Présentation Bastien-Ferland Raymond
Transcription
Présentation Bastien-Ferland Raymond
Inventaire forestier amélioré à la DIF et méthode k-NN Bastien Ferland-Raymond, M.Sc. Stat, M.Sc. Biol. Direction des inventaires forestiers Le 19 mars 2014 Atelier IFA, Shawinigan Plan de la présentation Inventaire amélioré à la DIF • Cartographie plus détaillée • Sondage plus représentatif • Compilation plus efficace Le k-NN • À l’échelle du peuplement • À l’échelle du forel • À l’échelle du secteur d’intervention Le LiDAR • Pour améliorer le k-NN 2 Une science en ébullition 3 Approche d’inventaire par peuplement écoforestier (AIPF) • 2008 - Réforme du processus d’inventaire • Objectifs: • Augmenter la qualité et la diversité des produits • Diminuer les coûts • Augmenter l’adaptabilité du processus 4 Photo aérienne NIR Approche d’inventaire par peuplement écoforestier (AIPF) Les grandes étapes de l’inventaire à la DIF : 5 Approche d’inventaire par peuplement écoforestier (AIPF) La cartographie Les grandes étapes de l’inventaire à la DIF : 6 Approche d’inventaire par peuplement écoforestier (AIPF) La cartographie – – – Hauteur au mètre près Densité en classes de 10 % Avant Maintenant Essences en classes de 10 % Hauteurs Hauteurs Maintenant Avant • Définition plus précise du … + contenu en essencesDensité par polygone Densité 1 24m 95% 22m Essences étagés Densité Hauteur –Programme Peuplements 100% 23m 2 5 mètres 20 % 85% 3e A• Chaque SE B 2 110mètre 17m étage est caractérisé % 22m 80% 4e 3 SbEn B 2 75% B Mixte 12m SbEn 75 18 21m 60% … 4 NAIPF Sb5En3Bp1Pe1 75 18 C 7m 20m 45% 5 40% Essences D 4m 19m 35% accompagnatrices 6 25% … 25% 2m 7 Approche d’inventaire par peuplement écoforestier (AIPF) Le sondage Révision de la stratégie d’échantillonnage Objectifs Résultats plus représentatifs Statistiques plus fiables Principales améliorations : Tous les peuplements forestiers de 7 m et plus sont sondés Plus d’exclusion des peuplements rares (dernier 25 %) Inclusion des forêts aménagées depuis 1990 Résultat : portrait plus juste de la forêt 8 Approche d’inventaire par peuplement écoforestier (AIPF) Les compilations forestières Méthode d’estimation k-NN k plus proches voisins (« k-Nearest-Neighbors ») Partie novatrice de l’approche par peuplement ! Principales améliorations par rapport à l’approche par strate SCIF : Résultats de qualité similaire ou supérieure Intensité d’échantillonnage réduite (économie $$$) Méthode simple, flexible et évolutive 9 Le k-NN Analyse statistique qui gagne en popularité dans le domaine forestier Analyse de similarité entre les placettes et les éléments forestiers d’intérêt Similarité calculée en fonction : • • • • variables cartographiques (ex. essence, densité, etc.) variables climatiques (ex. température moyenne, etc.) variables géographiques (ex. pente, drainage, etc.) images satellites (ex. bandes spectrales) L’information doit être disponible mur-à-mur 10 Le k-NN Technique statistique flexible Adaptable à différentes échelles : • Échelle du peuplement • Échelle du forel • Échelle du secteur d’intervention 11 k-NN : Échelle du peuplement Peuplements sondés 1 peuplement d’intérêt 1. Analyse de similarité 12 k-NN : Échelle du peuplement Peuplements sondés 1 peuplement d’intérêt si k = 3 1 2 3 13 2. Sélection des « k » peuplements sondés les plus similaires k-NN : Échelle du peuplement Peuplements sondés si k = 3 14 1 peuplement d’intérêt Volume = 115 m3/ha 3. Variables dendrométriques estimées à partir des placettes des « k » peuplements sélectionnés k-NN : Échelle du peuplement ES: 122 m3/ha EO: 24 m3/ha BJ: 12 m3/ha HG: 8 m3/ha … EN: 45 m3/ha SB: 11 m3/ha BP: 1 m3/ha … EO: 93 m3/ha SB: 18 m3/ha BP: 10 m3/ha … 15 SB: 98 m3/ha EN: 40 m3/ha BJ: 5 m3/ha … k-NN : Échelle du forel 16 k-NN : Échelle du forel Analyse en pixels de forêt ou «forels» placetteéchantillon rayon 11.28 (400 m²) forel 20 m x 20 m (400 m²) Taux de superposition d’environ 91 % 17 k-NN : Échelle du forel Nouvelles opportunités: • technologiques Imagerie 18 19 Landsat RapidEye Photo k-NN : Échelle du forel Nouvelles opportunités: • Technologiques • Imagerie LiDAR Statistiques k-NN 20 k-NN : Échelle du forel 21 La carte forel • La Tuque • • • Parc de la Mauricie 22 • Shawinigan Raster en geoTiff, Un par variable, Secteur Sorbier Peuplements > 7m Secteur Sorbier Bouleau Jaune 23 Secteur Sorbier Érable à sucre 24 Secteur Sorbier Sapin Baumier 25 Secteur Sorbier 26 Secteur Gros-Élan k-NN : Échelle du forel 27 k-NN : Échelle du forel Secteur Gros-Élan Bouleau à papier 28 k-NN : Échelle du forel Secteur Gros-Élan Épinette noire 29 k-NN : Échelle du secteur d’intervention Le k-NN est très flexible et peut être appliqué à grande échelle (UAF) et à petite échelle (secteur intervention) Collaboration sur un projet réalisé par la DAEF sur l’intégration du LiDAR et du k-NN dans le processus de planification forestière 30 k-NN : Échelle du secteur d’intervention 31 k-NN : Échelle du secteur d’intervention 32 k-NN : Échelle du secteur d’intervention 33 k-NN : Échelle du secteur d’intervention Pour être efficace, les placettes doivent être: • Bien localisées • Idéalement à rayon fixe • Suivre un plan de sondage statistiquement valide 34 Le k-NN et le LiDAR Le LiDAR peut amener un énorme gain dans le k-NN Son information est mur-à-mur et peut s’adapter à n’importe quelle échelle (peuplement, forel 20 m, forel 30 m, etc.) À l’échelle de la DIF, le LiDAR est dispendieux à acquérir. • Nécessite des partenariats pour le rentabiliser 35 Le k-NN et le LiDAR 36 Le k-NN et le LiDAR Deux gestions du LiDAR possibles : • analyse de surface • analyse à l’arbre 37 Autres projets à la DIF Projet IQB (indice de la qualité du bois) propriétés mécaniques et physiques • • • • • • Densité du bois Module d’élasticité Angle des microfibrilles Proportions de bois juvénile et mature Proportion de bois final Couleur des bois Essences : EPN, EPB, SAB, PIG, BOP, PET Spectroscopie proche infrarouge et imagerie 38 Autres projets à la DIF Projet GIM • Projets de partenariat : FPInnovations, industriel, DIF, DGR04, … • L’un des projets vise à tester l’apport de différentes approches d’inventaire amélioré dans l’optimisation de la chaîne de valeur 39 Merci! 40 Photo: Yves Landry