Conception des PES (paiements pour services écosystémiques) pour limiter la déforestation dans les forêts tropicales d'altitude humides et répondre aux besoins socio-économiques de leurs agriculteurs en Amérique latine

Modelling PES (Payments for Ecosystem Services) to prevent deforestation in tropical montane cloud forests (TMCFs) and meet the socioeconomic needs of their farmers in Latin America

• Auteur / Autrice : Pablo Martin
• Direction : Nicole Sibelet
• Type : Thèse de doctorat
• Discipline(s) : Sociologie
• Date : Soutenance le 26/11/2021
• Etablissement(s) : Montpellier 3 en cotutelle avec Universidad politécnica de Madrid
• Ecole(s) doctorale(s) : École doctorale Territoires, Temps, Sociétés et Développement (Montpellier ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : INNOVATION - Innovation et développement dans l'agriculture et l'agro-alimentaire, Montpellier SupAgro - INNOVATION - Innovation et développement dans l'agriculture et l'agro-alimentaire, Montpellier SupAgro
• Jury : Président / Présidente : Susana Martin Fernandez
• Jury : Examinateurs / Examinatrices : Jésus Javier Litago Lavilla, Claire Bernard, Jean-François Le Coq, Fernando Montes Pita, Maria Rivera Mendez
• Jury : Rapporteur / Rapporteuse : Stéphanie Carrière

Mots clés

Mots clés contrôlés

Services écosystémiques

Forêts de nuage

Amérique latine

Déboisement

Mots clés libres

Bouquets services

Déforestation

Forêts tropicales d'altitude humides

Deforestation

Service bundles

Tropical mountain cloud forests

Résumé

Le développement d'outils pour prédire le risque de déforestation est essentiel pour démontrer l'efficacité et l'additionnalité des aires protégées ou de la conception de programmes de paiements pour services environnementaux (PSE). Il est également important une approche multidisciplinaire combine les sciences biophysiques et socio-économiques lors de l'analyse des politiques environnementales. Dans cette recherche, un modèle prédictif du risque de déforestation utilisant des techniques d'apprentissage automatique a été développé pour Costa Rica sur la base de l'analyse des modèles historiques de déforestation tout au long de la période 2000-2018. Les modèles historiques et prévus ont été analysés dans les aires protégées et les exploitations agricoles participant au programme national de PSE. L'interprétation a été complétée par des informations socio-économiques collectées par le biais d'entretiens semi-structurés auprès de 67 agriculteurs participant et ne participant pas au programme PSE. Enfin, une analyse méthodologique des techniques de télédétection utilisées pour surveiller la végétation a révélé comment la topographie est un facteur important qui peut avoir des implications lorsqu'il s'agit de surveiller les changements du couvert forestier au fil du temps.Le taux historique de perte de végétation dans la région était faible (-0,14% y-1) par rapport aux pays ayant les taux de déforestation les plus élevés au cours de la même période. Par ailleurs, la plupart des pertes de végétation sont produites en dehors des aires protégées. Que les fermes aient participé ou non au programme PSE, les taux historiques de perte de végétation étaient également très faibles. 94% de leur forêt est restée intacte tout au long de la période 2000-2018. En général, la déforestation était plus élevée pour les exploitations ne participant pas au PSE et s'est produite en raison de petits ajustements forestiers autour des zones productives, au lieu d'un changement de couverture terrestre dû à une transformation agricole extensive. Les résultats indiquent que les faibles taux de déforestation constatés dans les exploitations participant au PSE pourraient s'expliquer par le fait que les terres forestières seraient spatialement biaisées vers une pression plus faible, où le coût d'opportunité est faible.Le modèle prédictif a montré une précision de 0,89 dans la prédiction de la perte de végétation dans le site d'étude. La topographie et l'accessibilité ont été les principaux facteurs influençant la déforestation dans la région en raison de la nature montagneuse et du terrain irrégulier où se trouvent les forêts de nuages. En général, les forêts sont situées loin des routes principales sur des terrains complexes et elles sont peu menacées de déforestation. Les aires protégées et les exploitations agricoles qui ont reçu des PSE sont généralement situées dans des zones reculées où le modèle prédit un faible risque de déforestation et cela devrait être utilisé pour questionner l'efficacité et l'additionnalité de la focalisation des ressources économiques sur ces zones. Les entretiens ont montré que le coût d'opportunité de la transformation des forêts en une utilisation des terres plus rentable pourrait être très faible dans les zones reculées et que les utilisations forestières émergentes telles que l'écotourisme pourraient également empêcher le défrichement.Enfin, il a également été constaté un effet important de la topographie sur les capteurs satellites utilisés pour surveiller la végétation dans les zones montagneuses, ce qui peut biaiser les estimations des services environnementaux importants dérivés de la végétation au fil du temps. Une nouvelle approche a été développée pour utiliser les séries temporelles Landsat afin d'évaluer les changements dans les conditions d'éclairage et les indices de végétation dans les zones boisées en terrain irrégulier.

The development of reliable tools to predict deforestation risk is key to demonstrate efficiency and additionality when targeting protected areas or designing programs of payments for environmental services (PES). It is also important to have a multidisciplinary approach that combines biophysical and socioeconomic sciences when analyzing the effect of environmental policies. In this research, a predictive model of deforestation risk using machine learning techniques was developed for a study site in Costa Rica based on the analysis of historical deforestation patterns throughout the period 2000-2018. Historical and predicted deforestation patterns were analyzed within protected areas and farms participating in the national PES program. The interpretation of the predictive model and drivers of deforestation was completed with socioeconomic information collected through semi-structured interviews from 67 farmers participating and not participating in the PES program. Finally, a methodological analysis of the remote sensing techniques employed to monitor vegetation revealed how topography is an important factor that may have implications when it comes to monitoring forest cover changes throughout time.The historical vegetation loss rate in the area was low (-0.14% y-1) compared with countries with the highest deforestation rates in the same period. Besides, most of the vegetation loss observed occurred outside protected areas. Regardless of whether the farms participated or not in the PES program, historical vegetation loss rates were very low as well. 94% of their forest remained undisturbed throughout the period 2000-2018. In general, deforestation was higher for farms not participating in the PES program and occurred due to small forest adjustments around productive areas, instead of land cover change due to extensive agricultural transformation. The results indicate that the low deforestation rates found in farms participating in the PES program could be explained because forest lands would be spatially biased towards lower pressure, where opportunity cost is low.The predictive model showed an accuracy of 0.89 in predicting vegetation loss in the study site. Additionally, it provides biophysical and spatially explicit information to understand the drivers of forest loss, and the locations where this is likely to occur, which can improve decisions taken when designing environmental policies. Topography and accessibility were the main factors influencing deforestation in the area due to the mountainous nature and irregular terrain where cloud forests are located. In general, forests are located far from main roads in complex terrain and they are under low threat of deforestation. Protected areas and farms that received PES are generally located in remote areas where the model predicts a low risk of deforestation and this should be used to question the efficiency and additionality of focusing economic resources on these areas. The interviews showed that the opportunity cost of transforming forests into a more profitable land use might be very low in remote areas and emergent forest uses such as ecotourism might also be preventing forest clearing.Finally, it was also found an important effect of the topography on the satellite sensors employed to monitor vegetation in mountainous areas, which can bias the estimates of important environmental services derived from the vegetation throughout time. A novel approach was developed to use Landsat temporal series to evaluate changes in the illumination conditions and vegetation indices in forested areas in irregular terrain.