Cultiver des forêts durables grâce à l’analyse de l’imagerie satellite

Depuis plus de 100 ans, le service forestier du département de l’Agriculture des États-Unis (USDA) a contribué à maintenir la santé, la diversité et la productivité des forêts et prairies du pays pour les générations actuelles et futures. Le programme Forest Inventory and Analysis (FIA) de l’USDA a été créé pour améliorer l’utilisation et l’intégration des technologies de télédétection avancées afin de soutenir cette mission.

Dans cette vidéo, des représentants du service forestier de l’USDA parlent du programme FIA et exposent l’aspect scientifique qui sous-tend leur projet cartographique. Pour régler des problèmes d’analyse raster multidimensionnel complexes, les membres du service forestier de l’USDA tirent parti de la versatilité d’ArcGIS et de Python afin de créer des algorithmes de Machine Learning personnalisés qui modélisent la relation entre l’imagerie satellite et les caractéristiques forestières qu’ils mesurent. En suivant l’évolution au fil du temps de chaque pixel dans une image satellite, ils peuvent surveiller la saisonnalité et la végétation, prévoir les périodes de sécheresse et l’impact environnemental et mieux comprendre les espèces forestières. Les données développées sont ensuite utilisées pour éclairer les décisions politiques et de gestion liées aux forêts nationales. Elles sont également mises à la disposition du public pour créer ensemble un avenir durable.

Regardez la vidéo pour voir les démonstrations des outils utilisés dans le cadre du programme FIA ou poursuivez votre lecture des points clés.
 

Ce contenu est accessible au public, publié dans l’organisation ArcGIS Online US Forest Service, ArcGIS Living Atlas of the World et des portails Open Data. Ce type de carte offre la possibilité de renseigner des outils explicites spatialement qui peuvent être intégrés dans des plans de conservation pour favoriser la gestion du carbone, la gérance de la faune, la restauration des bassins versants et d’autres services environnementaux.

Voici deux exemples d’utilisation de ces services dans vos propres analyses avec des outils de géotraitement, des fonctions raster et bien plus.

1. Sécheresses : les périodes de sécheresse ont un impact considérable sur les forêts et les bois, et les scientifiques de l’USDA utilisent déjà les résultats de BIGMAP pour diffuser largement les projections des modèles de sécheresse. Des sécheresses importantes ont été mises en évidence en examinant l’exposition des dernières années aux alentours de la Grande Vallée en Californie. En réalisant des projections jusqu’en 2040, on constate que l’exposition aux sécheresses se déplace de la Californie centrale vers les montagnes Rocheuses du sud.
   
   

2. Séquestration du carbone : l’ajout de données à un modèle d’adéquation permet d’identifier les zones dans le Nord-Ouest Pacifique présentant des opportunités de plantation sans menaces significatives. Ces zones peuvent jouer un rôle important pour réaliser une ingérence partagée et mettre en place des plans de limitation des risques climatiques et de restauration.

Voici quelques exemples d’autres applications cartographiques :

• Cartographie des principaux groupes du carbone des forêts
• Surveillance de la saisonnalité dans la végétation et structure forestière globale
• Affichage des pertes en carbone des forêts en raison de perturbations telles que des incendies et des tornades
• Modélisation de l’adéquation des opportunités de plantation sans menaces significatives

Voici cinq techniques de modélisation utilisées :

Phénologie des végétaux

En suivant l’évolution au fil du temps, nous pouvons surveiller la saisonnalité, les cycles de végétation et la sénescence sur de vastes zones géographiques afin d’identifier différents types de forêt, la composition des espèces d’arbre et la structure forestière globale.

Régression harmonique

Utilisée pour analyser la série chronologique capturée dans la phénologie des végétaux, cette technique nous permet de caractériser non seulement l’état moyen de la végétation, mais également l’évolution de cet état au cours d’une année.

Ordination écologique

Ces coefficients qui décrivent les variations saisonnières de la végétation, ainsi que d’autres données complémentaires comme le climat et la topographie, peuvent être combinés à des données de réponse collectées sur des parcelles d’inventaire forestier afin d’ordonner les espèces d’arbre le long de gradients environnementaux.

Imputation des k voisins les plus proches

La localisation des parcelles dans l’espace d’entités des gradients environnementaux peut être utilisée avec l’algorithme des k voisins les plus proches (kNN), qui fonctionne en attribuant un « ensemble de parcelles » à chaque pixel en fonction de sa proximité mesurée dans l’espace d’entités.

Prévision et cartographie

Chaque ensemble représente un groupe d’enregistrements, stockés dans la base de données du programme FIA, à partir duquel chacun peut réaliser des prévisions au niveau des pixels, quantifier l’incertitude et apparier différents attributs forestiers.