Apport du lidar spatial pour le développement de méthodes d'inventaire forestier multisource adaptées à la gestion durable des forêts dans un contexte de changement global

Contribution of spaceborne lidar to the development of multisource forest inventory methods adapted to sustainable forest management in a context of global change

• Auteur / Autrice : Anouk Schleich
• Direction : Sylvie Durrieu, Cédric Vega
• Type : Thèse de doctorat
• Discipline(s) : Géomatique
• Date : Soutenance le 25/04/2024
• Etablissement(s) : Paris, AgroParisTech
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier) - Territoires- Environnement- Télédétection et Information Spatiale / UMR TETIS
• Partenaire(s) de recherche : Equipe de recherche : ATTOS Acquisition, Télédétection, Traitement et Observations Spatiales
• Jury : Président / Présidente : Pierre Couteron
• Jury : Examinateurs / Examinatrices : Pierre Couteron, Richard Fournier, Philippe Lejeune
• Jury : Rapporteurs / Rapporteuses : Richard Fournier, Richard Fournier
• DOI : 10.70675/a96406c1z4cc2z439az8c74z70dc8b327404

Mots clés

Mots clés libres

Inventaire forestier multisource

Gedi

Lidar Spatial

Géoréférencement

Stratification

K plus proches voisins

Multisource forest inventory

Gedi

Spaceborne lida

Georeferencing

Stratification

Knn

Résumé

En France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés.

The thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an error map according to X and Y offsets. Using a flow accumulation algorithm on this error map, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500 IFN plots and over 100,000 GEDI footprints.The first approach is a double sampling for stratification (2SS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. 2SS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI's sampling pattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, was also verified. Compared with estimates based only on NFI data, the 2SS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to ''densify'' NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. The volume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting dense sample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented.