Télédétection des forêts dégradées en Guinée à partir des données Sentinel-2

Monitoring vegetation change in tropical and equatorial Africa by remote sensing : evaluation of the potential contribution of new optical and radar satellite sensors

• Auteur / Autrice : An Vo Quang Truong
• Direction : Nicolas Delbart
• Type : Thèse de doctorat
• Discipline(s) : Géomatique
• Date : Soutenance le 13/12/2022
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Sciences des sociétés (Paris ; 2019-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire des Energies de Demain (Paris ; 2014-....) - Pôle de recherche pour l'organisation et la diffusion de l'information géographique / PRODIG
• Partenaire(s) de recherche : Entreprise : IGN FI
• Jury : Président / Présidente : Stéphane Jacquemoud
• Jury : Examinateurs / Examinatrices : Nicolas Delbart, Stéphane Jacquemoud, Agnès Bégué, Catherine Ottlé, Valéry Gond, Inge Jonckheere, Suspense Ifo Averti
• Jury : Rapporteurs / Rapporteuses : Agnès Bégué, Catherine Ottlé

Mots clés

Mots clés contrôlés

Apprentissage profond

Dégradation forestière

Séries chronologiques

Forêts tropophiles

Cartographie forestière

Guinée-Bissau

Télédétection

Mots clés libres

Télédétection

Classification

Cartographie

Sentinel-2

Série temporelle

Déforestation

Redd

Détection de changement

Cnn

Apprentissage profond

Dégradation forestière

Remote sensing

Classification

Mapping

Sentinel-2

Time series

Deforestation

Redd

Change detection

Cnn

Deep learning

Forest degradation

Résumé

La dégradation forestière englobe tout ce qui peut abîmer et fragiliser la forêt : coupes sélectives pour les bois rares, incendies, sécheresse, etc. La dégradation des forêts est subtile et moins visible que la déforestation. Pourtant, les forêts dégradées sont, à terme, vouées à disparaître. En outre, la dégradation des forêts est une préoccupation majeure, car le potentiel de séquestration du carbone est alors réduit. C'est un biais important dans les bilans carbone des pays qui ne tiennent généralement pas compte de la dégradation forestière. Le présent travail de thèse vise à évaluer le potentiel des images satellites Sentinel-2, de l'Agence Spatiale Européenne, pour la détection des forêts dégradées en Guinée, Afrique de l'Ouest. Outre la fragmentation des forêts causée par le changement d'utilisation des terres, le principal processus de dégradation observé y est la coupe sélective, en particulier dans le massif de Ziama, pourtant classé comme réserve de biosphère par l'UNESCO. Généralement, l'identification des forêts dégradées par satellite nécessite des coûts importants en termes de main d'œuvre et d'expertise de photo-interprétation, car la délimitation des forêts dégradées est manuelle. La première partie de la thèse est consacrée à l'amélioration de la méthode de photo-interprétation des forêts dégradées. Nos résultats témoignent de l'apport majeur de Sentinel-2 grâce à sa large gamme de réflectances qui couvre le moyen infrarouge et qui a montré une considérable amélioration de la séparabilité de la forêt dense et de la forêt dégradée. Ensuite, grâce à sa résolution temporelle qui permet de valider l'état de dégradation forestière. Les valeurs radiométriques d'images Sentinel-2 acquises de 2015 à 2020 ont été analysées au regard d'observations au sol réalisées avec un forestier local lors d'une campagne terrain en Guinée en 2019. Nos résultats montrent que les indices liés à l'humidité (teneur en eau de la canopée [CWC], indice de stress hydrique [MSI]), associés à l'indice de surface foliaire (LAI) extrait des données Sentinel-2, sont fortement liés au degré de dégradation. En utilisant les séries temporelles des mesures LAI, MSI et CWC comme données d'entrée, une méthode de classification 'Random forest' a été développée, différant des méthodes existantes par l'inclusion des valeurs des pixels voisins dans l'algorithme afin d'imiter la reconnaissance visuelle de forêts dégradées par un opérateur humain. L'inclusion du contexte montre de meilleurs scores de précision et les résultats de cartographie ont été validés par les observations de terrain. La photo-interprétation de seulement 1,6 % de la surface d'une image pour l'entraînement du modèle a permis d'atteindre une précision globale de 89,6 %, ce qui correspond à une nette avancée par rapport aux méthodes existantes. Enfin, une autre méthode contextuelle a été explorée grâce aux des techniques d'apprentissage profond. Il s'agissait d'évaluer si les réseaux neuronaux convolutifs (CNN) peuvent tout autant améliorer la détection des forêts dégradées et supprimer le besoin de réentrainement. Nous avons identifié le manque de données labellisées comme obstacle majeur pour l'entraînement des modèles CNN et élargi les données d'entraînement en photo-interprétant une série d'images entre 2015 et 2020. Nous avons comparé 3 modèles CNN et évalué leur performance pour la détection des forêts dégradées. Le résultat de l'étude est la création d'un modèle qui atteint 93% de précision. Cette méthode est transférable et peut s'appliquer d'une année à une autre et d'un massif guinéen à un autre. Validée de façon indépendante par des experts en occupation du sol, la méthode ne requiert ainsi pas de photo-interprétation de nouvelles images en 2021. Cette thèse présente une base solide pour les opérateurs responsables de la production des cartographies nationales et une production de cartes plus rapide et moins coûteuse à partir d'images satellites gratuites et accessibles

Forest degradation includes everything that can damage and weaken the forest: selective cutting for rare wood, fires, drought, etc. Forest degradation is subtle and less visible than deforestation. However, degraded forests are doomed to disappear. Moreover, forest degradation is a major concern because the potential for carbon sequestration is reduced. This is an important bias in the carbon balances of countries that generally do not take into account forest degradation. This thesis aims to evaluate the potential of Sentinel-2 satellite images, from the European Space Agency, for the detection of degraded forests in Guinea, West Africa. In addition to forest fragmentation caused by land use change, the main degradation process observed is selective logging, particularly in the Ziama Massif, which is classified as a biosphere reserve by UNESCO. Generally, the identification of degraded forests by satellite requires significant costs in terms of manpower and photo-interpretation expertise, as the delineation of degraded forests is manual. The first part of the thesis is devoted to the improvement of the photo-interpretation method of degraded forests. Our results show the major contribution of Sentinel-2 due to its wide range of reflectances which covers the short-wave infrared and which showed a considerable improvement of the separability of the dense forest and the degraded forest. Secondly, due to its temporal resolution which allows to validate the state of forest degradation. The radiometric values of Sentinel-2 images acquired from 2015 to 2020 were analyzed against ground observations made with a local forester during a field campaign in Guinea in 2019. Our results show that moisture-related indices (canopy water content [CWC], water stress index [MSI]), combined with the leaf area index (LAI) extracted from Sentinel-2 data, are strongly related to the degree of degradation. Using the time series of LAI, MSI and CWC measurements as input data, a 'Random forest' classification method was developed, differing from existing methods by including neighboring pixel values in the algorithm to mimic the visual recognition of degraded forests by a human operator. The inclusion of context shows better accuracy scores, and the mapping results were validated by field observations. Photo-interpretation of only 1.6% of an image area for model training resulted in an overall accuracy of 89.6%, which is a clear advance over existing methods. Finally, another contextual method was explored using deep learning techniques. This was to evaluate whether convolutional neural networks (CNNs) can equally improve detection of degraded forests and remove the need for retraining. We identified the lack of labeled data as a major barrier to training CNN models and expanded the training data by photo-interpreting a series of images between 2015 and 2020. We compared 3 CNN models and evaluated their performance in detecting degraded forests. The result of the study is the creation of a model that achieves 93% accuracy. This method is transferable and can be applied from one year to another and from one Guinean massif to another. Independently validated by land use/land cover experts, the method does not require photo-interpretation of new images in 2021. This thesis presents a solid basis for operators responsible for the production of national land use/land cover maps and a faster and less expensive production of maps from satellite images that are free and accessible to all.