Détection des variations de structure de
Transcription
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