Apport des données Sentinel-1 pour le suivi continu de la forêt tropicale : cas de la Guyane

Contribution of Sentinel-1 data for the continuous monitoring of the tropical forest : Case of French Guiana

• Auteur / Autrice : Marie Ballere
• Direction : Pierre-Louis Frison
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'Information Géographique
• Date : Soutenance le 22/11/2021
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Président / Présidente : Laetitia Thirion
• Jury : Examinateurs / Examinatrices : Pierre-Louis Frison, Jérôme Chave, Thierry Koleck, Pierre Couteron, Inge Jonckheere
• Jury : Rapporteurs / Rapporteuses : Jérôme Chave

Mots clés

Mots clés contrôlés

Origines

Déboisement

Apprentissage automatique

Satellites artificiels en télédétection

Régions tropicales

Forêts

Mots clés libres

Déboisement

Forêt tropicale

Suivi continu

Sentinel-1

Cause du déboisement

Apprentissage automatique

Deforestation

Tropical forest

Continuous monitoring

Sentinel-1

Drivers of deforestation

Machine-Learning

Résumé

Les forêts tropicales abritent la biodiversité la plus riche de notre planète et jouent un rôle particulièrement important dans le stockage du carbone et le cycle de l’eau. Le suivi de la dégradation de ce milieu est un défi d’actualité car il représente un danger immédiat pour l’environnement et la biodiversité. Par ailleurs, depuis 2014, la mise en orbite des satellites Sentinel dans le cadre du programme européen Copernicus constitue une réelle révolution dans le panorama des capteurs d’observation de la Terre existants jusqu’alors. En effet, des données optiques (Sentinel-2) et radar (Sentinel-1) sont, depuis lors, accessibles librement à tous et permettent des acquisitions à une résolution décamétrique et une répétitivité allant de 5 à 12 jours selon la région analysée. L’objectif de cette thèse consiste donc à développer des méthodes pour le suivi de la forêt tropicale basées sur des données radar Sentinel-1 et des produits de cartographie exogènes. Plus spécifiquement, l’étude a pour but de fournir des outils pour observer le déboisement, en produisant des cartes en quasi-temps réel, puis en caractérisant les zones détectées avec la cause de leur déboisement. Ces informations sont nécessaires à l’estimation et au suivi du déboisement sur les zones tropicales, et à la lutte contre les défriches illicites.La région test est la Guyane. Couverte à plus de 95% par la forêt, elle est caractérisée par de nombreux types de perte forestière permettant de valider la méthode sur de nombreuses caractéristiques. De plus, ce territoire étant relativement bien surveillé, beaucoup de données cartographiques d’occupation du sol sont disponibles pour situer les déboisements ou pour servir de référence au niveau spatial. La première phase du travail est l’amélioration d’une méthode de détection du déboisement à partir des données Sentinel-1 et son évaluation sur la Guyane. La validation de la carte produite s’appuie sur 1 867 données (de différents types de déboisement) produites de manière indépendante, et représentant un total de 2 124.5 ha à travers toute la Guyane sur une période de 2 ans. Les résultats obtenus sur la Guyane au niveau spatial sont très satisfaisants : 96% de précision sur les surfaces déboisées et 81.5% de rappel. La mise en place d’une campagne terrain a rendu possible l’estimation du côté quasi-temps réel de la méthode sur 26 parcelles et avance un délai médian de détection de 3.5 jours. Une comparaison avec un produit optique souvent pris comme référence, a démontré l’avantage des données Sentinel-1 pour ces régions caractérisées par de fortes couvertures nuageuses. Cette meilleure performance s’observe tant sur le plan spatial (rappel du radar supérieur de plus de 35%), que sur le plan temporel (un tiers des zones déboisées nécessitant une surveillance est détecté avec 3 mois de retard par les images optiques). La deuxième partie du travail consiste à caractériser les zones déboisées détectées afin de déterminer leur cause. Pour cela, des méthodes d’apprentissage automatique ont été utilisées pour choisir des indicateurs cartographiques pertinents, permettant de produire un modèle prédictif simple, fiable, automatique et utilisable à l’échelle de la Guyane en temps-réel. Les indicateurs F-scores de chaque type de déboisement sont de 97% pour l’orpaillage et l’agriculture, 95% pour l’exploitation forestière, 87% pour l’urbanisation et 76% pour la classe « autre », pouvant se rapporter à des perturbations naturelles. Ce travail a montré la pertinence d’utiliser des indicateurs cartographiques pour déterminer la cause des déboisements en Guyane, permettant cette identification en temps-réel. Ces travaux qui démontrent le potentiel des données Sentinel-1 pour le suivi continu des forêts tropicales ont été menés en interaction avec les acteurs locaux. Ils montrent également la complémentarité de systèmes provenant de capteurs différents et pourront être poursuivis en ce sens

Tropical forests are home to the richest biodiversity on our planet and play a particularly important role in carbon storage and the water cycle. Monitoring the degradation of this environment is currently a challenge because it represents an immediate danger for the environment and biodiversity. Moreover, since 2014, the launch of the Sentinel satellites within the framework of the European Copernicus program constitutes a real revolution in the panorama of Earth observation sensors existing until then. Indeed, optical (Sentinel-2) and radar (Sentinel-1) data are, since then, freely accessible to all and allow acquisitions with a decametric resolution and a repeatability ranging from 5 to 12 days depending on the region analyzed. The objective of this thesis is to develop methods to monitor the tropical forest based on Sentinel-1 radar data and exogenous mapping products. More specifically, the study aims to provide tools to observe deforestation, by producing maps in near-real time, and then characterizing the detected areas with the driver of their deforestation. This information is needed to estimate and monitor deforestation in tropical areas, and to fight against illegal deforestation. The study site is French Guiana. With 95% forest coverage, it is characterized by many types of forest loss allowing the method to be validated on multiple characteristics. Moreover, as this area is already relatively well monitored, a lot of cartographic data is also available in order to locate forest loss or to be a reference at the spatial level.The first phase of the work is the improvement of a deforestation detection method from Sentinel-1 data and its evaluation over French Guiana. The validation of the map produced is based on 1 867 data (of different types of deforestation) produced from distinct organizations, and representing a total of 2 124.5 ha throughout French Guiana over a period of 2 years.The results obtained in French Guiana at the spatial level are very satisfactory: 96% accuracy in detecting deforested areas and 81.5% producer’s accuracy. The implementation of a field campaign has made it possible to estimate the quasi-real time side of the method on 26 plots and gives a median detection time of 3.5 days. A comparison with an optical product often taken as a reference, demonstrated the advantage of Sentinel-1 data in those regions characterized by high cloud cover. This best performance is observed both spatially (radar recall higher than 35%), and temporally (one third of the areas deforested requiring monitoring are detected within a 3-month delay by optical images).The second part of the work consists in characterizing the detected deforested areas in order to determine their cause. For this, machine learning methods were used to select relevant cartographic indicators, allowing to produce a simple, reliable, automatic and usable predictive model at French Guiana’s scale in real time.The F-scores for each type of deforestation are 97% for gold panning and agriculture, 95% for logging, 87% for urbanization, and 76% for the "other" class, which may refer to natural disturbances. This work has shown the relevance of using cartographic indicators to determine the drivers of deforestation in French Guiana, allowing this identification in real time. This work, which demonstrates the potential of Sentinel-1 data for continuous monitoring of tropical forests, was conducted in interaction with local stakeholders. They also show the complementariness of systems from different sensors and efforts can be continued in that regard