Détection des variations de structure de

Détection des variations de structure de peuplements en
forêt dense tropicale humide par Lidar aéroporté
Auteurs: Grégoire Vincent1, Emilien Weissenbacher2, Daniel Sabatier3, Lilian Blanc2 Christophe
Proisy3, Pierre Couteron3
1
IRD - UMR AMAP- Kourou - BP 701 (CIRAD)- 97387 Kourou cedex -Guyane (FRANCE)
CIRAD - UMR Ecofog –Kourou
3
IRD-UMR AMAP - Montpellier
2
(Paru dans la Revue Française de Photogrammétrie et Télédétection, 2010, n° 191 pp.42-51)
Résumé
Sur le dispositif d’expérimentation sylvicole de Paracou en Guyane française les variations
naturelles de la couverture pédologique et les différents régimes d’exploitation sylvicoles
contribuent à l’existence d’une forte variabilité locale de la structure des peuplements. Cette
variabilité est caractérisée par des mesures diamétriques réalisées sur l’ensemble des tiges de plus
de 10 cm de diamètre à 1.30m sur les 125 ha du dispositif.
Un levé LiDAR réalisé en mode simple retour à une densité moyenne de 3.6 pt. m-2 en 2004 est
utilisé pour évaluer la capacité de ce type de données à détecter les différences de structure
forestière observées. Le pouvoir discriminant des statistiques extraites des données LiDAR s’avère
aussi bon que celui issu des données dendrométriques à l’échelle de l’ha ou au-delà.
Les données LiDAR permettent en outre de déceler des variations beaucoup plus fines comme
celles survenant dans les bas-fonds étroits grâce au Modèle Numérique de Terrain extrait des
données LiDAR.
Cette étude confirme donc sans ambiguïté l’intérêt du LiDAR pour la cartographie de types
forestiers à grande échelle et notamment dans les zones d’accès difficile.
Mots clefs : Structure dendrométrique, modèle numérique de canopée, forêt tropicale humide,
lidar.
Abstract
Characterisation of forest structure is a major stake for forestry, species conservation, carbon
stock estimates and many forest ecology and management issues. At large scale natural forest
structure tends to vary according to climate and geomorphomology (Paget, 1999; Steege et al.,
2006) while soil characteristics (and notably water regime) and sylvigenetic stage add some finer
scale variation (Oldeman, 1989; Sabatier et al., 1997). Forest structure characterisation
traditionally relies on field-based collection of individual tree dimensions such as stem diameter
and stem height sampled across tracks of forest (Hall et al., 1998). However, such field intensive
methods are costly, and of low accuracy regarding measures of tree heights.
Airborne light detection and ranging (LiDAR) technology provides horizontal and vertical
information at high spatial resolutions and vertical accuracies (Lim et al., 2003; Hyyppä et al.,
2004). It has the potential for gathering vegetation structure data over large areas rapidly at
moderate cost and hence is of particular relevance for poorly sampled, difficult to access and
largely unexplored tropical rainforests.
In this study we examined the ability of airborne LiDAR to detect spatial changes in the structure
of dense tropical rain forest and we probed this remote sensing approach against local statistics
1
derived from stem diameters (i.e. classical field data information) mapped across a large track of
forest at a long term experimental site in French Guyana.
The large variability in forest structure occurring at the experimental site is du to natural
variation of the soil cover (and notably drainage properties) combined with various logging
intensities applied 15 years before the LiDAR data were acquired. On this basis ten different
forest types were identified at the site (figure 1 and 3).
Various stem based statistics were computed for a series of meshes with cells ranging from 30 by
30 m plots to 250 by 250 m plots. These statistics included basal area, stem density, quadratic
mean diameter, and diameter distribution percentiles. Similarly local statistics were extracted
either from the Canopy Height Model (e.g. median height, mean height, standard height deviation,
height coefficient of variation, height percentiles, frequency of hits below 5 m above ground level).
Additionally a wetness index (Böhner et al., 2002) was computed at each node of a 5 by 5 m grid
from the Digital Terrain Model also extracted from the LiDAR data set.
We used both types of cell statistics to discriminate the various forest types. Comparison between
the two approaches for a range of spatial resolution is available from in table 1. Results indicate
that LiDAR based statistics are essentially as powerful as field based statistics to discriminate
forest types at coarse scale. This reflects the very strong correlation between the CHM and the
field based stem diameter data. For example (figure 5) the Pearson correlation coefficient
between median height and quadratic mean diameter for cells of 125 by 125 m is 0.945 (n=0.72).
When a finer resolution is required however as for the detection of seasonally flooded bottomland
forest along thalwegs, then LiDAR technology proves more efficient than field based inventories
as it combines information from the DTM and the CHM. The wetness index alone correctly
retrieves about 2 thirds of the seasonally flooded areas.
All in all, discriminant analysis performance of the LiDAR derived information approaches 80%
when classifying forests cover at the finest scale of 5 by 5m into 10 different types and reaches
87% when a coarser classification into 6 forest types is considered (figure 4).
Key-words: Stem diameter distribution, Canopy Height Model, tropical moist forest, aboveground biomass estimation
1. Introduction
La caractérisation de la structure forestière des forêts tropicales constitue un enjeu majeur pour la
gestion des forêts naturelles que les objectifs prioritaires soient l’exploitation forestière, la
conservation des biomes forestiers ou l’estimation des stocks de carbone. A large échelle la
structure forestière varie avec le climat et la géomorphologie (Paget, 1999; Steege et al., 2006). Les
variations de la qualité chimique ou physique des sols (et notamment les régimes de drainage
associés) et le stade sylvigénétique (c'est-à-dire le stade de développement post perturbation)
ajoutent de la variabilité à la structure des peuplements forestiers à une échelle plus locale
(Oldeman, 1989; Sabatier et al., 1997). Classiquement les paramètres de structure forestière sont
obtenus par agrégation de mesures dendrométriques individuelles (diamètre, hauteur,…) (Hall et
al., 1998). Cependant de telles pratiques sont limitées par les coûts associés voire, en forêt dense
tropicale humide, par l’accessibilité au terrain.
Le LiDAR aéroporté fournit des données de haute résolution spatiale et de grande précision
altimétrique sur l’organisation tridimensionnelle des couverts (Lim et al., 2003; Hyyppä et al.,
2004). Cette technologie a un potentiel important pour la caractérisation de la structure de la
végétation sur de larges surfaces à un coût modéré. C’est une technologie particulièrement
prometteuse dans les zones tropicales peu explorées et d’accès difficile. Néanmoins le domaine
d’applicabilité de la technique aux forêts tropicales denses reste mal connu car les études dans ce
contexte sont rares (Drake et al., 2002a; Drake et al., 2002b; Drake et al., 2003; Clark et al., 2004)
2
Cette étude vise à évaluer les capacités du LiDAR aéroporté à détecter des variations spatiales de
structure du peuplement en forêt dense tropicale. Les données de structure de peuplement
collectées régulièrement sur plus de 100 ha sur le dispositif expérimental de Paracou en Guyane
française servent de référence. Sur ce site les variations naturelles de la couverture pédologique et
différents régimes d’exploitation sylvicoles contribuent à l’existence d’une forte variabilité de la
structure des peuplements.
2. Matériel et méthodes
2.1. Le site d’étude
L’étude est menée en forêt tropicale dense sempervirente sur le site expérimental de Paracou
(5°15' N; 52°56' W), en Guyane française. L’altitude est comprise entre 5 et 50 m, et la
température moyenne annuelle est de 26°C. La pluviométrie annuelle moyenne sur la période
1986-2005 est de 2875 mm. Une saison sèche (moins de 100 mm pendant 30 jours consécutifs)
s’étend de mi août à mi novembre. Le paysage se caractérise par un ensemble de collines de 100 à
300m de diamètre et de 20 à 35 m de haut séparées de ruisseaux étroits. Les pentes sont comprises
entre 25 et 45%.
En 1984, 12 parcelles permanentes de 250 x 250 m ont été établies dans la forêt primaire qui
couvrait le site (Gourlet-Fleury et al., 2004b). Sur chaque parcelle tous les arbres dont le diamètre
du tronc à 130 cm du sol (D130) dépassait 10 cm ont été numérotés, positionnés au mètre près et
leur D130 mesuré ou estimé par une mesure au dessus des contreforts le cas échéant.
Entre 1986 et 1988, différentes modalités d’exploitation ont été mises en œuvre selon un dispositif
à 3 répétitions (Gourlet-Fleury et al., 2004b). Les quatre traitements comparés sont : (i) pas
d’intervention (témoins) “T0”; (ii) exploitation sélective des espèces commerciales soit environ 10
tiges de plus de 50 ou 60 cm de D130 (selon l’essence) par ha “T1”; (iii) exploitation sélective des
espèces commerciales complétée d’un éclaircissage par empoisonnement de toutes les espèces non
commerciales de plus de 40 cm de D130 “T2”; and (iv) exploitation sélective des espèces
commerciales plus exploitation des espèces non commerciales entre 40 et 50 cm de D130 (boisénergie) et empoisonnement de toutes les espèces non commerciales de plus de 50 cm de D130
“T3”. Trois autres parcelles témoins de 250 x 250 m et une parcelle de 500 x 500 m ont été
ajoutées en 1991.
Les mesures de diamètres ont été réalisées tous les ans ou tous les deux ans depuis la mise en
place des parcelles pour l’ensemble des parcelles à l’exception de la parcelle 16 de 500 x 500m sur
laquelle les relevés sont moins fréquents.
Les données d’inventaires utilisées dans le cadre de cette étude concernent un total de 71089
arbres répartis sur 112,5 ha. Les données dendrométriques de l’inventaire de 2003 sont utilisées
pour les parcelles 1 à 14 et celles de 1998, année des derniers relevés disponibles, pour la parcelle
16. Les données de la parcelle 15, non entièrement couverte par le levé Lidar, ne sont pas utilisées
dans la suite.
2.2. Les types forestiers considérés
Les différentes intensités d’exploitation déterminent 4 types de couverts forestiers notés T0 à T3.
Un cinquième type (parcelle 16) noté T4 est distingué sur la base d’une physionomie du
3
peuplement particulière (faible densité de tiges, diamètres moyens plus élevés). Ce type est associé
à des sols plus drainants développés sur granites pegmatitiques à leucocrates (Schmitt, 1984).
Il est clairement établi que le degré d’hydromorphie des sols affecte la composition floristique des
peuplements forestiers (Sabatier et al., 1997), leurs taux démographiques, (Madelaine et al., 2007;
Morneau, 2007) et leur structure (Sabatier et al., 1997; Morneau, 2007). Nous avons donc cherché
à distinguer les forêts de bas-fonds par croisement des types forestiers précédents avec une
cartographie des bas-fonds (nappe phréatique à moins de 1m de profondeur en saison sèche)
(Gourlet-Fleury et al., 2004b) on obtient donc finalement 10 sous-types forestiers (figure 1). Les
bas-fonds sont largement minoritaires puisqu’ils représentent 8.5% de la superficie totale de la
zone d’étude.
Figure 1: Carte du dispositif expérimental figurant la localisation des différents types forestiers sur
le site, y compris les zones de bas-fonds.
2.3. Les données LiDAR
En 2004, un levé laser du site expérimental (environ 4 km²) a été réalisé par survol en hélicoptère
à 150 m d’altitude par la société Altoa (http://www.altoa.fr/). L’acquisition a été réalisée en mode
dernier retour avec une densité moyenne de 3.6 échos*m-2. Un télémètre laser Riegl LMS-Q140i60 était couplé à une centrale inertielle elle-même connectée à deux GPS double-fréquence
permettant le calcul de la position de l’émetteur laser avec une précision décimétrique. Le
télémètre mesure le temps de parcours d’impulsions laser émises à haute fréquence (30 kHz) dans
l’infrarouge (0.9 µm). La divergence du laser étant de 3 milliradians, l’emprise du faisceau au sol
est de l’ordre de 45 cm de diamètre. Le jeu de données Lidar brut est un nuage de points, chaque
4
point correspondant soit à des éléments de végétation soit au sol. Pour chaque point latitude,
longitude et altitude sont mesurées et stockées dans un fichier.
Le télémètre laser Riegl LMS-Q140i-60 utilisé pouvait stoker la distance au premier ou au dernier
obstacle détecté mais pas les deux. Un test de comparaison entre ces deux modes d’acquisition a
été réalisé en confrontant les résultats de deux acquisitions faites le même jour sur une zone test de
25 ha. Sur cette zone, la moyenne des hauteurs maximales déterminées sur une grille de maille de
1 m de côté s’est avérée être supérieure de 0.75m en mode premier retour à celle obtenue en
dernier retour. En revanche, la densité de points bas (< à 5m) était 2,5 fois plus grande en mode
dernier retour. Le mode dernier retour a donc été retenu pour maximiser le nombre de points sols
et augmenter la précision du MNT.
Les points correspondant au sol ont été extraits du nuage de points bruts par filtrage des points bas
par un algorithme propriétaire dont le principe est décrit par (Axelsson, 1999) et implémenté dans le
logiciel Terrascan. Le MNT à une maille de 4 x 4 m est créé à partir de ces points en effectuant une
interpolation par triangulation. Puis on obtient un MNT à une maille de 1 x 1 m par interpolation
bilinéaire.
La proportion d’impulsions qui atteignent le sol est faible en forêt dense tropicale (typiquement
moins de 1%) ce qui peut limiter la précision du MNT. Celle-ci a été évaluée par comparaison
avec 760 points de contrôle au sol (pourtour des parcelles) pour lesquels l’altitude exacte avait été
mesurée au théodolite par un géomètre expert. La correspondance s’est révélée correcte puisque
l’erreur résiduelle quadratique moyenne (ERQM) était de 0.64m. Les valeurs du MNT ont ensuite
été soustraites aux données brutes pour convertir les données d’altitude du nuage de points LiDAR
en hauteur d’interception de l’impulsion laser par le couvert végétal (HLi). Le modèle numérique
de canopée (MNC) a finalement été construit par extraction pour chaque cellule de 1 m2 de la
hauteur maximale enregistrée (HLimax). Environ 5% des cellules de 1 m n’étant pas renseignées,
les données manquantes ont été remplacées par la valeur Hli du point le plus proche de la cellule
pour générer le MNC représenté sur la figure 2.
Un indice de drainage externe basé sur l’altitude au-dessus des lignes d’écoulement des eaux
(Böhner et al.) a été calculé avec le logiciel SAGA (Cimmery, 2007) à partir du MNT pour chaque
cellule d’un maillage carré à 5 m. On a ainsi obtenu un indice continu dont les valeurs
s’échelonnent entre 2.74 et 14.66.
5
Figure 2 : Image raster de la hauteur du couvert végétal, ou Modèle Numérique de Canopée
(MNC), à Paracou, Guyane française, estimée par la hauteur maximale d’interception du signal
laser (HLimax) par m² obtenue par levé LiDAR en 2004. (Coordonnées WGS84 UTM 22N)
2.4. Analyse des données
Nous présentons d’abord une analyse de la structure des peuplements des types forestiers définis
au paragraphe 2.2. Nous comparons ensuite les statistiques extraites du MNC et des statistiques
extraites des relevés dendrométriques à différentes échelles (maille ou placeau de taille croissante)
pour leur capacité à discriminer ces types forestiers. Nous testons également l’intérêt d’ajouter aux
statistiques du MNC un indice de drainage externe calculé à partir du MNT.
Nous évaluons ensuite le gain de discrimination permis par l’inclusion d’un indice de texture de
canopée. Enfin nous tentons de mettre en évidence si certaines des statistiques LiDAR sont
particulièrement corrélées à des caractéristiques de structure de peuplement. L’estimation séparée
des différentes composantes de la structure du peuplement présente en effet un intérêt pour
l’élaboration d’un modèle prédictif pour des combinaisons de composantes de peuplement non
comprises dans la présente étude.
Un maillage carré (5m de côté) du site expérimental sert de support à la spatialisation des données.
Seules les mailles incluses en totalité dans une parcelle d’étude sont considérées dans la suite.
La cartographie des bas-fonds utilisée a également une résolution de 5m. Les placeaux de taille
supérieure et en particulier les placeaux de 30 par 30 m sont alloués à une classe d’hydromorphie
(« interfluve » ou « bas-fond ») en fonction du type majoritaire. Les paramètres de structure
forestière sont calculés par placeau de 30 par 30 m et analysés (ANOVA) en fonction du type
forestier. Les placeaux interceptant le dispositif expérimental à moins de 50% de leur surface sont
exclus de l’analyse. Ainsi la majorité des placeaux retenus à cette échelle (942, soit. 76%) ont une
surface de 0.09 ha et la totalité (1234) ont une surface supérieure à 0.045 ha.
.
6
Le choix de l’analyse des types forestiers par placeaux de 30 x 30 m se justifie par la recherche
d’un compromis entre résolution élevée (qui permet un découpage avec une majorité de placeaux
complètement inclus dans un type donné) et une taille minimale en deçà de laquelle les paramètres
de structures deviennent instables.
2.4.1. Structure dendrométrique
Un ensemble de statistiques basées sur les relevés dendrométriques (D130) est calculé pour des
voisinages de différentes tailles : placeaux de 30 par 30, 50 par 50, 125 par 125m et 250 par 250m.
Chaque placeau ainsi créé appartient à un seul grand type forestier (T0 à T4). Les statistiques
dendrométriques dérivées des relevés de D130 sont calculées d’une part pour l’ensemble du
peuplement et également après exclusion des zones de bas-fonds.
Les statistiques retenues sont la surface terrière (ST, m2*ha-1), la densité de tiges (DENS, nombre
de tiges *ha-1), le diamètre quadratique moyen également appelé diamètre de l’arbre moyen
1
2
(Dg=
d130 i , cm), le diamètre moyen (cm), diamètre médian (cm), la distance interquartile
∑
n
de la distribution des diamètres (cm), et l’écart type des diamètres (cm).
Une Analyse Factorielle de Correspondance (AFC) de la distribution en 12 classes des D130 a
également été réalisée par placeau de 125 par 125 m pour résumer les caractéristiques de la
distribution des diamètres. L’analyse n’est pas faite pour des surfaces élémentaires plus petites de
façon à avoir au moins quelques centaines d’arbres par distribution élémentaire.
2.4.2. Statistiques issues des points LiDAR
De nombreux travaux traitant de la relation entre signal LiDAR et structure forestière ont déjà été
réalisés. Cependant la grande majorité de ceux-ci traite de forêts tempérées présentant une
canopée typiquement plus ouverte que celles des forêts denses tropicales humides (Lefsky et al.,
1999; Morsdorf et al., 2004; Hall et al., 2005). Les quelques études portant sur la forêt tropicale
(Drake et al., 2002a; Drake et al., 2003; Clark et al., 2004) ont préférentiellement cherché à
prédire des variables agrégées comme la surface terrière ou la biomasse épigée plutôt que les
composantes de la structure dendrométrique (distribution de diamètres, densité de tiges). En outre
certaines des études précitées ont eu recours à des Lidar à empreinte large ou moyenne qui
numérisent l’intensité du spectre d’onde retour par classe de hauteur (cas des systèmes nordaméricains SLICER et LVIS). Les statistiques LiDAR utilisées dans ces études sont en général les
hauteurs correspondant à des fractions prédéterminées de l’énergie cumulée du train d’onde retour.
Enfin, une certaine partie de la bibliographie récente passe par l’isolement d’arbres individuels via
la détection de leurs couronnes (Holmgren et al., 2003; Morsdorf et al., 2004) pour arriver au
calcul de la surface terrière ou de la densité de tiges.
Il existe donc assez peu d’information éprouvée permettant de sélectionner a priori les statistiques
LiDAR candidates pour la caractérisation des variations de structure d’une forêt tropicale à l’aide
d’un LiDAR à petite empreinte. Le choix des statistiques extraites du Modèle Numérique de
Canopée a été guidé par la relation supposée entre la distribution des HLimax et les paramètres
décrivant la structure dendrométrique des peuplements d’arbres de chaque type forestier.
Pour une aire donnée, maille ou placeau, les statistiques retenues décrivent les variations du MNC
(HLimax). La médiane, le maximum, le neuvième décile de HLimax sont des indicateurs
potentiels de la hauteur dominante du peuplement (classiquement définie comme la hauteur
moyenne des 100 plus gros arbres par hectare) et le coefficient de variation ainsi que le rapport
entre l’écart inter-décile et la médiane, sont retenus comme indicateurs potentiels de la rugosité
7
(fréquence de trouées ou d’arbres émergents). La fréquence de points bas (inférieurs à 5m) peut
être interprétée comme un indice d’ouverture de la canopée. Ces statistiques sont calculées pour
les surfaces élémentaires de taille croissante précédemment décrits : maillages et placeaux de 5 par
5m, 30 par 30m, 50 par 50m, 125 par 125m et 250 par 250m.
Les statistiques équivalentes extraites du nuage Hli (ensemble des points d’interception de
l’impulsion laser par le couvert végétal) ont également été testées en combinaison avec les
statistiques extraites du MNC mais n’ont pas été conservées car n’améliorant pas le pouvoir
discriminant des données Lidar.
Par ailleurs, en complément des statistiques locales précédentes une analyse de texture de l'image
raster du MNC est réalisée sur l'ensemble du dispositif. L'analyse est basée sur la transformée de
Fourier 2D appliquée à des fenêtres non-recouvrantes de 125 par 125 m. Le spectre de Fourier
isotropique résultant (r-spectre) fournit une partition explicite des niveaux de gris c'est-à-dire des
hauteurs de végétation, en termes de fréquence spatiale. Par ordination (ACP), les fenêtres sont
classées selon un gradient de finesse de texture (Couteron et al., 2005). Des fenêtres correspondant
aux placeaux de 125 par 125 m du dispositif de terrain on été extraites de l'image du MNC puis
analysées. Les spectres qui leur correspondent ont été utilisés pour replacer les placeaux du
dispositif d’observation dans le gradient général de texture. L’indice correspondant est utilisé en
complément des statistiques de HLimax pour discriminer les types forestiers à l’échelle des
placeaux de 125 x 125 m.
2.4.3. Analyse comparative
On compare pour des surfaces élémentaires de différentes tailles la puissance discriminatoire des
statistiques issues des données dendrométriques avec celles des statistiques issues des données
altimétriques par analyse discriminante. Dans tous les cas on utilise un prior proportionnel à la
taille de chaque groupe dans l’analyse discriminante. Les résultats sont évalués en termes de
pourcentage de classification correcte.
Dans toutes les analyses discriminantes et MANOVA effectuées, la statistique lambda de Wilks a
été calculée pour tester si les types forestiers (groupes d'observations multivariées) ont des
moyennes significativement différentes. Dans tous les cas la probabilité associée P<0.0001 a
confirmé l’existence de différences entre types. Cette information n’est pas répétée dans la suite.
3. Résultats
3.1. Caractéristiques dendrométriques des peuplements étudiés
La densité, la surface terrière (ST) et le diamètre quadratique moyen (Dg) sont affectés par le
traitement sylvicole et la classe d’hydromorphie (figure 3). Pour les traitements T0 à T3, ST est
significativement plus faible en bas-fond que dans les interfluves (3b) et ceci est lié à une
différence de densité (3a) et non à des arbres qui seraient plus petits (3c). Le type T4 d’interfluve
(non exploité) développé sur des sols moins contraignants présente des peuplements de densité
plus faible et de diamètre quadratique moyen (Dg) supérieur au type T0 d’interfluve. Le type T4
de bas-fond est pour une large part représenté par une zone marécageuse dominée par un palmier
multicaule Euterpe olearacea, qui contribue à la forte densité observée. Cette particularité est en
grande partie responsable de l’effet marqué d’interaction (non additivité) observé entre type
forestier (T0 à T4) et classe d’hydromorphie (figure 3a).
8
Figure 3: Moyennes des moindres carrés estimées par analyse de variance à deux facteurs (type
forestier, et classe d’hydromorphie) des principaux paramètres de structure forestière à Paracou,
Guyane française. La barre verticale représente l’écart-type de la moyenne.
3.2. Discrimination des structures forestières à partir des statistiques
dendrométriques et des statistiques extraites du lidar
Les taux de succès des classifications calculées par eustachage sont présentés dans le tableau 1.
Dans tous les cas on utilise une probabilité a priori proportionnelle à la taille de chaque groupe
dans l’analyse discriminante. La figure 4 présente une carte des succès et erreur de classification
des placeaux de 5 par 5 m sur l’ensemble du dispositif pour la meilleure fonction discriminante
obtenue. La concordance globale est de 87%.
Dans les résultats présentés ci-dessous les coordonnées de l’AFC sur les diamètres n’ont pas été
utilisées. En effet des analyses préliminaires ont montré que bien que pertinentes elles ne
semblaient pas apporter d’information complémentaire décisive. De même l’indice de texture
calculé pour l’échelle 125x125m n’est pas utilisé dans les résultats ci-dessous. En effet,
l’utilisation d’un indice de texture ne permet pas d’améliorer la discrimination entre types
forestiers une fois introduites les statistiques locales du MNC les plus pertinentes (i.e. médiane,
moyenne, coefficient de variation et 1er décile). Il existe cependant une corrélation très hautement
significative entre texture et hauteur de canopée à l’échelle de parcelles de 125 m de côtés (r2 =
0.41, P < 0.001).
Les statistiques extraites du modèle numérique de canopée dérivé du levé LiDAR ont un pouvoir
discriminant équivalent aux statistiques extraites des données de dendrométrie elles-mêmes. Dans
tous les cas le pouvoir discriminant augmente avec la taille du voisinage local utilisé pour le calcul
des statistiques (tableau 1).
Les statistiques extraites du modèle numérique de canopée à une échelle de 5 par 5 m ont été
utilisées conjointement avec des statistiques à plus large échelle (125 par 125 m) pour tenter de
discriminer les formations dans les bas-fonds étroits et sinueux. Cependant la détection de ces
formations de bas-fonds ne fut possible qu’en incluant l’indice de drainage externe dans l’analyse
discriminante.
9
Statistiques
dendrométriques
/ statistiques
extraites du
MNC
5 par 5m
30 par 30m
c. 50 par 50m*
c. 125 par 125m*
c. 250 par 250m*
T1-T4 avec basfonds
(5 groupes)
T1-T4 hors bas-fonds
(5 groupes)
T1-T4 croisés
avec classe
d’hydromorphie
(10 groupes)
NA / 39%
(107,43 ha 42972
pl.)
50 / 51%
(105,65 ha, 1234
pl.)
58 / 60%
(107,43 ha, 450
pl.)
78 / 76%
(107,43 ha 72 pl.)
89 / 89%
(107,43 ha 18 pl.)
NA / 39%
(98,1 ha, 39241 pl.)
NA / 39 /°79%
(107,43 ha
42972 pl.)
48 / 48%
(105,65 ha,
1234 pl.)
NA
(T0+T1,
T2+T3, T4) x
classe
d’hydromorphie
(6 groupes)
NA / 56 /°87%
(107,43 ha,
42972 pl.)
68 / 68%
(105,65 ha,
1234 pl.)
NA
NA
NA
NA
NA
50 / 52%
(98.7 ha, 1153 pl.)
58 / 61%
(92.25 ha , 399 pl.)
74/ 78%
(95.76 ha, 69 pl.)
83 / 89%
(96.10 ha,18 pl.)
Tableau 1: Pourcentage de classification correcte de différents types forestiers (définis dans le
texte) sur le site de Paracou, Guyane française. Les classifications sont réalisées par eustachage et
reposent soit sur des statistiques de données dendrométriques soit sur des statistiques extraites du
modèle numérique de canopée (en gras). Dans chaque cas la surface classifiée et le nombre de
placeaux correspondant (pl.) sont donnés entre parenthèses.
NA : non applicable (les statistiques dendrométriques ne sont pas pertinentes à une échelle de 5
par 5 m, les bas-fonds étroits ne peuvent être distingués à une résolution spatiale inférieure à 30
par 30 m ;
* à partir de 50m par 50 m les placeaux sont construits par agrégation de cellules de 5x5m
contiguës selon un critère de compacité maximale et peuvent différer légèrement en taille et
superficie notamment lorsque les bas-fonds sont exclus de l’analyse ;
° classification obtenue en combinant les statistiques extraites du MNC à deux échelles emboîtées
(125 par 125m et 5 par 5m) et l’indice de drainage.
L’utilisation de l’indice de drainage externe («SAGA wetness index ») comme facteur
supplémentaire dans l’analyse discriminante est limité aux cas notés ° dans le tableau 1. Cet indice
est utilisé en combinaison avec les statistiques de structure dendrométriques à deux échelles
emboîtées. L’inclusion de l’indice de drainage externe n’augmente que modestement le
pourcentage global de classification correcte (qui passe par exemple de 75% - en utilisant des
statistiques de structure à deux échelles mais pas l’indice de drainage externe - à 79% - cf tableau
1 ligne 1 colonne 3 - dans le cas de discrimination en 10 groupes pour les placeaux de 5x5m).
Cependant la non-utilisation de cet indice conduit à une erreur quasi systématique de classification
des bas-fonds. L’indice d’hydromorphie utilisé seul permet de distinguer interfluve et bas-fond
avec un taux de réussite global de 93 % (mais seulement 64% des bas-fonds sont correctement
identifiés en tant que tels).
10
Figure 4: Carte d’agrément entre type forestier observé et prédit par Analyse Factorielle
Discriminante appliquées aux statistiques locales extraite du Modèle numérique de canopée (à
droite). Les grands types forestiers ont été regroupés en 3 classes (T0+T1, T2+T3, T4, carte de
gauche). Paracou, Guyane française.
3.3. Relation entre paramètres de structure forestière et statistiques
extraites du modèle numérique de canopée
A l’échelle de 125 par 125 m le diamètre quadratique moyen Dg est un des paramètres
dendrométriques, qui pris isolément, est le plus discriminant. Ce paramètre est très fortement
corrélé à la moyenne des maxima locaux du MNC (r=0.926, n=72, maximum local calculé pour
des cellules de 5 par 5 m). La simple hauteur médiane du MNC est encore mieux corrélée au Dg à
cette échelle de 1.5 ha (r=0.945, n=72) (fig. 5).
11
Figure 5: Relation entre hauteur médiane du Modèle Numérique de Canopée et diamètre
quadratique moyen (Dg) sur placeaux de 125 par 125 m. Les différents types forestiers résultent
de variations de la couverture pédologique (T0 et T4) ou d’intensités d’exploitation variées (T1 à
T3) sur le dispositif expérimental de Paracou, Guyane française.
Cependant la statistique de hauteur médiane extraite du MNC rend compte à la fois des
informations sur la distribution de diamètre et sur la densité de tiges. Ainsi une ANOVA sur
placeaux de 30 par 30 m révèle un effet très significatif et négatif de la modalité bas-fond sur la
hauteur médiane mais pas sur le diamètre quadratique moyen (résultats numériques non
présentés). Cette observation souligne les limites d’une approche corrélative terme à terme et
incite au développement de modèles multivariés pour la prédiction des paramètres structuraux
élémentaires à partir des données Lidar.
La fréquence moyenne des points du MNC inférieurs à 5 m (estimation réalisée sur l’ensemble des
parcelles permanentes) est plus élevée en bas-fond qu’en interfluve et diminue avec
l’augmentation de l’intensité d’exploitation (figure 6). Cette tendance est conforme aux attentes
puisque les bas-fonds sont moins denses (figure 3) et présentent une mortalité plus élevée
(Madelaine et al., 2007). L’exploitation forestière a par ailleurs favorisé un recrû forestier d’autant
plus vigoureux que l’exploitation a été intense (Gourlet-Fleury et al., 2004a). Ce recrû forestier
contribue à fermer le couvert à faible hauteur. Sur le type T4, malgré une densité de tige élevée
l’ouverture de la canopée reste supérieure en bas-fond sans doute du fait d’une structure de
canopée ouverte associée aux îlots de palmiers E. oleracea en zone marécageuse.
12
Figure 6: Fréquence relative des hauteurs du MNC inférieure à 5 m par types forestiers. La barre
verticale représente l’écart-type de la moyenne estimée par ré-échantillonnage avec remise.
L’indice de rugosité retenu, le ratio de l’écart entre le premier et le dernier décile sur la médiane
des hauteurs du MNC, ou de façon équivalente le coefficient de variation qui lui est étroitement
corrélé (r=0.93) à l’échelle des placeaux de 125 par 125m, ne permet pas de bien distinguer les
traitements. Le seul type forestier bien isolé par cette statistique est le T0 : témoins sur sols à
drainage latéral. Les autres types présentent tous un indice plus élevé mais peu caractéristique. Il
est probable que dans le cas des parcelles exploitées (T1 à T3) cette augmentation de la rugosité
reflète les perturbations passées (dépressions locales dans le MNC dues aux trouées laissées par
l’exploitation des arbres avec effet compensatoire par comblement plus rapide des zones basses
par le recrû forestier pour les traitements les plus sévères) alors que la valeur élevée sur type T4
pourrait être liée à une fréquence plus élevée d’arbres émergents.
4. Discussion et conclusion
Cette étude exploratoire montre clairement que le LiDAR à petite empreinte est un outil adapté à
la discrimination des types forestiers en forêt dense tropicale humide, même lorsque l’on ne
dispose, comme dans le cas présent, que du dernier écho laser pour chaque point de mesure. Le
pouvoir discriminant de l’information extraite du levé altimétrique est au moins aussi bon que
celui issu des analyses dendrométriques (tableau 1). Ceci suggère que l’essentiel de l’information
contenue dans la structure dendrométrique est effectivement capté dans le signal LiDAR.
Le levé altimétrique devient même supérieur aux relevés dendrométriques si l’on considère le fait
que le MNT extrait du levé laser est lui même riche d’informations pertinentes sur le régime
hydrologique et permet d’estimer de façon raisonnablement correcte les zones hydromorphes en
l’absence de toute mesure de terrain.
Les analyses discriminantes mises en œuvre dans cette étude négligent complètement les relations
topologiques entre placeaux lors de leur classification (sauf dans le cas particulier des analyses qui
combinent des statistiques de surfaces élémentaires emboitées : cf. les deux dernières colonnes de
la première ligne du tableau 1). La prise en compte de cette information devrait permettre
d’améliorer significativement les classifications des différents types forestiers en ajoutant des
13
contraintes de connexité. Dans le cas général c’est d’ailleurs une segmentation de types forestiers
contigus inscrits dans un paysage qu’il conviendra de réaliser. Les techniques d’analyses d’images
hyperspectrales et notamment les versions probabilistes d’algorithmes du type Ligne de Partage
des Eaux (Noyel, 2008) pourraient être appliquées à des statistiques locales extraites du MNC. Ces
statistiques pourront combiner diverses tailles de surface élémentaire et inclure des indices de
texture.
Les développements futurs envisagés sont nombreux.
La très forte corrélation entre les données dendrométriques et les paramètres extraits du MNC
devra être confirmée sur une plus grande variété de couverts forestiers. Si la cohérence entre les
deux types de données reste aussi forte que dans la présente étude, le LiDAR présente une
alternative de premier choix pour calibrer des méthodes de cartographie de la végétation forestière
tropicale à l’aide d’imagerie satellite type Landsat-TM ou SPOT de par son potentiel à faire le lien
entre deux échelles très différentes.
L’utilisation d’un capteur multi-échos fournissant des informations sur le profil vertical de
végétation permettrait sans doute une augmentation significative du pouvoir discriminant des
types forestiers.
L’identification et la segmentation des couronnes (e.g. (Popescu et al., 2003) qui permettrait
d’extraire des statistiques de distribution de taille de couronne devrait également apporter des
informations nouvelles. Une condition de succès d’une telle approche semble être une densité
d’impulsions assez élevée de l’ordre de 10 impulsions au m2 (Hyyppä et al., 2004).
La détection des trouées et la mesure des surfaces des trouées est difficile à réaliser au sol mais
relativement simple à partir des données LiDAR brutes corrigées du relief (Gaulton and Malthus,
2008). La caractérisation des distributions de taille des trouées par type forestier permettra
d’établir un premier lien entre paramètres de structure et de dynamique puisque les trouées sont
crées par les arbres morts, qui tombent (chablis) ou dont le houppier se désagrège. L’analyse
multi-temporelle apparaît cependant comme la voie de prédilection pour aborder les liens entre
structure et fonctionnement de la forêt, les aspects dynamiques étant indissociables des
problématiques d’évaluation des capacités de stockage de carbone de la forêt sur le long terme.
Remerciements: Les auteurs remercient Audrey Jolivot (CIRAD Umr Ecofog) pour son aide dans
l’exploitation sur Système d’Information Géographique de Paracou ainsi qu’un relecteur anonyme
dont les remarques détaillées ont permis d’améliorer sensiblement le manuscrit initial. Cette étude
a été possible grâce à l’appui financier du Fond Européen de Développement Régional
(convention FEDER n°2907 du 04/11/08).
14
References
Axelsson P. 1999. Processing of laser scanner data-algorithms and applications. ISPRS Journal of
Photogrammetry and Remote Sensing 54: 138-147.
Böhner J, Köthe R, Conrad O, Gross J, Ringeler A, Selige T. 2002. Soil regionalisation by
means of terrain analysis and process parameterisation. In Research Report, pp. 213-222:
EUROPEAN SOIL BUREAU
Cimmery V. 2007. SAGA: System for Automated Geoscientific Analyses. pp. GIS Open Source.
Clark ML, Clark DB, Roberts DA. 2004. Small-footprint lidar estimation of sub-canopy
elevation and tree height in a tropical rain forest landscape. Remote Sensing of
Environment 91: 68-89.
Couteron P, Pelissier R, Nicolini EA, Paget D. 2005. Predicting tropical forest stand structure
parameters from Fourier transform of very high-resolution remotely sensed canopy images.
Journal of Applied Ecology 42: 1121-1128.
Drake JB, Dubayah RO, Clark DB, Knox RG, Blair JB, Hofton MA, Chazdon RL,
Weishampel JF, Prince S. 2002a. Estimation of tropical forest structural characteristics
using large-footprint lidar. Remote Sensing of Environment 79: 305-319.
Drake JB, Dubayah RO, Knox RG, Clark DB, Blair JB. 2002b. Sensitivity of large-footprint
lidar to canopy structure and biomass in a neotropical rainforest. Remote Sensing of
Environment 81: 378-392.
Drake JB, Knox RG, Dubayah RO, Clark DB, Condit R, Blair JB, Hofton M. 2003. Aboveground biomass estimation in closed canopy Neotropical forests using lidar remote
sensing: factors affecting the generality of relationships. Global Ecology & Biogeography
12: 147-159.
Gaulton R, Malthus TJ. 2008. LiDAR mapping of canopy gaps in continuous cover forests; a
comparison of canopy height model and point cloud based techniques. In SilviLaser 2008,
pp. 407-416. Edinburgh, UK.
Gourlet-Fleury S, Favrichon V, Schmitt L, Petronelli P. 2004a. Consequences of silvicultural
treatments on stand dynamics at Paracou. In In : Ecology and management of a neotropical
rainforest : lessons drawn from Paracou, a long-term experimental research site in French
Guiana. - Paris : Elsevier, pp. p. 254-280.
Gourlet-Fleury S, Ferry B, Molino JF, Petronelli P, Schmitt L. 2004b. Experimental plots :
key features. In Ecology and Management of a Neotropical Rainforest. Lessons drawn
from Paracou, a long-term experimental research site in French Guiana pp. 3-60. Edited
by S. Gourlet-Fleury JMGOL. Paris: Elsevier.
Hall P, Ashton PS, Condit R, Manokaran N, Hubbell SP. 1998. Signal and Noise in Sampling
Tropical Forest Structure and Dynamics. In: Dallmeier F, Comiskey JA eds. Forest
Biodiversity Research, Monitoring and Modeling. Paris: UNESCO Paris and The
Parthenon Publishing Group, International Publishers in Science, Technology &
Education.
Hall SA, Burke IC, Box DO, Kaufmann MR, Stoker JM. 2005. Estimating stand structure
using discrete-return lidar: an example from low density, fire prone ponderosa pine forests.
Forest Ecology and Management.
Holmgren J, Nilsson M, Olsson H. 2003. Estimation of Tree Height and Stem Volume on Plots
Using Airborne Laser Scanning. Forest Science 49: 419-428.
Hyyppä J, Hyyppä H, Litkey P, Yu X, Haggrén H, Rönnholm P, Pyysalo U, Pitkänen J,
Maltamo M. 2004. Algorithms and methods of airborne laser scanning for forest
15
measurements. International archives of photogrammetry, remote sensing and spatial
information sciences 36: 82-89.
Lefsky MA, Harding D, Cohen WB, Parker G, Shugart HH. 1999. Surface Lidar remote
sensing of basal area and biomass in deciduous forests of Eastern Maryland, USA - results
of an international survey. Remote Sensing of Environment 67: 83-98.
Lim K, Treitz P, Wulder M, St-Onge B, Flood M. 2003. LiDAR remote sensing of forest
structure. Progress in Physical Geography 27: 88-106.
Madelaine C, Pélissier R, Vincent G, Molino JF, Sabatier D, Prévost MF, de Namur C. 2007.
Mortality and recruitment in a lowland tropical rain forest of French Guiana: effects of soil
type and species guild. Journal of Tropical Ecology 23: 277-287.
Morneau F. 2007. Effets d'un gradient d'engorgement sur la structure et la dynamique d'une forêt
tropicale humide (Paracou, Guyane française). In Ecole Doctorale: Science et Ingéniérie
des ressources, procédés, produits environnement, pp. 252. PARIS: ENGREF AgroParis
Tech.
Morsdorf F, Meier E, Kotz B, Itten KI, Dobbertin M, Allgower B. 2004. LIDAR-based
geometric reconstruction of boreal type forest stands at single tree level for forest and
wildland fire management. Remote Sensing of Environment 92: 353-362.
Noyel G. 2008. Filtrage, réduction de dimension, classification et segmentation morphologique
hyperspectrale. In Centre de morphologie mathématique, pp. 264. PARIS: ENSMP.
Oldeman RAA. 1989. Dynamics in tropical rain forests. In: Mielsen LBH ed. Tropical Forests,
Botanical Dynamics, Speciation and Diversity: Academic Press.
Paget D. 1999. Etude de la diversité spatiale des écosystèmes forestiers guyanais. Réflexion
méthodologique et application. In Science forestière, pp. 154: ENGREF.
Popescu SC, Wynne RH, Nelson RF. 2003. Measuring individual tree crown diameter with lidar
and assessing its influence on estimating forest volume and biomass. Canadian Journal of
Remote Sensing 29: 564-577.
Sabatier D, Grimaldi M, Prévost M-F, Guillaume J, Gordon M, Dosso M, Curmi P. 1997.
The influence of soil cover organization on the floristic and structural heterogeneity of a
Guianan rain forest. Plant Ecology 131: 81-108.
Schmitt L. 1984. Recherches sylvicoles sur les peuplements naturels en forêt dense guyanaise.
Phase préliminaire: localisation du dispositif expérimental. pp. 38. Kourou: C.T.F.T. .
Steege Ht, Pitman NCA, Phillips OL, Chave J, Sabatier D, Duque A, Molino J-F, Prévost MF, Spichiger R, Castellanos H, Hildebrand Pv, Vasquez R. 2006. Continental-scale
patterns of canopy tree composition and function across Amazonia. Nature 443: 444-448.
16