Contribution of LiDAR data in growth evaluation of the boreal forest after major disturbances : Project Progress

Presentation (PDF Available) · October 2018with 13 Reads
Cite this publication
Au Canada : 27 % de la superficie, au cœur des enjeux actuels.
2
Au Québec : pierre angulaire de l’industrie forestière.
2014-2015 : 73 % des volumes récoltés proviennent des grands massifs de
conifères.
Écosystème dynamique influencé par plusieurs types de perturbations :
Feux
Moteur du cycle de perturbation
naturel de la forêt boréale.
L’épinette noire (Picea marianna)
possède des adaptations au feu
et domine la forêt boréale.
Coupes
L’épinette noire est une espèce
d’intérêt pour l’industrie forestière.
Exploitation depuis le début du 20ème
siècle.
La pression exercée par les perturbations naturelles et anthropiques amène
à un rajeunissement du paysage.
3
Aménagements écosystémiques
Concept : « Le maintien à long terme des fonctions et processus écologiques passe
par un aménagement intégré de la forêt, avec le maintien des processus écologiques
à de multiples échelles spatiales et temporelles ».
Planification stratégique
Prédictions
Aménagements
4
Indice de qualité de site (IQS)
Identification de la productivité des peuplements.
Utilisation de relations âge-hauteur des arbres dominants pour prédire
la croissance en hauteur.
Indices de site du sapin baumier dans le type
écologique MS22 (tiré de Laflèche et al., 2013, p.
30)
L’IQS reflète la croissance à l’échelle
du peuplement en fonction des
conditions de la végétation, du
climat et des caractéristiques
physiques.
5
Indice de qualité de site (IQS)
L’IQS du MFFP est développé à partir de données
récoltées dans des peuplements matures.
Modélisation de la croissance par type écologique.
Nécessité d’avoir un IQS représentatif des jeunes
peuplements issus de perturbations.
Données prélevées pour l’IQS du
MFFP(tiré de Laflèche et al., 2013, p. 8)
6
Indice de qualité de site (IQS)
Un nouvel IQS nécessite de nouvelles données
Les zones ayant subies une perturbation peuvent être
difficilement accessible
Pour avoir un effort d’échantillonnage suffisant :
- Inventaire long et couteux
- Erreurs liées aux opérateurs
Acquisition d’informations sur les peuplements forestiers par télédétection
7
Caractéristiques
Couvre de larges surfaces
Données abordables
Données historiques
Informations bidimensionnelles
Photogrammétrie
Difficultés à obtenir des représentations
fidèles des attributs d’un peuplement
forestier
©UBC
8
Caractéristiques
Informations tridimensionnelles
Installé sur un avion : couvre une grande surface
Quantification d’attributs dont la mesure est subjective avec l’inventaire
forestier classique (ouverture de canopée, architecture des arbres,
spatialisation des arbres, …)
©U. Lethbridge
Le LiDAR devient
graduellement un outil de
choix pour l’acquisition de
données sur les peuplements
forestiers.
9
Couverture LiDAR aéroporté de tout le Québec méridional d’ici 2022.
2016
2016 2016
2022
2021
2020
2018
2017
2019
Est-ce que le LiDAR aéroporté peut contribuer à l’amélioration des prédictions
de croissance des peuplements d’épinette noire après perturbation ?
©MFFP
10
Améliorer la compréhension de la croissance en hauteur des jeunes
peuplements d’épinette noire issus de feux ou de coupes en forêt boréale
au Québec à l’aide de la donnée LiDAR aéroportée.
1. Quantifier les relations entre les variables environnementales et la hauteur
des jeunes peuplements.
2. Développer un IQS pour prédire la croissance des peuplements
d’épinettes noires à l’aide des données LiDAR.
3. Évaluer la capacité prédictive du nouvel IQS avec des données externes.
11
Caractérisation des variables déterminant la hauteur des peuplements
d’épinettes noires après perturbation.
Diminution de l’erreur des prédictions de croissance.
Fondamental
Améliore la compréhension des écosystèmes de la forêt boréale.
Appliqué
Première tentative d’amélioration des prédictions de croissance avec les
données LiDAR aéroporté acquise au Québec.
Accélération du processus de gestion et de traitement de la donnée LiDAR
en foresterie.
Améliore les outils des gestionnaires des forêts pour mener a bien leurs
objectifs de gestion.
12
Baie-comeau
Site d’étude
Domaine bioclimatique de la
pessière à mousses
N
Choix du site d’étude :
- Domaine bioclimatique de la pessière
à mousse
- Présence de perturbations
- Disponibilité de donnée LiDAR
Possibilité d’étendre la méthode lorsque
plus de surfaces disposeront d’un relevé
LiDAR.
13
N
Site d’étude
1979
2000
2015
Caractéristiques :
Superficie totale :1699,4 km2
Superficies perturbées :
- Coupes : 571,9 km2
- Feux (purs) : 38,6 km2
Gradient nord-sud
Acquisitions LiDAR : 2012, 2014 et 2016
14
LiDAR
aéroporté
Rasters
- 20m de résolution
- Extent similaire
15
MNT
Variables LiDAR :
- Modèle Numérique de
Terrain (MNT)
- Percentile 95 (P95)
- Canopy Relief Ratio (CRR)
- Pente (degrés)
- Exposition (azimut)
P95 CRR Pente Exposition
15.3 m
Percentile 95
16
MNT
Pente Topographic
Wetness Index
(TWI)
Degrés-jours
moyens
1981-2010
Stations météos
Exposition
TWI Degrés-jours
17
Variables géospatiales disponibles :
- Carte écoforestière :
« tp_eco » = type écologique
« dp_sur » = dépôts de surface
« iqs_pot » = indice de qualité de station potentiel
- Interventions provinciales :
« origine » = type de perturbation
« an_origine » = année de la perturbation
« interv » = interventions sylvicoles
- SIFORT (1ère édition):
« gr_ess » = composition en essences des peuplements
Donnée géospatiale raster
18
Portrait des perturbations dans le site d’étude.
Origines des peuplements retenues :
- Coupes totales
- Coupes avec Protection de la Régénération et des Sols
- Plantations
Zones tampons (50m):
- Cours d’eau
- Chemins forestiers
- Contours de coupe
19
Obs
P95
TWI
Pente
Observation P95 TWI Pente
1 6,68 16 10
2 7,89 12 25
Autocorrélation spatiale :
250m minimum entre les
observations
Mise en forme de la base de
donnée
Raffinage des données :
- SIFORT = dominance épinette
- Catégorie avec moins de 50
occurrence = suppression de
l’observation
20
I. Analyse de corrélation
II. Modélisation :
randomForest
1. Formulation de combinaisons de
variables
2. Sélection de la meilleure
combinaison (selon RMSE)
3. Création du modèle
4. Prédictions (données
d’évaluation)
5. Évaluation de l’erreur
Régression multiples
1. Formulation de combinaisons de
variables
2. Sélection de la meilleure
combinaison (selon AIC)
3. Création du modèle
4. Prédictions (données
d’évaluation)
5. Évaluation de l’erreur
À venir
III. Extrapolation de la croissance en hauteur à 50 ans : Indice de Qualité de Site
Régression multiples
R2 ajusté : 0,43
Erreur résiduelle : 1,71
Paramètres :
21
randomForest
% variance expliquée : 51,73
2 résidus : 2,478
Importance des variables :
22
23
Amélioration des
capacités prédictives
des modèles
Indice de
Qualité de Site
Évaluation des
performances
Indice de
Qualité de Site
MFFP
Prédictions de croissance
Acceptation des modèles
Erreur trop
importante
- Implémentation de variables
LiDAR (Densité, Lacunarité,
Fractale, …)
-Ajout d’autres données
géospatiales
- Regroupement de variables
24
This research hasn't been cited in any other publications.
This research doesn't cite any other publications.