Thèse en cours

Imagerie spatiale à très haute résolution des types de gestion et du stockage de carbone des forêts Européenne
FR  |  
EN
Auteur / Autrice : Sizhuo Li
Direction : Philippe CiaisPhilippe Bousquet
Type : Projet de thèse
Discipline(s) : Géosciences
Date : Inscription en doctorat le 30/09/2020
Etablissement(s) : université Paris-Saclay en cotutelle avec Section for Geography, Department of Geosciences and Natural Resource Management, University of Copenhagen
Ecole(s) doctorale(s) : École doctorale des sciences de l'environnement d'Île-de-France
Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Climat et de l'Environnement - DRF
Equipe de recherche : Modélisation des Surfaces et Interfaces Continentales (MOSAIC)
référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

L'augmentation et la protection des stocks de carbone dans la biomasse des forêts est l'une des options les plus crédible pour limiter le réchauffement climatique. La dynamique du carbone des forêts est dominée par les changements de la biomasse. En Europe, la dynamique de la biomasse forestière est contrôlée par l'âge des peuplements et l'intensité de gestion, presque toutes les forêts étant exploitées pour les produits du bois ou la bioénergie. L'intensité de la gestion est toutefois très variable, et va des plantations à courte rotation à des forêts semi-naturelles où les prélèvements sont très faibles. De même les espèces dominantes varient fortement, avec une tendance à l'accroissement des superficies de conifères depuis 50 ans. La dynamique des forêts et de leurs stocks de carbone dans la biomasse est aussi modulée par des facteurs environnementaux et climatiques comme l'augmentation du CO2 atmosphérique qui a un effet fertilisant, la disponibilité en eau et en nutriments et la durée de la saison de croissance. Les opérations de gestion se font en général à l'échelle spatiale de quelques hectares, ce qui rend les stocks de biomasse très hétérogènes au sein d'un même massif forestier, tandis que l'impact des facteurs environnementaux est plus diffus. De plus, les événements climatiques extrêmes comme les tempêtes, incendies et les sécheresses, dont la fréquence et l'intensité ont augmenté au cours des dernières décennies, ont un fort impact sur la mortalité des arbres. L'étendue spatiale et la quantité des pertes de carbone liées à ces accidents climatiques ne peut pas être estimée correctement avec les inventaires actuels. Cette incertitude pose un double problème, d'une part pour l'évaluation des dommages économiques de la filière bois, et d'autre part pour les projections futures des stocks de carbone dans des stratégies à long terme comme la SNBC en France qui prévoit une forte augmentation du puits de carbone forestier pour atteindre un objectif de neutralité global en 2050. La mesure des stocks de biomasse et de carbone, et l'estimation de leur changement, est actuellement basée sur des méthodes d'inventaires au sol. Ces inventaires échantillonnent de petites placettes et mesurent le diamètre, la hauteur de quelques arbres, et leur densité par unité de surface, permettant une estimation assez précise mais très locale de la biomasse. Les inventaires ont une revisite temporelle de l'ordre de dix ans, ce qui rend difficile l'interprétation des changements observés entre deux mesures successives. L'extrapolation des données locales d'inventaire vers des bilans régionaux à partir de méthodes purement statistiques est très incertaine, à cause du sous-échantillonnage dans l'espace et dans le temps. Pour définir les meilleures options de gestion et de protection de la forêt, il est important non seulement d'actualiser fréquemment, si possible tous les ans, les pertes de carbone liées aux opérations forestières et au changement climatique, mais aussi de suivre les trajectoires lentes de repousse et de re-stockage qui diffèrent selon les types de sol, les conditions climatiques, les essences, et les modes de gestion. Pour cela, des données d'imagerie à très haute résolution spatiale sont essentielles. Jusqu'à présent, la couverture de ce type d'images était limitée à des données photographiques aéroportées sur quelques massifs, et pour les données de télédétection spatiale à quelques images par an. Dans ce contexte, les constellations d'imageurs PlanetScope apportent une couverture spatiale de l'ordre de 3 m avec une revisite temporelle de l'ordre du jour, et une couverture globale. Ces données sont révolutionnaires pour un suivi des forêts. L'objectif de la thèse est de traiter les données PlanetScope en les calibrant avec des données sol et des mesures d'autres instruments de télédétection spatiale de type Lidar pour en déduire une première estimation des types d'espèces et des densités d'arbres par unité de surface, qui est un paramètre central pour la croissance et la gestion des forets. Ce travail sera effectué sur de petites régions d'Europe. Dans un second temps, pour chaque type de foret, les données PlanetScope seront analysées avec des méthodes de deep learning pour en déduire la croissance des peuplements et si possible la mortalité, ce que permet pour la première fois une résolution spatiale assez fine, qui descend à l'échelle de chaque individu tout en conservant une excellente revisite temporelle, permettant de sélectionner et de moyenner plusieurs mesures par site afin de réduire les erreurs. L'objectif de la thèse consiste à établir de nouveaux algorithmes de traitement des imageurs PlanetScope pour en extraire une classification automatique des types de forêts et de leur croissance à une résolution spatiale de 3 m ( espèces basé sur la phénologie, densité spatiale des individus, hétérogénéité des couverts ). L'apprentissage se fera à l'aide de mesures au sol où l'âge et les caractéristiques des peuplements sont localement connus Les régions choisies seront quelques massifs en France et en Allemagne ( voire de plus grande régions ensuite ) en combinant les données PlanetScope avec des mesures de hauteur par Lidar spatial des missions ICESAT-2 et GEDI de la NASA pour pouvoir transformer les mesures de réflectance dans les bandes visibles et infra rouge en volume de biomasse, puis en stock de carbone. Le défi principal consistera d'utiliser des modèles non-paramétriques de type machine learning pour calibrer les données spatiales avec les points disponibles de l'inventaire national.