Content uploaded by Michez Adrien
Author content
All content in this area was uploaded by Michez Adrien on May 02, 2020
Content may be subject to copyright.
FORESTIMATOR : un plugin QGIS d’estimation de la hauteur dominante
et du Site Index de peuplements résineux à partir de LiDAR aérien
Laurent Dedry1, Olivier De Thier1, Jérôme Perin1, Adrien Michez1, Stéphanie Bonnet1, Philippe Lejeune1
1 : Université de Liège - Gembloux Agro-Bio Tech, Gembloux, p.lejeune@ulg.ac.be
Résumé
La hauteur dominante est une information souvent utilisée en gestion forestière. Il s'agit d'un bon indicateur du niveau de
développement des peuplements, pouvant être employé pour estimer le niveau de productivité des peuplements purs
équiennes. Cependant, son estimation à partir de mesures de terrain est relativement fastidieuse et coûteuse. Depuis
plusieurs années, le LiDAR est reconnu pour sa capacité à estimer la hauteur des couverts forestiers de manière
précise. En Wallonie, une couverture LiDAR basse densité (0,8 points/m² au sol) est disponible sur l’intégralité du
territoire. Cet article présente un outil d’aide à la gestion forestière s’appuyant sur un modèle de prédiction de la hauteur
dominante à partir de données LiDAR aérien. Les estimations fournies par ce modèle sont ensuite couplées à des
modèles de croissance en hauteur dominante qui permettent une mise à jour de la hauteur dominante au cours du
temps et l’estimation du Site Index (indice de productivité). Cet outil a été validé pour les peuplements d’épicéa commun
(Picea abies (L.) H. Karst.f) et de douglas (Pseudotsuga menziesii (Mirb.) Franco) sur une emprise géographique
correspondant à la Wallonie (Belgique).Pour permettre une utilisation aisée, il a été intégré dans un plugin du logiciel de
Système d’Information Géographique (SIG) open source QGIS. Gratuit et facile d’utilisation, il est destiné aux
gestionnaires forestiers et aux scientifiques.
Mots-clés : LiDAR aérien, hauteur dominante, indice de productivité, SIG open source, QGIS, Wallonie
Abstract
In forestry, top height is a common parameter used as indicator of the stand development stage. It can be used to
estimate the potential production of monospecific even-aged stands. However, accurate field estimation of top height is
time-consuming and expensive. Since the last two decades, LiDAR has proven to be very useful in estimating forest
heights. In Wallonia, a low density LiDAR dataset (0.8 points /m² on ground-level) is available for the whole territory. This
paper outlines a tool, based on a predictive model of top height from airborne LiDAR data, to help forest management
decision-making. The estimations provided by the model are associated with top height growth models to update top
height over time and then estimate Site Index. The model has been validated for Norway spruce (Picea abies (L.) H.
Karst.) and Douglas-fir (Pseudotsuga menziesii (Mirb.) Franco) stands in the entire Wallonia area (Belgium). In order to
facilitate access to these models, the process has been implemented as a plugin of the open source GIS software QGIS.
Free and user-friendly, it is aimed to be used by forest managers and scientists.
Keywords: Airborne LiDAR, top height, Site Index, open source GIS, QGIS, Wallonia
1. Introduction
L’évaluation précise et continue de la ressource
ligneuse est un préalable à la mise en place d’une
gestion forestière durable. Classiquement, la
caractérisation de cette ressource s’appuie sur des
inventaires au sol réalisés par échantillonnage. Les
arbres situés au sein d’un nombre limité de placettes
font l’objet d’une série de mesures dendrométriques
(diamètre à hauteur de poitrine, hauteur totale, hauteur
de cime, etc.). Les mesures ainsi récoltées permettent,
après l'application de méthodes de calcul appropriées,
de produire des indicateurs décrivant la structure du
peuplement, le stock de bois sur pied ou encore l’état
de la régénération.
Certains indicateurs, indispensables à la mise au point
de scénarios de gestion sylvicole, reposent
généralement sur des mesures répétées dans le temps.
C'est par exemple le cas de l'accroissement périodique
en volume. Il existe néanmoins des solutions plus
simples pour estimer le potentiel de production d'un
peuplement équienne dès lors que l'on connaît son âge
et sa hauteur dominante (Hägglund, 1981 ; Sharma et
al., 2002). La hauteur dominante (Hdom), définie
comme la hauteur moyenne des 100 plus gros arbres
par hectare (Rondeux, 1999), présente un intérêt tout
particulier pour les gestionnaires forestiers car son
évolution au cours du temps est, d'une part, fortement
corrélée avec le potentiel de production des
peuplements purs équiennes et, d'autre part, peu
influencée par les opérations sylvicoles. La hauteur
dominante, considérée à un âge de référence donné
(50 ans dans le cas de peuplements résineux en
Belgique), appelée aussi Site Index (ou indice de
productivité), peut ainsi être utilisée pour estimer la
productivité des peuplements forestiers sans avoir
recours à de fastidieuses et coûteuses mesures
dendrométriques répétées dans le temps sur des
placettes permanentes.
Depuis ses premières applications en foresterie dans le
courant des années 90 (Nilsson, 1996 ; Naesset, 1997),
le LiDAR (Light Detection And Ranging) a largement
été étudié pour sa capacité à caractériser la ressource
forestière et plus spécifiquement à mesurer des
hauteurs, que ce soit à l’échelle du peuplement
(Naesset et al, 2001), de la placette (Holmgren et al.,
2003) ou de l’arbre (Persson et al., 2002 ; Popescu et
al., 2004 ; Kaartinen et al., 2012). Le succès des
applications LiDAR dans le domaine forestier s’explique
en grande partie par sa capacité à fournir une vision
tridimensionnelle du couvert forestier, alors que les
autres techniques de télédétection se limitent
généralement à fournir une représentation du toit de la
canopée (Coops et al., 2004).
La précision des estimations de hauteurs dominantes
dérivées du LiDAR est admise comme étant
comparable à celle obtenue avec des mesures
d’inventaires classiques (Naesset, 2004 ; Maltamo et
al., 2009). Elle varie en fonction des paramètres
d’acquisition (densité de points, altitude de vol, angle et
fréquence d’émission), de la structure des
peuplements, de la saison à laquelle s’effectue
l’acquisition, des erreurs de positionnement sur le
terrain, etc. (Naesset et al., 2014). Le LiDAR est
maintenant utilisé de manière opérationnelle dans des
inventaires forestiers de nombreux pays (White et al.,
2013a ; Naesset 2007 ; Maltamo et al. 2011 ; Woods et
al. 2011).
En raison de son coût relativement élevé, la répétition à
intervalle régulier de vols LiDAR sur de larges territoires
reste difficilement envisageable. Dans ce contexte, le
développement d’outils permettant la mise à jour de
données dérivées du LiDAR peut s’avérer
particulièrement intéressante (White et al., 2013b). Par
exemple, Watt et al. (2013) proposent des modèles
permettant d’actualiser les estimations de hauteurs
dominantes en combinant des données LiDAR avec
des données satellites. Ces dernières, collectées
annuellement, sont utilisées pour actualiser l’estimation
de la hauteur dominante au cours du temps.
En Belgique, des modèles de croissance en hauteur
dominante ont récemment été établis pour les
peuplements purs équiennes d’épicéa, de douglas et de
mélèzes (Perin et al., 2013 ; 2014). Ils permettent de
prédire la croissance en hauteur dominante et le Site
Index d’un peuplement lorsque la date de plantation et
la hauteur dominante à un âge donné sont connues.
Couplés à des estimations de hauteur dominante
découlant de données LiDAR, ces modèles rendent
possible une actualisation de ces dernières au cours du
temps et l’évaluation du Site Index.
L’utilisation de logiciels open source tend à se
développer fortement dans la communauté scientifique
de même que dans le monde forestier (Morgenroth et
al., 2013 ; Bastin et al., 2012). Les modalités d’accès
aux données ont aussi fortement évolué, avec le
développement des services Web. Parmi ces services
on distingue notamment les Web Map Services (WMS)
qui renvoient au client (l’utilisateur) une carte
géoréférencée, produite sous forme d’image, au départ
d’un serveur de données distant. Les Web Processing
Service (WPS) quant à eux permettent à un client de
soumettre l’exécution d’un géotraitement à un serveur
distant. Ces nouveaux outils facilitent grandement le
transfert standardisé d’informations et facilitent l’accès
des utilisateurs aux résultats produits par les
chercheurs.
Cet article présente un outil d’aide à la gestion
forestière s’appuyant sur un modèle de prédiction de la
hauteur dominante à partir de données LiDAR aérien.
Les estimations de hauteurs dominantes découlant des
données LiDAR sont ensuite couplées à des modèles
de croissance en hauteur dominante préexistants qui
permettent une mise à jour de la hauteur dominante au
cours du temps et l’estimation du Site Index. Ces
fonctionnalités ont été développées sous la forme d’une
architecture client-serveur. Une extension (plugin) du
logiciel SIG open source QGIS joue le rôle de client et
un serveur associé à un système de gestion de base de
données spatiale (PostGIS) réceptionne et traite les
requêtes. L’outil a été développé pour l’épicéa commun
(Picea abies (L.) H. Karst.) et le douglas (Pseudotsuga
menziesii (Mirb.) Franco) pour une emprise
géographique correspondant à la Wallonie (région au
sud de la Belgique).
2. Matériel
2.1. Zone d’étude
La zone d’étude concerne l’ensemble du territoire de la
Wallonie (Belgique). Elle couvre une surface de
16 844 km² (Figure 1). L’altitude y varie de 20 m à
pratiquement 700 m.
Figure 1 : Plan de découpage des campagnes
d’acquisition LiDAR en huit blocs. Distribution des
placettes de l’Inventaire Permanent des Ressources
Forestières de Wallonie utilisées pour la construction
des modèles de hauteur dominante (points noirs).
La surface des forêts considérées comme productives
est de 4753 km² (28% du territoire) répartie en 57% de
peuplements feuillus, 40% de peuplements résineux et
3% de surface en attente de reboisement. L’épicéa
commun et le douglas représentent respectivement
66% et 10% des peuplements résineux, auxquels il
convient d’ajouter 6% de peuplements où ces 2
essences sont en mélange (Office Économique Wallon
du Bois, 2013).
La sylviculture appliquée à ces 2 essences est
majoritairement basée sur des plantations denses
comportant entre 2000 et 3000 plants par ha. Ces
peuplements équiennes sont régulièrement éclaircis
dès l’âge de 20-25 ans et récoltés lorsqu’ils atteignent
les dimensions d’exploitabilité (circonférences à hauteur
de poitrine allant de 120 à 150 cm pour l’épicéa et
supérieures à 180 cm pour le douglas). Les
peuplements non éclaircis sont très rares en Wallonie.
2.2. Données LiDAR
En vue d’obtenir une couverture LiDAR complète de la
Wallonie, huit blocs d’acquisition de données LiDAR ont
été nécessaires (Figure 1). Les blocs 2, 3 et 6 ont été
couverts au début de l’année 2013 tandis que les 5
autres blocs ont été acquis au début de l’année 2014.
Les vols ont été réalisés de manière à obtenir une
moyenne de 0,8 points/m² au sol. Les paramètres des
acquisitions sont synthétisés dans le Tableau 1.
Les produits livrés par le prestataire correspondaient à
un modèle numérique de terrain (MNT) et un modèle
numérique de surface (MNS), tous deux réalisés à une
résolution de 1 m. Ces deux couches ont été
soustraites l’une de l’autre (MNS - MNT) pour produire
un modèle numérique de canopée (MNC)
correspondant à la hauteur des éléments par rapport à
la surface du sol.
Paramètre
Valeur
Scanner
Riegl Litemapper 6800i
Altitude de vol
1500 m
Vitesse
75 m.s-1
Recouvrement latéral
30%
Fréquence d’émission
150 kHz
Angle de scan
60°
Nombre d’échos
4
Précision en Z
12 cm
Précision en XY
< 1 m
Tableau 1 : Caractéristiques des acquisitions LiDAR.
2.3. Données de hauteur dominante terrain
Les données utilisées pour la construction des modèles
d’estimation de la hauteur dominante à partir de
données LiDAR sont issues de la base de données de
l’Inventaire Permanent des Ressources Forestières de
Wallonie (IPRFW). Cet inventaire régional repose sur
un plan d’échantillonnage systématique non stratifié :
les unités d’échantillonnage, de forme circulaire avec
un rayon maximum de 18 m, sont centrées sur les
points d’une grille de 500 m (nord-sud) sur 1000 m (est-
ouest) qui sont situés en forêt. Environ 10% des points
sont remesurés chaque année en suivant un schéma
garantissant une couverture uniforme du territoire
(Rondeux et al., 2010). La hauteur dominante calculée
sur ces placettes correspond à la hauteur moyenne
arithmétique des 3 arbres dont la circonférence est la
plus proche de la circonférence dominante, elle-même
calculée, sur base de la moyenne arithmétique des 100
plus grosses tiges par hectare au sein de la placette.
Les placettes mesurées entre 2008 et 2014 dans
lesquelles l’épicéa ou le douglas représentaient plus de
80% de la surface terrière ont été extraites de la base
de données de l’inventaire. Les placettes ne comportant
pas d’information sur la hauteur dominante ou l’âge de
plantation ont été supprimées du jeu de données. Une
phase de photo-interprétation a également permis
d’identifier et d’éliminer les placettes mises à blanc
entre le passage sur le terrain et le vol LiDAR ainsi que
les placettes dont la localisation était en discordance
avec les informations relevées sur le terrain. Au total,
674 placettes en épicéa et 97 placettes en douglas ont
été sélectionnées. Ces placettes sont représentatives
des classes d’âges et des conditions de croissance de
ces deux essences dans la zone d’étude (Tableau 2).
Afin d’actualiser les mesures de hauteur dominante à la
date d’acquisition des données LiDAR, les modèles de
croissance développés par Perin et al. (2013 ; 2014)
pour les peuplements équiennes d’épicéa et de douglas
(équation 4) ont été utilisés. L’année à laquelle
s’effectue l’actualisation de la hauteur dominante est
déterminée par la position de la placette par rapport aux
blocs d’acquisition LiDAR : les placettes situées dans
les blocs 2, 3 et 6 sont actualisées à l’année 2013
tandis que les placettes situées dans les autres blocs
sont actualisées à l’année 2014.
La répartition des jeux de données pour la calibration et
la validation des modèles s’est effectuée en classant
les placettes en fonction de leur date de mesure sur le
terrain pour chaque essence. Ensuite, une placette sur
trois a été sélectionnée pour le jeu de validation et deux
sur trois pour le jeu de calibration de sorte que les deux
jeux de données soient représentatifs des différentes
années de mesure. Au total, le jeu de calibration est
constitué de 449 placettes pour l’épicéa et de 65
placettes pour le douglas. Quant au jeu de validation, il
comprend 225 placettes en épicéa et 32 en douglas.
Caractéristique
Moyenne
Ecart-type
Min
Max
Altitude (m)
424
106
96
677
Pente (°)
6,9
6,3
0,0
37,0
Âge depuis la
plantation
(années)
43
19
10
117
Hauteur
dominante (m)
23,8
7,0
3,5
40,7
Tableau 2 : Caractéristiques des placettes d’épicéa et
de douglas extraites de la base de données de
l’IPRFW.
3. Méthode
3.1. Estimation de la hauteur dominante à partir de
données LiDAR
Pour chaque placette extraite de la base de données de
l’IPRFW ainsi que pour l’ensemble du territoire wallon,
les arbres dominants ont été détectés à l’aide de la
fonction CanopyMaxima du logiciel FUSION
(McGaughey, 2013) sur le MNC. Cet algorithme
s’appuie sur l’hypothèse que les maxima locaux d’un
MNC correspondent généralement aux apex des arbres
(Popescu et al., 2002 ; 2004). La fonction
CanopyMaxima a été utilisée avec une fenêtre fixe de
5 m et en considérant un seuil de 4 m de hauteur en
dessous duquel aucun maxima n’est détecté.
Une « hauteur dominante LiDAR » (HdomLiDAR) a été
calculée à l’échelle des différentes placettes. Elle
correspond à la moyenne arithmétique des 100 plus
hauts maxima locaux par hectare. Néanmoins, les
faisceaux LiDAR interceptent rarement les bourgeons
apicaux des arbres en raison de leur petite taille de
sorte que la hauteur mesurée avec le LiDAR sous-
estime généralement la hauteur réelle (Heurich et al.,
2004).
La différence entre la hauteur dominante mesurée par
l’IPRFW actualisée à l’année du passage LiDAR
(HdomMAJ) et la variable HdomLiDAR a ainsi été calculée
pour chaque placette du jeu de calibration. Cette
différence est nommée HdomBiais. La possible influence
de la pente du terrain, de l’essence, de l’âge des
peuplements et de HdomLiDAR sur la valeur de HdomBiais
a ensuite été analysée à l’aide de la fonction glm
(modèle linéaire généralisé) du logiciel statistique R (R
development Core Team, 2011). Nous avons préféré
cette méthode à une modélisation directe de la hauteur
dominante de manière à pouvoir identifier précisément
les variables influant sur la différence entre la hauteur
dominante et la variable HdomLiDAR étant entendu que
l'existence d'une corrélation entre la hauteur dominante
et HdomLiDAR peut être considérée comme évidente.
Les conclusions de ces analyses ont servi à la mise au
point d’un modèle permettant l’obtention d’une
estimation non biaisée de la hauteur dominante à partir
de HdomLiDAR. La qualité de ce modèle a été évaluée
sur le jeu de données de validation.
3.2. Forestimator : un plugin QGIS d’estimation de
données forestières
Description générale de l’outil
Dans le but de diffuser les estimations fournies par les
modèles produits, un plugin d’extraction automatique de
données a été développé dans le système d’information
géographique open source QGIS. Ce plugin se veut
convivial et simple afin d’être facilement utilisable par
les personnes intéressées à connaître la hauteur
dominante de peuplements forestiers (propriétaires,
gestionnaires, chercheurs, etc.).
Le plugin réalise de manière automatique une
estimation de la hauteur dominante, en appliquant le
modèle présenté au paragraphe précédent, à des
polygones définis par l’utilisateur. Ces polygones,
censés correspondre à des limites de parcelles, doivent
être stockés sous format shapefile.
L’estimation de la hauteur dominante fournie par le
plugin est accompagnée de la date d’acquisition des
données LiDAR et du coefficient de variation des
maxima locaux utilisés pour calculer HdomLiDAR
(équation 1)
CV = σHmaxLocaux / HdomLiDAR (éq. 1)
où σHmaxLocaux est l’écart-type des hauteurs des maxima
locaux intervenant dans le calcul de HdomLiDAR.
Des valeurs élevées de CV traduiraient une
hétérogénéité importante des hauteurs au sein du
peuplement. Cette hétérogénéité pourrait résulter d’une
délimitation géographique non adéquate, englobant par
exemple, deux peuplements distincts.
Un indice de qualité de l’estimation est également
produit (Qual). Il correspond au rapport entre le nombre
de maxima utilisés pour le calcul de HdomLiDAR et la
surface, exprimée en ares, du polygone délimitant le
peuplement (équation 2) :
Qual = nmax / (100 * S) (éq. 2)
où nmax est le nombre de maxima locaux utilisés dans
le calcul de HdomLiDAR et S est la surface du polygone
en hectare.
Lorsque le nombre de tiges présentes dans le
peuplement est suffisant, ce ratio vaut 1. Des valeurs
inférieures à 1 traduisent des situations où le nombre
de tiges est inférieur à 100 par hectare et pour
lesquelles la notion de hauteur dominante peut devenir
moins pertinente.
Si la table d’attributs du fichier de polygones contient la
date de plantation et l’identification de l’essence
plantée, le plugin procède à une estimation de la
hauteur dominante actualisée à la date de la requête et
à une estimation du Site Index. Ces calculs s’appuient
sur les modèles de croissance de la hauteur dominante
développés par Perin et al. (2013 ; 2014) pour les
peuplements équiennes d’épicéa et de douglas
(équation 4).
(éq 4.)
où a, c et r sont les paramètres ajustés pour chaque
essence dans ces deux études ; Hdom-age est le
couple hauteur-âge à estimer ; HdomM-ageM est le
couple hauteur-âge mesuré ; les âges sont tous
estimés depuis la germination.
Dans le cas présent, HdomM est la hauteur dominante
estimée à partir du LiDAR et ageM, l’âge des arbres
constituant le peuplement à la date d’acquisition des
données LiDAR. Afin de respecter la gamme de validité
des modèles préconisée par leurs auteurs,
l’actualisation de la hauteur dominante et le calcul du
Site Index ne sont effectués que pour des peuplements
de plus de 20 ans.
Interface de l’outil
L’interface du plugin Forestimator comporte une liste
déroulante permettant d’identifier la couche
cartographique (fichier shapefile) contenant les
polygones à traiter (Figure 2). Une rubrique optionnelle
permet de définir la dimension d’une distance tampon
(buffer) qui peut être utilisée pour éliminer la partie
périphérique du polygone lors de l’estimation de la
hauteur dominante. Cette option peut s’avérer utile
lorsque la précision géométrique des polygones laisse
à désirer et que des effets de bord sont susceptibles
d’altérer la qualité de l’estimation.
Deux autres listes déroulantes optionnelles permettent
d’identifier au sein de la table d’attributs de la couche
de polygones, les champs correspondant à la date de
plantation et à l’essence plantée. Ces deux informations
complémentaires permettent d’actualiser la hauteur
dominante au moment de l’exécution de la requête et
de calculer un Site Index.
Lorsqu’il s’exécute, le plugin fonctionne selon une
architecture classique client-serveur (Figure 3). Pour
chaque polygone (parcelle) contenu dans le shapefile,
le plugin envoie les données relatives à la géométrie
(en format WKT) ainsi que les attributs
complémentaires (distance du buffer, date de
plantation, essence) au serveur (1).
Figure 2 : Interface du plugin Forestimator.
Au niveau du serveur, une requête est exécutée sur
une base de données PostGIS qui contient l’information
sur l’ensemble des maxima locaux détectés pour la
Wallonie. Elle permet d’extraire les 100 plus grands
maxima locaux à l’hectare pour chaque polygone et de
calculer la hauteur dominante associée (2 & 3).
Si les données optionnelles (date de plantation et
essence) ont été fournies, le serveur calcule également
la hauteur dominante actualisée ainsi que le Site Index
(4) avant de renvoyer ces résultats vers le client (5).
Ces données sont finalement utilisées par le plugin
QGIS pour calculer l’intervalle de confiance autour de la
hauteur dominante, le coefficient de variation et l’indice
de qualité avant d’actualiser la table d’attributs du
shapefile pour chaque polygone (6).
Figure 3 : Schéma de fonctionnement du plugin selon
une architecture client-serveur : (1) envoi des limites
des polygones ; (2&3) exécution d’une requête pour
calculer la hauteur dominante de chaque polygone ; (4)
si la date de plantation et l’essence sont renseignées,
actualisation de la hauteur dominante et calcul du Site
Index ; (5) renvoi des résultats vers le client ; (6) calcul
du coefficient de variation et de l’indice de qualité au
niveau du plugin QGIS.
4. Résultats
4.1. Estimation de la hauteur dominante
L’exécution de la fonction CanopyMaxima sur le MNC
conduit à une liste reprenant pour chaque maximum
local, sa position et sa hauteur associée. Au total, plus
de 100 millions de maxima locaux ont été détectés pour
la Wallonie.
Le LiDAR sous-estime de façon significative la hauteur
dominante : HdomBiais est significativement différent de
zéro pour les deux essences (Tableau 3). En outre,
HdomBiais serait dépendant de l’essence et de l’ordre de
1,0 m pour l’épicéa et de 1,3 m pour le douglas, ces
deux valeurs étant significativement différentes l’une de
l’autre.
Epicéa
(n = 225)
Douglas
(n=32)
HdomMAJ
24,80 ± 0,58
26,95 ± 1,96
HdomLiDAR
23,78 ± 0,58
25,66 ± 1,92
HdomBiais
1,02 ± 0,10
1,29 ± 0,23
Tableau 3 : Comparaison, pour chaque essence, des
moyennes des hauteurs dominantes calculées dans les
placettes de l’IPRFW mises à jour à la date de
l’acquisition LiDAR (HdomMAJ), des moyennes des
hauteurs dominantes estimées par le LiDAR
(HdomLiDAR) et des différences entre ces deux données
(HdomBiais). Les valeurs en italique correspondent aux
intervalles de confiance (risque d’erreur de type I de 5
%).
L'application d'une procédure de type best-subset
(choix de la meilleure combinaison de variable) n'a
permis d'identifier aucune relation statistiquement
significative au seuil des 5% entre la variable HdomBiais
et HdomLiDAR, la pente du terrain ou l'âge du
peuplement. La table des coefficients correspondant à
l'ajustement du modèle linéaire généralisé intégrant
toutes les variables (sans interaction avec l'essence)
pour modéliser la valeur de HdomBiais est fournie à titre
d'exemple (Tableau 4).
Estimate
Std.
Error
t-
value
Pr(>|t|)
(Intercept)
1,34994
0,18700
7,219
1,92e-12 ***
Essence
(Douglas)
0,38620
0,15420
2,505
0,0126 *
HdomLiDAR
-0,02430
0,01278
-
1,902
0,0577
Pente
terrain
-0,01068
0,00712
-
1,499
0,1345
Age
0,00721
0,00449
1,606
0,1088
Tableau 4 : Tableau des coefficients de l’ajustement
linéaire généralisé intégrant toutes les variables (sans
interaction avec l’essence).
Ainsi, seule l'essence aurait un effet significatif sur la
valeur de HdomBiais, de sorte qu'une estimation non
biaisée de la hauteur dominante peut être obtenue à
partir de la relation (équation 3):
Hdom = HdomLiDAR + HdomBiais (éq. 3)
où HdomBiais est égal à 1.02 pour l'épicéa et 1.29 pour
le douglas (Tableau 3).
Les critères statistiques de performance du modèle
sont présentés dans le Tableau 5. L'erreur moyenne
non significativement différente de 0 indique que les
estimations obtenues en appliquant le modèle sur le jeu
de données de validation sont non-biaisées. La valeur
de l'écart-type résiduel est de l'ordre du mètre, ce qui
indique que l'intervalle de confiance autour des
estimations de la hauteur dominante serait de l'ordre de
± 2 m. Le modèle permet d'expliquer respectivement
97,2% et 98,7% de la variation de la hauteur dominante
dans les peuplements d'épicéa et de douglas.
QGIS Core Plugin
CLIENT SIDE
SERVER SIDE
Server
DBMS
(1) (2)
(3)
(4)
(5)
(6)
Jeu de
données
N
Écart-type
résiduel (m)
Erreur
moyenne (m)
R²
Epicéa
Calibration
449
1,04
-
0,972
Validation
225
1,08
0,03 ± 0,14
0,970
Douglas
Calibration
65
0,93
-
0,987
Validation
32
1,33
-0,18 ± 0,46
0,980
Tableau 5 : Valeurs pour chaque essence de l'écart-
type résiduel, de l'erreur moyenne et du coefficient de
détermination correspondant à l'application du modèle
d'estimation de la hauteur dominante à partir des
mesures LiDAR sur les jeux de données de calibration
et de validation.
4.2. Le plugin Forestimator : exemple d’utilisation
A titre d’illustration, le plugin Forestimator a été utilisé
pour décrire les parcelles résineuses de la forêt
communale de Gedinne située dans le Sud-Ouest de la
Wallonie (bloc 3), le long de la frontière française. Cette
forêt comprend 1166 ha de plantations d’épicéa, 320 ha
de plantations de douglas et 566 ha de mélange de ces
deux essences. Ces 2052 ha sont répartis en 404
pessières, 298 douglasaies et 202 peuplements de
mélange de ces essences. Les limites de chaque
peuplement sont connues et disponibles sous format
shapefile. La date de plantation, ainsi que l’identification
des essences plantées sont renseignées dans la table
d’attributs.
Au total, le plugin s’est exécuté en moins de 2 minutes
pour parcourir les 904 peuplements. Un buffer de 3
mètres a été appliqué pour atténuer les erreurs liées à
une mauvaise correspondance entre les limites de
peuplements et la parcellaire.
Figure 4 : Distribution des hauteurs dominantes
estimées en fonction de l’âge depuis la plantation pour
les 404 pessières de la forêt communale de Gedinne.
Les parcelles présentant un indice de qualité inférieur à
1 ou un coefficient de variation supérieur à 15% sont
représentées par des triangles. Les courbes de
productivités (Perin et al., 2014) permettent d’évaluer le
potentiel de production des peuplements.
La Figure 4Erreur ! Source du renvoi introuvable.
eprend la distribution des hauteurs dominantes
estimées en fonction de l'âge des pessières situées
dans cette forêt communale. Les courbes matérialisent
les 5 classes de productivité définies pour cette
essence en Wallonie par Perin et al. (2014). Elles
correspondent à des hauteurs dominantes à 50 ans
(Site Index) respectivement de 33, 30, 27, 24 et 21
mètres.
Afin de tester la sensibilité de l’algorithme de calcul de
la hauteur dominante à la surface des parcelles, les 50
parcelles les plus étendues (surface moyenne =
8,0 ha ; écart-type = 2,4 ha) ont été découpées
manuellement en 400 sous-parcelles (surface
moyenne = 1,0 ha ; écart-type = 0,16 ha), afin de se
rapprocher de la surface de référence considérée dans
la définition théorique. La hauteur dominante a été
calculée pour chaque sous-parcelle, puis agrégée à
l’échelle des parcelles, en pondérant par la surface des
sous-parcelles. Les hauteurs dominantes ainsi
obtenues ont été comparées aux valeurs originales,
fournies sans découpage des parcelles. Les valeurs
originales sont systématiquement supérieures aux
valeurs résultant de l’agrégation des hauteurs
dominantes locales. La différence moyenne est de
0,30 m (écart-type = 0,19 m), l’écart maximum de 1,0 m
étant observé pour la parcelle la plus étendue (16,5 ha).
5. Discussion
Le LiDAR est désormais utilisé de manière
opérationnelle en appui à la gestion forestière dans
différents pays (White et al., 2013a ; Naesset, 2007 ;
Maltamo et al. 2011 ; Woods et al. 2011). Aucune
utilisation dans ce sens n’existe actuellement en
Belgique où ce type de données est apparu
récemment. Le plugin Forestimator fournit une
information précise et facile d’accès et s’inscrit ainsi
dans une démarche de transfert de connaissances
entre la recherche et l’opérationnel.
La hauteur dominante est souvent utilisée pour estimer
le potentiel de production des peuplements purs
équiennes. Il est donc important que son estimation soit
robuste car elle intervient de manière récurrente dans
les outils d'aide à la gestion (par exemple dans les
tables de production ou les tables de cubage). Nos
résultats indiquent que la technique de détection de
maxima locaux est fiable et précise pour estimer la
hauteur dominante dans les peuplements réguliers
d'épicéa et de douglas, en accord avec les conclusions
de Popescu et al. (2002). Ainsi, la précision des
estimations de hauteur dominante obtenue (écart-type
résiduel d'environ 1 m) est tout à fait compatible avec
l'utilisation qui est faite de ce type de données. On peut
en outre penser que l'amplitude de l'intervalle de
confiance autour d'une estimation soit inversement
proportionnelle à la taille de la parcelle analysée, de
sorte que l'estimation soit en fait plus précise pour des
surfaces supérieures à celle des placettes de l'IPRFW
(0,1 ha).
La définition de la hauteur dominante que nous avons
utilisé (Rondeux, 1999) considère implicitement une
surface de référence de 1 hectare. Nous avons pu
montrer qu’en présence de parcelles de taille
supérieure (de 3 à 17 ha pour les 50 parcelles les plus
étendues de la forêt communale de Gedinne), la
surestimation reste peu importante : elle est inférieure
ou égale à 0,5 m dans près de 90 % des cas. Il
convient cependant de rester prudent lors de l’utilisation
de l’outil pour des parcelles de surface supérieure à
10 ha.
Les données de terrain utilisées pour calibrer le modèle
proviennent de placettes d’échantillonnage de taille
nettement inférieure à 1 ha (généralement de l'ordre de
0,1 ha). On pourrait donc être tenté de baser le
fonctionnement de l’algorithme de ForEstimator sur ces
surfaces réduites. Une telle approche nécessiterait de
gérer correctement le découpage de parcelles parfois
très irrégulières en un ensemble uniforme de sous-
unités de 0,1 ha et de forme carrée ou hexagonale
(Birch et al., 2007). Bien que cette solution ne soit pas
exempte de difficultés techniques, elle aurait le mérite
d’uniformiser l’échelle de prise en compte de la hauteur
dominante, entre les sources de données « terrain » et
« télédétection ».
Indépendamment de cette notion d’échelle, il est
important d’insister sur le fait que la qualité des
estimations de hauteur dominante à l’échelle de l’unité
de peuplement, fournies par ce type d’outil, dépend très
fortement de la précision et de la pertinence des limites
de peuplements. Les imprécisions sur le tracé peuvent
en parties être gommées à l’aide de l’option « buffer »
de ForEstimator. Les parcelles comportant des
peuplements de composition ou de stade de
développement différents sont, dans une grande
mesure détectés, à l’aide du coefficient de variation des
maxima locaux. Néanmoins, les objets cartographiques
doivent être les plus précis possible au plan
géométrique et homogènes au plan sylvicole afin
d’éviter de produire des estimations de hauteur
dominantes erronées. Par ailleurs, si l’on considère le
cas fréquent des peuplements où l’épicéa et le douglas
sont en mélange pied par pied, on peut admettre que
les arbres dominants sont généralement des douglas,
et que les estimations de hauteur dominante et de Site
Index peuvent être réalisées en considérant
exclusivement cette essence.
Nous avons observé que l'essence avait une influence
significative sur la valeur de la différence entre la
hauteur dominante mesurée sur le terrain et la hauteur
dominante LiDAR. Il est possible, voire probable, que
d'autres variables aient également une influence sur
cette différence mais qu'elles soient trop faibles ou trop
peu variables pour être détectables avec notre jeu de
données. Le modèle développé est actuellement limité
à l'épicéa et au douglas mais pourrait être facilement
adapté à d'autres essences à condition de disposer des
jeux de données de calibration et des modèles de
croissance en hauteur dominante nécessaires.
Ce nouvel outil, en plus de fournir aisément des
estimations de hauteur dominante, propose des
indicateurs qui permettent d’évaluer la pertinence de
l’estimation d’une hauteur dominante au sein d’un
peuplement. L'analyse de la distribution de ces
indicateurs dans nos jeux de données montre par
exemple que 95% des placettes sont caractérisées par
un coefficient de variation des maxima locaux détéctés
sur les données lidar inférieur ou égal à 7,5% et que
l'estimation de la hauteur dominante semble
généralement moins précise dans les placettes où sa
valeur dépasse 15%. Des valeurs supérieures à cette
limite pourraient indiquer des peuplements hétérogènes
ou irréguliers. L’indice de qualité, lorsqu’il est inférieur à
1, indique pour sa part des peuplements où la densité
détectée est inférieure à 100 arbres par hectare et où le
calcul d’une hauteur dominante peut être contesté.
L'innovation principale de ce plugin réside dans
l'intégration de modèles de croissance en hauteur
dominante et d’estimation de Site Index avec des
estimations de hauteur dominante dérivées de données
LiDAR aérien. Cette association permet d’une part
d’actualiser l’information de hauteur dominante au
cours du temps sans répéter les acquisitions LiDAR qui
sont encore relativement coûteuses et d’autre part,
d’estimer directement le niveau de productivité d’un
peuplement lorsque l’âge et l’essence sont renseignés
par l’utilisateur. Un point sensible de l’utilisation de ces
modèles de croissance concerne les peuplements mis
à blanc entre deux acquisitions LiDAR. Le couplage des
données LiDAR avec des jeux de données d’imagerie
aérienne (White et al., 2013b) ou satellitaire acquis plus
régulièrement permettrait de détecter les mises à
blancs, notamment via la construction de MNH mixte
(MNS photogrammétrique - MNT LiDAR). Actuellement,
il est supposé que l’utilisateur du plugin dispose d’une
information actualisée concernant les limites et l’état
des parcelles forestières auxquelles il s’intéresse.
L’estimation du Site index des peuplements équiennes
d’épicéa et de douglas permettra d’établir des cartes de
productivité de ces essences sur l'entièreté d'un
territoire régional ce qui est encore inhabituel à cette
échelle (Bock et al. 2009). Cette importante quantité de
données pourrait ainsi être employée pour mettre au
point des modèles autécologiques robustes et précis
permettant ainsi de définir une stratégie optimale pour
le choix des peuplements à maintenir ou des essences
à planter dans les surfaces dédiées à la forêt. Cette
information pourra également intervenir en supplément
du fichier écologique des essences qui détermine, pour
les principales essence de production en Wallonie, les
exigences écologiques, la productivité, ou encore les
risques en matière de maladies (Claessens et al.,
2014).
A une échelle plus locale, le plugin peut être utilisé en
appui à la gestion et aux inventaires forestiers en
évaluant facilement le niveau de développement et le
potentiel de production des peuplements résineux d'un
massif. L'exemple de la forêt communale de Gedinne
montre comment le plugin permet, presque
instantanément, de classifier les peuplements en
fonction de leur niveau de productivité et ainsi aider à la
mise au point d'itinéraires de gestion adaptés à la
vitesse de croissance de chaque peuplement.
6. Conclusion et perspectives
Cet article présente Forestimator, un outil innovant de
caractérisation de la ressource forestière. Il combine un
modèle exploitant des données de type LiDAR aérien à
des modèles de croissance en hauteur dominante pour
fournir des estimations actualisées de hauteur
dominante et de Site Index pour les deux principales
essences résineuses de production plantées en
Wallonie. L’outil, validé à l’échelle de cette région,
fonctionne dans l’environnement du logiciel open
source QGIS et peut être apparenté à un Web
Processing Service. L’environnement SIG permet à
l’utilisateur de bénéficier de toutes les fonctionnalités
d’un tel logiciel (import/export de données, analyses
spatiales, création de cartes, etc), pour valoriser les
données fournies par ce service. Gratuit et facile
d’utilisation, ce plugin est destiné tant aux gestionnaires
forestiers qu’aux scientifiques. Actuellement disponible
pour les peuplements d’épicéa et de douglas, son
applicabilité sera prochainement étendue à d’autres
essences de production.
L’exploitation des produits de base dérivés du vol
LiDAR (MNT, MNS) a permis d’obtenir des résultats
intéressants pour l’estimation de la hauteur dominante
des peuplements résineux. Cependant, les premières
analyses réalisées pour l’estimation d’autres
paramètres dendrométriques tels que la surface terrière
ou encore le volume semble peu prometteuse en
utilisant uniquement ces données synthétiques.
L’utilisation directe du nuage de points (fichier .las) ou
de variables dérivées via une approche raster (Treitz et
al., 2012) ou voxel (Reitberger et al., 2009) devraient
conduire à des résultats significatifs pour l’estimation de
ces paramètres dendrométriques importants pour le
gestionnaire forestier.
Remerciements
Ce travail a été financé par le Service Public de
Wallonie - DGRNE à travers le projet « Accord Cadre
de Recherche et Vulgarisation Forestières (ACRVF) ».
Les auteurs remercient également M. Hugues Lecomte,
M. Matthieu Alderweireld et M. Mickhail Pitchugin de
l’Inventaire Permanent des Ressources Forestières de
Wallonie (IPRFW) qui ont fourni les données
nécessaires à la calibration et à la validation des
modèles.
Références
Bastin L., McInerney D., Revez G., Figueiredo C.,
Simonetti D., Barredo J., Achard F., San-Miguel-Ayanz,
J., 2012. Web Services for Forest Data, Analysis and
Monitoring: Developments from EuroGEOSS. IEEE
Earthzine, 5(2): 389531.
Birch, C.P., Oom, S.P., Beecham, J.A., 2007.
Rectangular and hexagonal grids used for observation,
experiment and simulation in ecology. Ecological
Modelling 206(3-4): 347–359.
Bock J., Dambrine E., Dez G., Dupouey J.-L., Georges-
Leroy M., Jolly A., Martins F.S.R.V., Renaud, J.-P.,
2009. Towards site index mapping in deciduous stands
using multi-echo LiDAR data. In IUFRO Division 4
Meeting - Extending Forest Inventory and Monitoring
over Space and Time, Quebec, Canada.
Claessens H., Bifolchi E., Bythell S., Cordier S., De
Bont A., Desjonquères A., Iboukassene S., Ridremont
F., Van Der Perre R., Vincke C., Ponette Q., 2014. Le
nouveau fichier écologique des essences. Pourquoi et
comment ? Forêt Wallonne, 129 : 60-70.
Coops N. C., Wulder M. A., Culvenor D. S., St-Onge B.,
2004. Comparison of forest attributes extracted from
fine spatial resolution multispectral and LiDAR
data. Canadian Journal of Remote Sensing, 30(6): 855-
866.
Hägglund B., 1981. Evaluation of forest site
productivity. In Forestry Abstracts, 42(11): 515-527.
Heurich M., Persson Å., Holmgren J., Kennel E., 2004.
Detecting and measuring individual trees with laser
scanning in mixed mountain forest of central Europe
using an algorithm developed for Swedish boreal forest
conditions. International Archives of Photogrammetry,
Remote Sensing and Spatial Information Sciences, 36:
307-312.
Holmgren J., Nilsson M., Olsson H., 2003. Estimation of
tree height and stem volume on plots using airborne
laser scanning. Forest Science, 49(3): 419-428.
Kaartinen H., Hyyppä J., Yu X., Vastaranta M., Hyyppä
H., Kukko A., Holopainen M., Heipke C., Hirschmugl M.,
Morsdorf F., Næsset E., Pitkäenen J., Popescu S.,
Solberg S., Wolf B. M., Wu J.-C., 2012. An international
comparison of individual tree detection and extraction
using airborne laser scanning. Remote Sensing, 4(4):
950-974.
McGaughey R. J., 2013. FUSION/LDV: Software for
LiDAR data analysis and visualization. February 2013–
FUSION Version 3.30. USDA Forest Service. Pacific
Northwest Research Station, University of Washington,
Seattle, WA, USA.
Maltamo M., Packalén P., Suvanto A., Korhonen K. T.,
Mehtätalo L., Hyvönen P., 2009. Combining ALS and
NFI training data for forest management planning: a
case study in Kuortane, Western Finland. European
Journal of Forest Research, 128(3): 305-317.
Maltamo M., Packalén P., Kallio E., Kangas J., Uuttera
J., Heikkilä J., 2011. Airborne laser scanning based
stand level management inventory in Finland.
Proceedings of the 11th International Conference on
LiDAR Applications for Assessing Forest Ecosystems,
University of Tasmania, Australia, 16-20 October 2011.
10 pp.
Morgenroth J., Visser R., 2013. Uptake and barriers to
the use of geospatial technologies in forest
management. New Zealand Journal of Forestry
Science, 43(1): 16.
Næsset E., 1997. Estimating timber volume of forest
stands using airborne laser scanner data. Remote
Sensing of Environment, 61(2): 246-253.
Næsset E., Bjerknes K. O., 2001. Estimating tree
heights and number of stems in young forest stands
using airborne laser scanner data. Remote Sensing of
Environment, 78(3): 328-340.
Næsset E., 2004. Practical large-scale forest stand
inventory using a small-footprint airborne scanning
laser. Scandinavian Journal of Forest Research, 19(2):
164-179.
Næsset E., 2007. Airborne laser scanning as a method
in operational forest inventory: status of accuracy
assessments accomplished in Scandinavia.
Scandinavian Journal of Forest Research, 22(5): 433-
442.
Næsset E., 2014. Area-Based Inventory in Norway–
From Innovation to an Operational Reality. In Forestry
Applications of Airborne Laser Scanning, 215-240.
Nilsson M., 1996. Estimation of tree heights and stand
volume using an airborne lidar system. Remote Sensing
of Environment, 56(1): 1-7.
Office Économique Wallon du Bois, 2013. PanoraBois
Wallonie 2012-2013. Editeur Emmanuel Defays,
Marche-en-Famenne.
Perin J., Hébert J., Brostaux Y., Lejeune P., Claessens
H., 2013. Modelling the top-height growth and site index
of Norway spruce in Southern Belgium. Forest Ecology
and Management, 298: 62-70.
Perin J., De Thier O., Claessens H., Lejeune P., Hébert
J., 2014. Nouvelles courbes de productivité
harmonisées pour le douglas, l’épicéa et les mélèzes
en Wallonie. Forêt Wallonne, 129 : 26-41.
Persson A., Holmgren J., Söderman U., 2002.
Detecting and measuring individual trees using an
airborne laser scanner. Photogrammetric Engineering
and Remote Sensing, 68(9): 925-932.
Popescu S. C., Wynne R. H., Nelson R. F., 2002.
Estimating plot-level tree heights with lidar: local filtering
with a canopy-height based variable window
size. Computers and Electronics in Agriculture, 37(1):
71-95.
Popescu S. C.,Wynne R. H., 2004. Seeing the trees in
the forest: using lidar and multispectral aata fusion with
local filtering and variable window size for estimating
tree height. Photogrammetric Engineering and Remote
Sensing, 70(5): 589-604.
Reitberger J., Schnörr C., Krzystek P., Stilla U., 2009.
3D segmentation of single trees exploiting full waveform
LIDAR data. ISPRS Journal of Photogrammetry and
Remote Sensing, 64(6): 561-574.
Rondeux J., 1999. La mesure des arbres et des
peuplements forestiers. Les presses agronomiques de
Gembloux, Gembloux.
Rondeux J., Lecomte H., 2010. Inventaire Permanent
des Ressources Forestières de Wallonie : Guide
méthodologique. SPW, DG03, Jambes.
R development Core Team, 2011. R: a language and
environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. http://www.r-
project.org. 27 March 2015.
Sharma M., Amateis R.L., Burkhart H.E., 2002. Top
height definition and its effect on site index
determination in thinned and unthinned loblolly pine
plantations. Forest Ecology and Management, 168:
163-175.
Treitz P., Lim K., Woods M., Pitt D., Nesbitt D.,
Etheridge D., 2012. LiDAR sampling density for forest
resource inventories in Ontario, Canada. Remote
Sensing, 4(4): 830-848.
Watt P., Meredith A., Yang C., Watt M. S., 2013.
Development of regional models of Pinus radiata height
from GIS spatial data supported with supplementary
satellite imagery. New Zealand Journal of Forestry
Science, 43(1): 11.
White J. C., Wulder M. A., Varhola A., Vastaranta M.,
Coops N. C., Cook B. D., Pitt D., Woods M. 2013a. A
best practices guide for generating forest inventory
attributes from airborne laser scanning data using an
area-based approach. Natural Resources Canada,
Canadian Forest Service, Canadian Wood Fibre
Center, Victoria, BC. Information Report FI-X-010
https://cfs.nrcan.gc.ca/publications?id=34887
White J. C., Wulder M. A., Vastaranta M., Coops N. C.
Pitt D., Woods M., 2013b. The utility of image-based
point clouds for forest inventory: A comparison with
airborne laser scanning. Forests, 4(3): 518-536.
Woods M., Pitt D., Penner M., Lim K., Nesbitt D.,
Etheridge D., Treitz P., 2011. Operational
implementation of a LiDAR inventory in Boreal Ontario.
The Forestry Chronicle, 87(4): 512-528.
