion dans l'air extérieur

La chimie atmosphérique et la modélisation de la dispersion ont connu des améliorations importantes au cours des deux dernières décennies. De nos jours, il existe une grande variété de systèmes et d'options de modélisation, des plus simples aux plus complexes, couvrant des échelles mondiales ou régionales à des échelles urbaines et urbaines.

Les modèles de qualité de l'air simulent les flux de concentrations atmosphériques de polluants atmosphériques et leur dépôt à la surface de la Terre en résolvant les équations de transport qui représentent les émissions, l'advection, la diffusion, les transformations et l'élimination de ces polluants atmosphériques et des espèces chimiques associées.

Les modèles contemporains de qualité de l'air peuvent être regroupés en deux grandes catégories :

modèles qui calculent les concentrations de polluants atmosphériques à proximité d'une source (modèles propres à la source). Les modèles gaussiens simulent la dispersion atmosphérique de polluants non réactifs à proximité de la source (approche en régime permanent). Les modèles lagrangiens sont également des modèles spécifiques à la source, qui traitent la dispersion atmosphérique des substances réactives comme un processus spécifique à la source

Modèles eulériens qui calculent les concentrations de polluants atmosphériques réactifs sur de vastes zones allant d'une zone urbaine à une région, un continent et le globe (modèles à base de grille).

Les données d'entrée des modèles de qualité de l'air comprennent les taux d'émission de polluants atmosphériques primaires et de précurseurs de polluants atmosphériques secondaires, la météorologie (champs tridimensionnels de vents, turbulence, température, pression, hauteur de la couche limite, humidité relative, nuages ​​et rayonnement solaire, etc.) , et les conditions aux limites (conditions de base ou de fond). Pour les modèles basés sur une grille, un modèle d'émission est utilisé pour traduire un inventaire d'émissions en une structure de grille distribuée dans l'espace et résolue dans le temps.

A titre d'exemple, l'INERIS a utilisé le BaP comme traceur du risque cancérogène associé aux HAP. Ceci a fait l'objet de plusieurs études récentes utilisant le modèle CHIMERE à l'échelle européenne [21, 23]. L'estimation de l'exposition de la population montre que 20 % de la population européenne est exposée à des concentrations ambiantes de fond de BaP supérieures à la valeur cible de l'UE et que seulement 7 % vivent dans des zones dont les concentrations sont inférieures au niveau de risque acceptable estimé de 0,12 ng.m − 3 . Les métaux lourds ont également été traités à l'aide du modèle CHIMERE [42], modélisant les concentrations de fond dans l'air en Pb, Cd, As, Ni, Cu, Zn, Cr et Se en Europe. L'évaluation des performances du modèle afin de révéler sa capacité à reproduire les niveaux observés montre que des totaux annuels plus récents, des informations sur les activités instantanées pour chaque métal, une résolution spatiale plus élevée et une meilleure connaissance du comportement d'émission dans le temps sont nécessaires pour modéliser adéquatement ces polluants atmosphériques. .

Modèles d'exposition multimédia

Les modèles multimédias résolus dans l'espace pour le devenir et l'exposition à voies multiples facilitent la prédiction des distributions de concentration dans l'environnement, les niveaux connexes de contaminants dans différentes sources et la fraction d'un rejet chimique qui sera absorbée par l'ensemble de la population humaine (la dose d'absorption) à la échelle régionale ou locale. Lorsque la résolution spatiale des calculs est faible, les variations des caractéristiques environnementales ont généralement tendance à s'atténuer, et l'adoption de valeurs représentatives ou caractéristiques grossièrement sélectionnées permet de représenter les ordres de grandeur corrects des sorties. La recherche commence à faire face à des modèles spatialement explicites de devenir et de transport avec une résolution croissante, et maintenant quelques modèles avec une résolution allant de quelques dizaines de km jusqu'à 1 km sont disponibles pour des calculs à l'échelle continentale [24, 42] . Cependant, l'effort de calcul associé à cette stratégie de modélisation est généralement assez élevé et limite les applications de routine lorsqu'un grand nombre de produits chimiques doivent être évalués.

Un modèle multimédia de devenir et d'exposition appelé Modul'ERS [43, 44] développé par l'INERIS est utilisé pour estimer les apports provenant de l'inhalation de l'air et du sol, de l'eau du robinet, des produits alimentaires commercialisés, ainsi que de la consommation de fruits et légumes produits localement. Les concentrations locales de denrées alimentaires sont estimées en utilisant les dépôts atmosphériques de polluants particulaires, les concentrations dans l'air (pour les POP) et dans le sol. Les modèles mécanistes et dynamiques des usines nécessitant de nombreuses données d'entrée qui peuvent être difficiles à définir (manque de données, difficulté à estimer l'ampleur de la variabilité et l'incertitude des données et même anticiper l'effet qualitatif des variations des données Les contributions des concentrations gazeuses de l'air et du sol aux organes végétaux comestibles sont estimées à partir de facteurs de bioconcentration, qui sont spécifiques aux différentes catégories de fruits et légumes cultivés dans les jardins domestiques et de la concentration moyenne dans le temps pendant la culture. Ainsi, les entrées du modèle pour les estimations de concentration des milieux sont des bases de données environnementales géoréférencées (avec une réutilisation directe des données traitées intégrées dans le SIG pour l'eau du robinet et les produits alimentaires commercialisés).

Dans le modèle utilisé, l'attention s'est portée sur la qualité des valeurs utilisées pour définir l'ensemble des intrants (exposition, paramètres environnementaux et chimiques). Les données disponibles ont été systématiquement analysées. Pour la plupart des paramètres, toutes les données collectées, ainsi que leurs informations contextuelles, ainsi que les critères de sélection utilisés, sont décrits dans des rapports dédiés. Selon le niveau de connaissance, la quantité et la pertinence des données disponibles, les paramètres sont finalement définis avec une valeur ponctuelle, une plage de valeurs ou une distribution probabiliste. Le modèle d'exposition multimédia fournit une dose d'exposition externe qui pourrait être intégrée dans un modèle pharmacocinétique physiologique (PBPK) en tant que données d'entrée.

Modèles pharmacocinétiques basés sur la physiologie

Les modèles PBPK sont une classe spécifique de modèles biocinétiques basés sur la physiologie et l'anatomie des individus. Ils peuvent prédire la cinétique et le métabolisme des substances dans le corps. Ces modèles fournissent des descriptions réalistes des processus d'absorption, de distribution, de métabolisme et d'excrétion des xénobiotiques.Ils décrivent le corps comme un ensemble de compartiments correspondant à des organes ou des tissus spécifiques (par exemple, adipeux, os, cerveau, intestin, cœur, rein, foie, poumon, muscle, peau, rate, etc.). Entre compartiments, le transport des substances est dicté par divers flux physiologiques (sang, bile, ventilation pulmonaire, etc.) ou par diffusion [25, 45]. La structure du modèle peut être décrite par un ensemble d'équations différentielles, avec des paramètres représentant les débits sanguins, les volumes d'organes, etc., pour lesquels des informations sont disponibles dans la littérature scientifique publiée ou peuvent être obtenues in vitro [46]. L'intégration numérique de ce système différentiel calcule la quantité et la concentration du médicament considéré dans chaque compartiment, en fonction du temps et de la dose d'exposition. Ainsi, ces modèles offrent un cadre mécaniste quantitatif pour comprendre et simuler l'évolution dans le temps de la concentration d'une substance dans divers organes et fluides corporels [47]. Un modèle pharmacocinétique stochastique corps entier basé sur la physiologie sur la durée de vie humaine a été développé par l'INERIS [47] et intégré dans le contexte de l'EHI pour prédire la concentration interne telle que les concentrations dans le sang mais aussi dans d'autres tissus ou matrices biologiques (urine) à partir de exposition multivoies (inhalation, ingestion, exposition cutanée). Ces modèles sont utilisés pour lier l'exposition aux données des biomarqueurs [26, 48] et se sont avérés efficaces pour intégrer et évaluer l'influence des changements dépendants de l'âge ou du sexe en ce qui concerne la pharmacocinétique des xénobiotiques tout au long de la vie [49].

Chaque modèle représente une composante différente du continuum émission-qualité environnementale-exposition-dose interne et effets. Ce cadre a ainsi été conçu pour permettre des évaluations d'exposition interne pour différentes populations humaines (population générale, femmes enceintes, enfants d'âges différents, statut socio-économique, etc.) intégrant l'exposition par des voies multiples. Des évaluations intégrées sur toute la chaîne ont été testées sur une étude de cas présentée dans ce numéro. Ces modèles peuvent fonctionner à différentes échelles spatio-temporelles, ce qui pose un défi lors de leur couplage dans un cadre cohérent et peut entraîner une incertitude structurelle et un problème de calcul en temps profond.


Le krigeage pour calculer la biomasse forestière ? - Systèmes d'information géographique

Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, Guadalajara, México

Copyright © 2018 par l'auteur et Scientific Research Publishing Inc.

Ce travail est sous licence Creative Commons Attribution International License (CC BY 4.0).

Reçu : 3 novembre 2017 Accepté : 23 février 2018 Publié : 26 février 2018

La cartographie du modèle de carburant a suivi en général deux tendances : 1) les inférences indirectes, où certains facteurs, vraisemblablement associés à la production de carburant, sont liés à un modèle de carburant donné et 2) la consultation d'experts, qui a été utilisée pour classer et valider les classifications d'autres personnes . Cependant, le recours au jugement d'experts implique une approche subjective. Ainsi, je propose l'intégration des techniques géostatistiques et du concept Conditional-Fuels-Loading (CFL) pour définir une perspective plus objective dans la cartographie du modèle combustible. Les informations utilisées dans cette étude ont été recueillies dans une forêt de Chihuahua, au Mexique, où les combustibles ont été inventoriés dans 554 (1000 m 2 ) parcelles d'échantillonnage. Ces parcelles d'échantillonnage ont été classées à l'aide de la LCF et un krigeage ordinaire (gaussien, sphérique et exponentiel) a été utilisé pour interpoler les valeurs du modèle de combustible. En utilisant le critère d'information d'Akaike, le modèle sphérique a donné les meilleurs résultats. La méthodologie a permis une définition plus fine de la distribution spatiale des modèles de carburant. Certains avantages du CFL sont : 1) il est basé sur les charges de combustible réelles, et pas seulement sur la structure et la composition de la végétation 2) il est objectif et évite le biais de différents classificateurs (experts) et 3) il évite le besoin de conseils d'experts.

Validation, Cartographie du Carburant, Géostatistique, Krigeage Ordinaire

De nombreuses stratégies de gestion des incendies sont basées sur une connaissance préalable du comportement potentiel du feu d'une forêt donnée [1] [2] . Sur la base de ces connaissances, de nombreux systèmes de simulation du comportement du feu ont été développés. Parmi eux, FARSITE [3] est l'un des systèmes les plus complets et les plus utilisés. Tous ces systèmes de simulation nécessitent des informations sur la distribution spatiale des combustibles forestiers, qui dans la plupart des cas est représentée par des modèles de combustibles (une description généralisée des caractéristiques physiques des combustibles [4] ). La cartographie du modèle de combustible en général a suivi deux tendances : 1) les inférences indirectes, où certains facteurs comme la végétation, les espèces et la densité, vraisemblablement associés à la production de combustible, sont liés à un modèle de combustible donné [5] [6] and 2) conseils d'experts, ce qui implique une approche subjective. Quelle que soit la complexité d'une nouvelle technologie, de nombreuses classifications de modèles de carburant sont validées par le jugement d'experts [7] .

Bien qu'un expert puisse classer une forêt en un nombre donné de modèles-combustibles, les limites spatiales entre un modèle-combustible et un autre sont difficiles à établir [8] [9] . De plus, rien ne garantit qu'une même zone sera classée de la même manière par deux ou plusieurs experts [10] . Pour éviter ces deux limitations, l'utilisation du concept de Conditional Fuels Loading (CFL) [11] est suggérée dans cette étude. Les LFC sont basées sur une certaine proportion de chargement de combustibles qui correspondent à chaque modèle de combustible. Parce que le combustible est l'élément de base dans une prédiction du comportement du feu, son estimation directe évite l'utilisation de méthodologies d'inférence, qui ont montré une précision très variable (allant de 30% à 70% [4] ). Les enquêtes directes sur les carburants sont à la fois coûteuses et chronophages [12] , c'est pourquoi dans cet article, je propose l'utilisation de techniques géostatistiques pour définir des estimations plus précises. La géostatistique fournit une méthode pour décrire la continuité spatiale de nombreux phénomènes naturels [13] [14] . De plus, les techniques géostatistiques fonctionnent bien avec des données éparses, il est donc possible de travailler avec moins de données [15] , ce qui réduit à la fois le coût et le temps requis pour une étude de carburant. L'utilisation de techniques de systèmes d'information géographique (SIG) a permis d'intégrer à la fois des capacités géostatistiques et des informations d'inventaire de carburant pour définir la distribution spatiale des modèles de carburant [16] [17] .

La zone d'étude est située dans une région qui couvre environ 250 000 hectares de forêt principalement de conifères et de chênes, qui est une composante importante de la Sierra Madre occidentale du Mexique [18] . Cette étude a été réalisée à partir d'informations provenant d'une forêt commerciale de l'ejido (communauté rurale) « El Largo y Anexos ». Cet ejido est situé dans la région appelée Mesa del Huracán, au nord-ouest de l'état de Chihuahua, México (Figure 1). Les espèces d'arbres prédominantes sont Pinus durangensis, P. arizonica, P. engelmannii et Quercus sideroxyla. La majeure partie de la topographie est montagneuse, avec quelques vallées. La température moyenne annuelle varie de 8,5˚C à 12˚C. La température minimale extrême enregistrée est de −26˚C. La température maximale extrême est de 38˚C. La gamme des précipitations se situe entre 690 et 1130 mm/an (la majeure partie de la saison des pluies a lieu de juillet à septembre). L'altitude varie de 1400 à 2400 m. La saison des feux est en été, pendant la saison sèche (de mai à juin) [18] .

Les informations utilisées dans cette étude ont été recueillies sur la base d'une forêt traditionnelle

Figure 1 . Localisation de la zone d'étude dans la "Mesa del Huracán", à 270 km de la ville de Chihuahua, Mexique (UTM Zone 12).

inventaire du Mexique. Au total, 554 placettes d'échantillonnage (1 000 m 2 ) ont été mesurées, réparties au hasard dans 142 sous-peuplements (définis par essence, densité et aspect). Un inventaire a été réalisé sur une superficie d'environ 1200 ha. Dans l'inventaire, j'ai évalué les combustibles forestiers ligneux 1 h, 10 h, 100 h et vivants. L'évaluation des combustibles forestiers était basée sur les techniques et les méthodologies décrites par Brown et al. [19] . L'emplacement du centre des parcelles a été déterminé à l'aide d'un récepteur de système de positionnement global (GPS).

2.3. Concept de chargement de carburants conditionnels

Pour classer les parcelles d'échantillonnage dans leur classe de modèle de carburant correspondante, le concept CFL a été utilisé [11] , qui considère que chaque modèle de carburant contient une quantité et une proportion caractéristiques de classes de carburant de 1 heure, 10 heures et 100 heures. . En général, la zone d'étude a été considérée comme faisant partie du complexe combustible « litière en bois » (combustibles modèles 8, 9 et 10) [20] . Sur la base de la charge de carburant caractéristique qui correspond aux modèles de carburant 8, 9, 10 (tableau 1), les « proportions conditionnelles » suivantes ont été évaluées pour chaque parcelle échantillon :

1) La somme des charges de combustibles caractéristiques 10-HR et 100-HR pour FM-8 est de 7,84 tonnes/ha. Pour des raisons pratiques, cette valeur a été considérée comme un nombre entier (=8). Ainsi:

Tableau 1 . Charges combustibles (tonne/ha) correspondant au complexe combustible « litière bois », de la classification NFFL* [21] .

*Laboratoire d'incendie de forêt du Nord [22] .

si ( 10 -HR + 100 -HR ) < 8 Þ FM-9. (1)

2) Sur la base d'une qualification manuelle de plusieurs parcelles d'échantillonnage, un facteur de 18,8 (environ 19) (qui correspond à la multiplication de 1-HR de chargement de carburant par le chargement de 100-HR) a été défini pour séparer les parcelles d'échantillonnage entre FM -8 et FM-10. Ainsi:

si ( 1 -HR &fois 100 -HR ) > 19 Þ FM-10. (2)

3) Les sites non classés restants correspondaient à FM-8.

4) Les essences de chêne sont typiques du FM-9 [20] . Par conséquent, une fois les sites classés, un filtre final est utilisé. Ainsi, tous les sites où Quercus spp était présent sont reclassés en FM-9.

Une fois qu'une valeur de modèle de carburant a été définie pour chaque classe de carburant de 1 h, 10 h et 100 h, une technique de krigeage ordinaire (OK) a été utilisée pour interpoler les valeurs du modèle de carburant des 554 parcelles d'échantillonnage. OK est appliqué lorsque la moyenne des valeurs de données est stationnaire, mais inconnue. OK est considéré comme le « meilleur estimateur linéaire sans biais » [23] [24] : 1) Linéaire, car ses estimations sont des combinaisons linéaires pondérées des données disponibles 2) Non biaisé, car il tend à générer une erreur quadratique moyenne égale à zéro ( E[Estimé(x0) − Vrai(x0)] = 0, et Elje = 0) et 3) Best, car il vise à minimiser la variance des erreurs (E[Estimated(x0) − Vrai(x0)] 2 = minimum). Isaaks et Srivastava [24] décrivent en détail la dérivation mathématique de ces contraintes, et des systèmes d'équations pour déterminer les poids d'interpolation (lje). Les formules suivantes sont utilisées pour calculer les estimations OK et la variance respectivement [23] [24] :

Z ^ O K ( x 0 ) = i = 1 n λ i ⋅ Z ( x i ) (3)

O K 2 ( x 0 ) = C ( x 0 , x 0 ) − ∑ i = 1 n λ i ⋅ C ( x i , x 0 ) + μ (4)

Z ^ O K ( x 0 ) = estimation de krigeage ordinaire à l'emplacement x0

λ i = le poids pour le point d'échantillonnage i à l'emplacement xje

Z ( x i ) = la valeur de la variable observée Z à l'emplacement xi

σ O K 2 ( x 0 ) = variance de krigeage ordinaire à l'emplacement x0

C ( x 0 , x 0 ) = la covariance du point à estimer à l'emplacement x0 avec lui-même

C ( x 0 , x 0 ) = la covariance du point d'échantillonnage à l'emplacement xje et le point à estimer à l'emplacement x0 et

Le processus général du krigeage ordinaire est illustré à la figure 2, qui commence par les données d'échantillon utilisées pour calculer un variogramme expérimental. Ensuite, un modèle de variogramme est ajusté au variogramme expérimental. Après cela, les données d'échantillon et le modèle de variogramme sont utilisés comme entrées de la procédure de krigeage ordinaire. Enfin, les estimations de krigeage ordinaire et les variances de krigeage ordinaire sont générées [23] .

Les résultats d'une matrice de proximité générale sont présentés dans le tableau 2. Bien que la distance maximale entre les points soit supérieure à 8,5 km, 75 % des placettes échantillons ont une distance inférieure à 3,8 km. La connaissance de la distance minimale entre les points (ici 40 m) a été utile pour définir la distance de décalage utilisée pour définir le variogramme expérimental.

Un variogramme omnidirectionnel pour les modèles de combustible (FM) a été développé selon une approche isotrope (Figure 3). La distance de décalage de 20 m, et deux voisins,

Figure 2 . Schéma du processus de krigeage ordinaire. Le graphique du variogramme illustre trois modèles différents de continuité spatiale.

Tableau 2 . Caractéristiques de la matrice de distance correspondant aux carburants 1 heure au sein de la zone d'étude.

Figure 3 . Variogramme expérimental et modèle correspondant pour les modèles combustibles (sphériques). Les valeurs du variogramme (γ|h|) correspondent à la moitié de la différence quadratique moyenne entre les valeurs de données appariées.

ont montré les meilleurs résultats dans la définition de ce variogramme expérimental. La tolérance de décalage appliquée était la moitié de la distance de décalage. Trois modèles définis positifs (gaussien, sphérique et exponentiel) ont été testés pour sélectionner le meilleur ajustement au variogramme expérimental. Le critère d'information d'Akaike (AIC) [9] a été utilisé comme critère pour sélectionner le meilleur modèle. L'AIC est un moyen de sélectionner un modèle parmi un ensemble de modèles. Le modèle choisi est celui qui minimise la distance de Kullback-Leibler entre le modèle et la vérité [25] :

AIC = − 2 ( ln ( vraisemblance ) ) + 2 K (5)

probabilité = la probabilité des données étant donné un modèle.

K = le nombre de paramètres libres dans le modèle.

D'après le tableau 3, nous voyons que le modèle sphérique a entraîné un AIC inférieur. Le variogramme qui définit ce modèle a atteint la variance maximale (seuil) à une distance de 100 m (plage). Après cette distance, la variable FM n'est plus spatialement autocorrélée. Le modèle sphérique a entraîné un effet de pépite très faible, ce qui permet de définir un meilleur ajustement.

Des estimations FM ont été produites pour des sites non échantillonnés en considérant deux voisins (points échantillonnés). Les estimations OK ont été faites sous une grille de 40 et fois 40 m, ce qui correspond à la distance minimale entre les placettes d'échantillonnage (tableau 2). Les estimations résultantes n'étaient pas discrètes, c'est pourquoi les critères suivants ont été utilisés pour regrouper chaque cellule : valeurs des cellules FM-8 de 8 à 8,66 FM-9 de 8,66 à 9,33 : et FM-10 de 9,33 à 10. La figure 4 montre le modèle spatial des trois modèles de combustible, qui ont résulté du processus de krigeage ordinaire. La majeure partie de la zone d'étude se situe dans les modèles de combustible 8 et 9 (38,1 % et 34,8 % respectivement). FM 10 a une couverture de 15,1%.

Les erreurs types associées aux estimations ont également été calculées. La figure 5 montre une carte de contour et une carte de surface des erreurs types résultant de l'estimation des FM. Cette erreur était répartie spatialement de façon assez homogène.

Tableau 3 . Caractéristiques des modèles qui correspondent au variogramme expérimental de la continuité spatiale des modèles-combustibles.

AIC = critère d'information d'Akaike. Le meilleur modèle est celui qui minimise l'AIC [9] .

Figure 4 . Schéma spatial des modèles de combustible dans la zone d'étude, du complexe « litière de bois », résultant d'une analyse de krigeage ordinaire.

Figure 5 . La distribution spatiale de l'erreur type résulte de l'estimation des modèles de combustible.

Cela pourrait s'expliquer par la forte concentration des parcelles d'échantillonnage. Les valeurs minimales et maximales étaient respectivement de 0,68 et 0,96. La plupart des valeurs d'erreur standard étaient supérieures à 0,86.

La mise en œuvre spatiale du concept de modèle de combustible a causé de nombreux problèmes techniques, tels que la difficulté de cartographier les modèles de combustible dans une zone donnée. De plus, les modèles de carburant ne reflètent pas la variabilité spatiale réelle des caractéristiques du carburant. Il en est ainsi parce que les cartes de modèle de combustible ont tendance à qualifier de grandes zones, considérées comme homogènes, dans le même modèle de combustible, en supposant un comportement de feu homogène (pour une période de projection donnée). Par conséquent, l'approche du modèle de combustible serait utile dans les zones où la végétation et les combustibles sont spatialement homogènes. Cependant, dans la pratique, cette condition est très rare. Bien que les approches actuelles de cartographie des modèles de combustible aient été utiles dans de nombreux cas [3] [4] , leur utilisation est limitée pour soutenir les stratégies de gestion des incendies à grande échelle. A terme, la prochaine étape serait de définir le comportement du feu à plus petite échelle, essentiellement pour localiser les zones à risque.

Une classification FM d'une zone donnée doit combiner deux exigences : 1) une détermination correcte d'une FM (composante de classification) et 2) une définition précise de la distribution spatiale des FM (composante spatiale). L'utilisation du jugement d'experts pourrait aider à surmonter la première exigence. Cependant, avec l'approche du « jugement d'experts », la définition de la distribution spatiale FM (taille, limites et emplacement) a posé de sérieux problèmes. Bien que l'utilisation du SIG et de la technologie de tension à distance ait résolu la deuxième exigence, la précision résultante a été plutôt faible [4] . La méthodologie illustrée dans cet article surmonte ces deux exigences. De plus, jusqu'à présent, il n'existait aucun moyen objectif de valider non seulement la classification des FMs basée sur des procédures d'inférence, mais également de valider les jugements des experts. Par conséquent, la présente méthodologie pourrait être utilisée à des fins de validation et d'étalonnage. D'autre part, les avantages des classifications à grande échelle (basées sur des alternatives d'inférence (par exemple la télédétection)) et des classifications à plus petite échelle (basées sur la méthodologie actuelle) pourraient être combinés, grâce à la mise en œuvre de méthodologies de double échantillonnage [26] [27] .

L'utilisation du krigeage ordinaire, comme technique d'interpolation spatiale, était très pratique. Cependant, la classification des estimations continues résultantes pourrait présenter un certain niveau de subjectivité. Par conséquent, des seuils spécifiques entre un FM et un autre doivent être définis. Néanmoins, la cohérence des estimations issues de l'utilisation de la méthodologie proposée rend beaucoup plus simple de définir de telles limites que de classer la même zone sur la base d'un jugement d'expert.

En raison des contraintes de coût et de temps, la méthodologie présentée dans cet article pourrait s'avérer peu pratique dans les évaluations opérationnelles. Cependant, l'avantage des techniques d'interpolation telles que le krigeage est qu'il est possible de travailler avec des données éparses et moins nombreuses [15] . Cette condition permet d'expérimenter avec des quantités inférieures de placettes d'échantillonnage, ce qui affecte positivement à la fois le temps et le coût requis. De plus, la définition spatiale de l'erreur d'estimation résultant de l'analyse de krigeage peut être utilisée pour définir de meilleures stratégies d'échantillonnage (intensité et plan d'échantillonnage). D'autre part, des données auxiliaires pourraient être utilisées, grâce à des techniques de co-krigeage, pour améliorer la précision des estimations des FM. Cependant, très peu ont été faits dans l'utilisation d'alternatives géostatistiques pour soutenir la classification des modèles de combustible. Ainsi, un objectif indirect de cet article était de montrer le potentiel de l'utilisation des techniques de krigeage.

La méthodologie présentée dans cet article permet une définition plus fine de la distribution spatiale des modèles de carburant. Cela pourrait permettre une prédiction plus précise du comportement spatial du feu. L'application du concept CFL ne nécessite pas d'expérience préalable dans la classification des modèles de combustible. De plus, en travaillant au sein d'une même zone, la mise en œuvre du concept CFL aboutit à la même classification des parcelles d'échantillonnage.D'autres avantages de cette méthodologie de classification sont : 1) elle est basée sur les charges réelles de combustible, et pas seulement sur la structure et la composition de la végétation 2) elle est objective et évite le biais des différents classificateurs (experts) et 3) elle évite le besoin de la conseils d'experts.


Estimation de la biomasse du houppier de Pinus pinaster biomasse aérienne des peuplements et des formations arbustives à l'aide de données d'inventaire forestier, d'images de télédétection et de modèles de prédiction spatiale

Spatialement la biomasse du houppier de Pinus pinaster L'estimation de la biomasse aérienne des peuplements et des zones arbustives (AGB) a été réalisée dans une région située au centre-nord du Portugal, au moyen de différentes approches, notamment des données d'inventaire forestier, des images de télédétection et des modèles de prédiction spatiale. Deux types de couvert (peuplements de pins et broussailles) ont été inventoriés et la biomasse évaluée dans un total de 276 placettes d'échantillonnage. Nous avons comparé les prédictions spatiales AGB dérivées des relations radiométriques directes (DRR) des données de télédétection et de la méthode géostatistique Régression-krigeage (RK), en utilisant les données de télédétection comme variables auxiliaires. En outre, des estimations de krigeage ordinaire (OK), de krigeage universel (Royaume-Uni), de pondération inverse à distance (IDW) et de polygones de Thiessen ont été effectuées et testées. La comparaison des cartes AGB montre des prédictions distinctes entre les méthodes DRR et RK et Krigeage et déterministes, indiquant l'insuffisance de ces dernières pour cartographier AGB sur de vastes zones. Les méthodes DRR et RK ont produit des valeurs d'erreur statistique plus faibles, dans les peuplements de pins et les broussailles, par rapport au krigeage et aux interpolateurs déterministes. Le paysage forestier n'étant pas une variable continue, les variables forestières testées ont montré une faible autocorrélation spatiale, ce qui rend les méthodes de krigeage inadaptées à ces fins. Malgré la méthode géostatistique RK n'a pas augmenté la précision des estimations développées par DRR, des schémas d'échantillonnage plus denses et différentes variables auxiliaires devraient être explorés, afin de tester si la précision des prédictions est améliorée.

Points forts

► Une estimation spatiale de la biomasse aérienne dans l'ensemble du couvert forestier et arbustif a été réalisée. ► Des données d'inventaire, des images de télédétection et des modèles de prédiction spatiale ont été utilisés. ► Les relations radiométriques, la régression-krigeage, l'IDW, les polygones de Thiessen et les méthodes de krigeage ont été évalués. ► La télédétection était l'approche la plus réalisable pour cartographier les variables forestières. ► Le krigeage par régression a un bon potentiel pour améliorer les prédictions AGB.


Titre : Un modèle statistique-topographique pour cartographier les précipitations climatologiques en terrain montagneux

La demande de champs de précipitations climatologiques sur une grille régulière augmente considérablement à mesure que les modèles écologiques et hydrologiques deviennent de plus en plus liés aux systèmes d'information géographique qui représentent et manipulent spatialement la sortie du modèle. Cet article présente un modèle analytique qui distribue les mesures ponctuelles des précipitations mensuelles et annuelles à des cellules de grille régulièrement espacées dans les régions de latitude moyenne. PRISM (Precipitation-elevation Regressions on Independent Slopes Model) apporte une combinaison de concepts climatologiques et statistiques à l'analyse des précipitations orographiques. Plus précisément, PRISM (1) utilise un modèle numérique d'élévation (MNE) pour estimer la orographique les élévations des stations de précipitation (2) utilise le DEM et une technique de fenêtrage pour regrouper les stations sur des facettes topographiques individuelles (3) estime les précipitations à une cellule de grille DEM par une régression des précipitations par rapport à l'élévation du DEM développée à partir de stations sur la facette topographique de la cellule et (4) lorsque cela est possible, calcule un intervalle de prédiction pour l'estimation, qui est une approximation de l'incertitude impliquée. PRISM a présenté le biais de validation croisée et l'erreur absolue les plus faibles par rapport au krigeage, au krigeage sans tendance et au cokrigeage dans le bassin de la rivière Willamette, en Oregon. PRISM a également été appliqué au nord de l'Oregon et à l'ensemble de l'ouest des États-Unis. Le krigeage et le cokrigeage sans tendance n'ont pas pu être utilisés, car il n'y avait plus de relation globale entre l'altitude et les précipitations. Les erreurs de validation croisée dans ces applications ont été confinées à des niveaux relativement faibles parce que PRISM ajuste continuellement son cadre de référence en utilisant des relations localisées précipitations-élévation DEM. 39 réf., 9 fig., 5 onglets. « moins


Utilisation du SIG pour développer un modèle de cartographie des risques d'incendie de forêt

Les forêts sont les plus belles ressources naturelles du monde et jouent un rôle central dans la préservation de l'équilibre environnemental. Une mesure importante prise pour gérer et protéger les zones forestières ainsi que pour réduire les dommages potentiels causés par l'incendie est la détection des régions sensibles aux incendies de forêt grâce à la cartographie des risques d'incendie de forêt avec différents modèles et méthodes. Ces dernières années, des analyses décisionnelles multicritères (MCDA) basées sur un système d'information géographique (SIG) ont été appliquées avec succès à la production de cartes des risques d'incendie de forêt. Dans cette étude, un processus de réseau analytique basé sur SIG en tant que méthode MCDA a été utilisé afin de fournir la carte des risques d'incendie des forêts de Noshahr (nord de l'Iran) en utilisant la pente, l'aspect de la pente, l'altitude, la couverture terrestre, l'indice de végétation par différence normalisée, les précipitations annuelles, la température, la distance aux agglomérations et la distance à la route comme données d'entrée. De plus, pour préparer la carte de répartition des incendies survenus, le produit d'incendie MODIS et des observations à grand champ ont été utilisés. Par la suite, chacun de ces sous-critères des facteurs utilisés a été standardisé en fonction de leur importance dans un incendie de forêt puis avec les coefficients extraits dans le modèle de processus de réseau analytique fusionné dans le logiciel ArcGIS. Enfin, la carte des risques d'incendie a été générée. L'évaluation des résultats obtenus à l'aide de la courbe caractéristique de fonctionnement du récepteur a indiqué que le modèle conçu a une bonne précision avec une valeur d'aire sous la courbe de 0,783. Selon la carte préparée, 57,45 % de la zone d'étude (1034,41 km 2 ) se situe dans les classes à risque élevé et très élevé.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Voir la vidéo: Géostatistique ENSG 9 - Le krigeage (Octobre 2021).