Cartographie à haute résolution de la hauteur et de la biomasse des forêts françaises à l’aide de télédetection spatiale et d’apprentissage profond

Mapping forest height and biomass at high resolution in France with satellite remote sensing and deep learning

• Auteur / Autrice : Martin Schwartz
• Direction : Philippe Ciais, Catherine Ottle, Jean-Pierre Wigneron
• Type : Thèse de doctorat
• Discipline(s) : Géosciences
• Date : Soutenance le 19/12/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale des sciences de l'environnement d'Île-de-France
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences du climat et de l'environnement (Gif-sur-Yvette, Essonne ; 1998-....)
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-....)
• Jury : Président / Présidente : Valérie Daux
• Jury : Examinateurs / Examinatrices : Sylvie Durrieu, Marc Simard, Claire Monteleoni, Laura Duncanson, Alessandro Cescatti
• Jury : Rapporteurs / Rapporteuses : Sylvie Durrieu, Marc Simard

Mots clés

Mots clés contrôlés

Forêts -- Incendies

Apprentissage profond

Satellites artificiels en télédétection

Biomasse des forêts

Forêts -- France

Mots clés libres

Forêt

Biomasse

Télédetection

Changement climatique

Deep Learning

Gedi

Biomass

Forest

Remote sensing

Climate change

Deep Learning

Gedi

Résumé

Les forêts jouent un rôle majeur dans la régulation du cycle du carbone et ont une place centrale dans la lutte contre le changement climatique. L'augmentation des stocks de biomasse forestière est au cœur de la stratégie nationale bas carbone française visant la neutralité carbone d'ici 2050 et de la stratégie européenne de baisse de 55% des émissions. Les forêts françaises sont en majorité divisées en parcelles de quelques hectares ce qui rend la distribution de biomasse très hétérogène parfois au sein d'un même massif forestier. Assurer un suivi en temps réel à une échelle pertinente pour les opérations de gestion forestière requiert donc l'appui de données à haute résolution spatiale et temporelle. Cette thèse a pour objectif l'exploitation de nouvelles données satellites optiques (Sentinel-2), RADAR (Sentinel-1) et LiDAR (GEDI, à bord de la station spatiale Internationale) couplées aux récentes avancées en termes d'intelligence artificielle pour améliorer notre connaissance relative à la dynamique des stocks de carbone de biomasse aérienne à l'échelle locale en France.La première partie de ce travail est consacrée au développement et à l'évaluation d'une méthodologie qui se concentre sur la forêt des Landes de Gascogne, une plantation de pins maritimes d'un million d'hectares dans le sud-ouest de la France. On adapte un modèle de deep learning utilisé à l'origine pour la segmentation d'images médicales (U-Net) en l'entraînant à prédire des hauteurs, acquises par LiDAR (GEDI), avec de l'imagerie satellite optique (Sentinel-2) et RADAR (Sentinel-1). En comparant à des mesures de hauteur indépendantes, on montre que la carte obtenue pour l'année 2020 est plus précise que les autres produits existants dans les Landes, ouvrant la voie à une meilleure compréhension des structures forestières à petite échelle.Le deuxième chapitre a pour objectif la création de cartes de biomasse à haute résolution à l'échelle nationale en reprenant la méthode utilisée précédemment. La carte des hauteurs d'arbres sur la France montre de très bons résultats de validation qui surpassent ceux de précédentes études. Nous développons par ailleurs un modèle d'équations allométriques pour convertir la carte de hauteur en cartes de biomasse et de volume à 30 m de résolution. Ces produits, disponibles en ligne sous les acronymes FORMS-H, FORMS-V, FORMS-B (FORest Multiple Satellite Height, Volume, Biomass), participent à une meilleure connaissance des forêts françaises à l'échelle locale et contribuent à des prises de décision éclairées en matière de gestion forestière.Le troisième chapitre explore un cas d'usage des cartes générées précédemment. En associant la carte FORMS-H à des polygones de feux à haute résolution ainsi qu'à des mesures locales de biomasse forestière, nous obtenons des estimations précises des surfaces brûlées et de la biomasse affectée par les feux de forêt des trois dernières années. Nos résultats révèlent une perte significative de biomasse dans les forêts tempérées en 2022 qui souligne l'impact dévastateur des incendies dans ces régions.Le dernier chapitre vise à l'obtention d'un indicateur de croissance forestière annuelle en modifiant nos méthodes. Ici, nous utilisons des images satellites brutes, au lieu de moyennes temporelles, pour entraîner le modèle à prédire des hauteurs indépendamment des conditions d'acquisition. Nous obtenons alors une série temporelle de hauteurs en France sur six ans contenant un signal de croissance annuelle à l'échelle de la parcelle, en particulier pour les essences à croissance rapide comme le Pin Maritime. Ce chapitre ouvre une voie intéressante vers le suivi annuel du bilan de carbone à l'échelle locale des forêts françaises.Cette thèse, par sa contribution significative à la cartographie des hauteurs et de la biomasse des forêts françaises, apporte des informations cruciales pouvant être utilisées dans le cadre d'une gestion forestière alignée avec les enjeux climatiques actuels.

The major role played by forests in the carbon cycle is a key component in climate change mitigation. Increasing forest biomass stocks is at the center of France's national low-carbon strategy, which aims to achieve carbon neutrality by 2050 and is a key element of the European strategy to cut emissions by 55%. French forests are mainly divided into small parcels of a few hectares, which results in a very heterogeneous biomass distribution at the local scale. Therefore, ensuring real-time monitoring at a scale that is relevant to forest management operations requires the support of high spatial and temporal resolution data. The aim of this thesis is to use new optical (Sentinel-2), RADAR (Sentinel-1), and LiDAR (GEDI, onboard the International Space Station) satellite data, coupled with recent advances in artificial intelligence, to improve our knowledge of the dynamics of aerial biomass carbon stocks on a local scale in France.The first part of this work is devoted to the development and evaluation of a methodology focusing on the Landes de Gascogne forest, a one million-hectare maritime pine plantation in southwestern France. We used a deep learning model originally designed for medical image segmentation (U-Net) by training it to predict heights from the GEDI LiDAR sensor using optical (Sentinel-2) and RADAR (Sentinel-1) satellite imagery. Comparison with independent height measurements shows that the map obtained for the year 2020 is more accurate than all other existing products for the Landes forest, paving the way for a better understanding of small-scale forest structures.The aim of the second chapter is to create high-resolution biomass maps at a national scale using the same method as previously. The height map for France shows very good validation results, surpassing those of previous studies. We also developed allometric equations to convert the height map into biomass and volume maps at 30 m resolution. These products, which are available online under the acronyms FORMS-H, FORMS-V, and FORMS-B (FORest Multiple Satellite Height, Volume, Biomass), improve our knowledge of French forests at the local level and can inform decision processes in forest management.The third chapter explores a use case for the maps generated above. By combining the FORMS-H map with high-resolution fire polygons and local measurements of forest biomass, we obtained precise estimates of the areas burnt and the biomass affected by forest fires over the last three years. Our results reveal a significant loss of biomass in temperate forests in 2022, underlining the devastating impact of fires in these regions.The final chapter aims to obtain an annual forest growth indicator by modifying our methods. Here, we used raw satellite images, rather than time averages, to train the model to predict heights independently of the acquisition conditions. We then obtained a time series of heights in France over six years that contained an annual growth signal at plot level, particularly for fast-growing species such as the Maritime Pine. This chapter opens up an interesting avenue for the annual monitoring of the carbon budget of French forests at the local level.Through its significant contribution to the mapping of height and biomass of French forests, this thesis provides crucial information that can be used in the context of forest management in line with current climate issues.