PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artisanale
1. PROFEEAC
CP1: ESTIMATION ET SUIVI DE LA DEGRADATION
LIÉE À L’EXPLOITATION ARTISANALE
Contribution de la télédétection
Pierre COUTERON, Nicolas BARBIER
G. Viennois, P. Ploton & d’autres collègues …
Atelier de Lancement
24-25/02/2020 – Yaoundé
2. • Introduction
• Utilisation des images satellite pour la
caractérisation et le suivi des forêt
• Mise en œuvre dans la composante 1 de
PROFEEAC
Points principaux
2
3. Forest degradation
• Forest structure is shaped by a balance between:
• Disturbing processes:
• Over-frequent logging
• Clearing by swidden (shifting) cultivation systems
• Possible fires
• Often mixed in forest – agriculture frontier landscapes
• Rebuilding processes
• Forest regeneration, regrowth
• Levels of biomass and biodiversity result from
intensity and frequency of disturbances
5. Remote-Sensing
• Measuring from space (airborne, satellite) the
interactions of a physical signal with
vegetation
• To interpolate limited field information in space
and time
• Passive (mainly optical images) vs. active (radar,
laser = lidar)
• Data varying in terms of:
• spatial resolution (pixels) and coverage
(swath)
• Affordability (gratis up to ca. 10 $/ha)
• repeatability
6. 0.5 km
SPOT 5
High resolution,
pixels 5-10 m m
MODIS
Medium
resolution, pixels
250 m
GeoEye
Very high resolution,
pixels 0.6 – 1 m
From field to Images. The resolution issue
8. Information des images optiques
• Spectrale :
• pour chaque pixel
• Différentes bandes spectrales
• Indices de végétation
• Saturation en contexte forestier
• Texturale :
• Variation du signal spectral entre les pixels
• Cf photo-interprétation
10. Spectral information
Additional spectral bands available for 20 m pixels (Source:
https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/resolutions/spatial)
Spectral bands of Sentinel 2 associated to 10 m pixels
11. Difficultés avec les données spectrales
• Instabilité du signal optique dans l’espace et dans
le temps
• Effet des brumes, des aérosols, …
• De l’éclairement, position soleil, soleil-capteur
• Très difficile à corriger
• Saturation du signal
• Avec la fermeture du couvert
• Biomasses intermédiaires (~150 – 200 t/ha)
• Concerne aussi les données radar
12. Mosaïque débrumée – étude pour GIZ
UFA 08-005, UFA 08-
008 et Parc du Mpem
& Djim
Barbier, Couteron, Viennois, 2019, rapport GIZ
13. Cartes : couvert - types forestiers
Collaboration
avec GIZ
Image Sentinel2 Après-traitement
Barbier, Couteron, Viennois, 2019, rapport GIZ
14. 0 1 20.5
Km
LARGER CROWNS /GAPS SMALLER CROWNS
From N. Barbier, unpubl.
Results of canopy texture analysis
Logging concession
Heterogeneous
canopy
Mediumcrowns
Using
textural
information
- FOTO method
- VH resolution
(Spot 6/7)
16. Relating texture indices to AGB
Case study, Western Ghats of India (evergreen forest in Uppangala
site )
• Use of CartoSat1 (ISRO-India) data, pixels of 2.5 m
Suraj Reddy et al. (2016) with CartoSat1
See also Ploton et al. (2012), Ecol. with Ikonos
17. AGB Mapping from Ikonos/Google Earth ® images
• Western Ghats of Karnataka, India
Ploton et al. (2012) Ecol. Appl.
22. Drone data to multiply assessments
Bourgoin et al., Ecol. Ind., in review
Gradient of forest degradation in Paragominas, Para, Brazil
Prediction
of CHM metrics:
R² = 0.38 (height)
to 0.54 (variance)
23. Lidar porté par drone
(soumis à autorisation, …)
N. Barbier unpl.
24. La partie
de
l'image
avec l'ID
de
relatio…
La partie de l'image avec l'ID de relation rId2 n'a pas été trouvé dans le fichier.
Pr
Completed projects
EU Climate Kick funding
Airbus D&S partnerships
29. 33
Logging Impact in
a forestry
concession
(Eastern
Cameroun)
Logging area (centre)
=> textural
coarsening
Periphery: no logging
Natural background
textural noise
Proj. UTM 33NN. Barbier et al. 2016, ATBC.
Coarsening
30. 21/11/2013 34
Logging in a
forestry
concession
Textural dynamics
caused by logging
Representation of
- annual logging bloc
- counting of felled trees
Proj. UTM 33N
N. Barbier et al. 2016, ATBC.
loggedVol[m
3
/km
2
]
31. Potentiel de la télédétection
• Ce que la télédétection peut faire, à grande
échelle, « en routine … »:
• Détecter la transformation d’un couvert fort (> ~30-50%)
en cultures/prairie ouvertes
• Séparer la forêt naturelle des plantations denses agricoles
(hévéa, palmiers à huile) ou forestières (eucalyptus, …)
• Ce qui est difficile, R&D « sur mesure » (ici) :
• Contexte-dépendant (calibrations-validations locales),
multi-sources de données, opérateurs de haut-niveau, …
• Documenter des gradients de dégradation forestière
• Détecter des systèmes agroforestiers à fort couvert (cf.
cacaoyères les plus naturelles)
• Quantifier la plupart des indicateurs de terrain
33. Trois activités de la composante
• Caractériser les écosystèmes forestiers
• dans les régions étudiées autour des sites-pilotes
• Améliorer les techniques de suivi de la
dégradation forestière
• par images satellite
• pour un des sites-pilotes
• Estimation diachronique du couvert
• Début et fin du projet
• Pour tous les sites-pilotes
34. Activité 1.1 : Contexte du site
• Resituer le site pilote (Mindourou) dans l’Est :
• Caractéristiques des forêts les moins perturbées
• Gradients de dégradation à partir des types de
référence
• Outils :
• données terrain disponibles
• Images satellite HR gratuites (Sentinel)
• Images THR déjà acquises (2014-16)
• Livrables :
• Carte des types forestiers et notice des caractéristiques
35. Activité 1.2
• Dégradation forestière sur le site de Mindourou W
• Acquisition d’images THR juste avant le début des
exploitations de référence (Fin 2020)
• Estimation de la perte de biomasse sur le terrain (inter-
composantes)
• Analyse diachronique des images THR, calibration pour
l’estimation des variations de biomasse
• Test des images HR Sentinel2 pour le suivi de la
dégradation
36. Activité 1.3
• Suivi du couvert dans les 2 sites d’étude
• Début et fin, pour mesurer l’impact du projet
• Surfaces forestières et état du couvert
• Outils
• Expériences et données des deux premières activités
• Images HR Sentinel2 (1)