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