Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Bastien Ferland-Raymond, M.Sc. Stat, M.Sc. Biol. Direction des inventaires forestiers
Inventaire forestier amélioré à la DIF et méthode k-NN
Le 19 mars 2014
Atelier IFA, Shawinigan
2
Plan de la présentation
Inventaire amélioré à la DIF • Cartographie plus détaillée • Sondage plus représentatif • Compilation plus efficace
Le k-NN • À l’échelle du peuplement • À l’échelle du forel • À l’échelle du secteur d’intervention
Le LiDAR • Pour améliorer le k-NN
3
Une science en ébullition
4
Approche d’inventaire par peuplement écoforestier (AIPF)
• 2008 - Réforme du processus d’inventaire
• Objectifs:
• Augmenter la qualité et la diversité des produits
• Diminuer les coûts
• Augmenter l’adaptabilité du processus
Photo aérienne NIR
5
Les grandes étapes de l’inventaire à la DIF :
Approche d’inventaire par peuplement écoforestier (AIPF)
6
Les grandes étapes de l’inventaire à la DIF :
Approche d’inventaire par peuplement écoforestier (AIPF)
La cartographie
7
5 mètres 20 %
La cartographie – Hauteur au mètre près – Densité en classes de 10 % – Essences en classes de 10 %
• Définition plus précise du contenu en essences par polygone
– Peuplements étagés • Chaque étage est caractérisé
Approche d’inventaire par peuplement écoforestier (AIPF)
Avant Hauteurs
+ 1
22m 2
17m 3
12m 4
7m 5
4m 6
2m
Avant Densité
100% A
80% B
60% C
40% D
25%
3e SE B 2 4e SbEn B 2 Mixte SbEn 75 18 NAIPF Sb5En3Bp1Pe1 75 18
Essences accompagnatrices
Densité Hauteur Essences Programme
Maintenant Hauteurs
… 24m 23m 22m 21m 20m 19m …
1 mètre
Maintenant Densité
95% 85% 75% …
45% 35% 25%
10 %
8
Le sondage Révision de la stratégie
d’échantillonnage
Principales améliorations :
Tous les peuplements forestiers de 7 m et plus sont sondés
Plus d’exclusion des peuplements rares (dernier 25 %)
Inclusion des forêts aménagées depuis 1990
Objectifs
Résultats plus représentatifs
Statistiques plus fiables
Résultat : portrait plus juste de la forêt
Approche d’inventaire par peuplement écoforestier (AIPF)
9
Les compilations forestières Méthode d’estimation k-NN
k plus proches voisins (« k-Nearest-Neighbors »)
Principales améliorations par rapport à l’approche par strate SCIF :
Résultats de qualité similaire ou supérieure
Intensité d’échantillonnage réduite (économie $$$)
Méthode simple, flexible et évolutive
Partie novatrice de l’approche par peuplement !
Approche d’inventaire par peuplement écoforestier (AIPF)
10
Le k-NN
Analyse statistique qui gagne en popularité dans le domaine forestier
Analyse de similarité entre les placettes et les éléments forestiers d’intérêt
Similarité calculée en fonction : • variables cartographiques (ex. essence, densité, etc.) • variables climatiques (ex. température moyenne, etc.) • variables géographiques (ex. pente, drainage, etc.) • images satellites (ex. bandes spectrales)
L’information doit être disponible mur-à-mur
11
Technique statistique flexible Adaptable à différentes échelles :
• Échelle du peuplement • Échelle du forel • Échelle du secteur d’intervention
Le k-NN
12
k-NN : Échelle du peuplement
Peuplements sondés 1 peuplement d’intérêt
1. Analyse de similarité
13
Peuplements sondés 1 peuplement d’intérêt
2. Sélection des « k » peuplements sondés les plus similaires
1
2
3
si k = 3
k-NN : Échelle du peuplement
14
Peuplements sondés 1 peuplement d’intérêt
3. Variables dendrométriques estimées à partir des placettes des « k » peuplements sélectionnés
Volume = 115 m3/ha si k = 3
k-NN : Échelle du peuplement
15
k-NN : Échelle du peuplement
ES: 122 m3/ha EO: 24 m3/ha BJ: 12 m3/ha HG: 8 m3/ha …
EO: 93 m3/ha SB: 18 m3/ha BP: 10 m3/ha …
SB: 98 m3/ha EN: 40 m3/ha BJ: 5 m3/ha …
EN: 45 m3/ha SB: 11 m3/ha BP: 1 m3/ha …
16
k-NN : Échelle du forel
17
Analyse en pixels de forêt ou «forels»
placette-échantillon rayon 11.28
(400 m²)
forel 20 m x 20 m
(400 m²)
Taux de superposition d’environ 91 %
k-NN : Échelle du forel
18
Nouvelles opportunités: • technologiques Imagerie
k-NN : Échelle du forel
19
Landsat RapidEye Photo
20
Nouvelles opportunités: • Technologiques Imagerie LiDAR
• Statistiques k-NN
k-NN : Échelle du forel
21
k-NN : Échelle du forel
22
La carte forel
Secteur Sorbier • Raster en geoTiff, • Un par variable, • Peuplements > 7m
Parc de la Mauricie
• Shawinigan
• La Tuque
23
Secteur Sorbier
Bouleau Jaune
24
Secteur Sorbier
Érable à sucre
25
Secteur Sorbier
Sapin Baumier
26
Secteur Sorbier
27
Sect
eur G
ros-
Élan
k-NN : Échelle du forel
28
Bouleau à papier
k-NN : Échelle du forel Se
cteu
r Gro
s-Él
an
29
Épinette noire
k-NN : Échelle du forel Se
cteu
r Gro
s-Él
an
30
Le k-NN est très flexible et peut être appliqué à grande échelle (UAF) et à petite échelle (secteur intervention)
Collaboration sur un projet réalisé par la DAEF sur l’intégration du LiDAR et du k-NN dans le processus de planification forestière
k-NN : Échelle du secteur d’intervention
31
k-NN : Échelle du secteur d’intervention
32
k-NN : Échelle du secteur d’intervention
33
k-NN : Échelle du secteur d’intervention
34
Pour être efficace, les placettes doivent être: • Bien localisées • Idéalement à rayon fixe • Suivre un plan de sondage statistiquement valide
k-NN : Échelle du secteur d’intervention
35
Le k-NN et le LiDAR
Le LiDAR peut amener un énorme gain dans le k-NN Son information est mur-à-mur et peut s’adapter à
n’importe quelle échelle (peuplement, forel 20 m, forel 30 m, etc.)
À l’échelle de la DIF, le LiDAR est dispendieux à acquérir. • Nécessite des partenariats pour le rentabiliser
36
Le k-NN et le LiDAR
37
Le k-NN et le LiDAR
Deux gestions du LiDAR possibles : • analyse de surface • analyse à l’arbre
38
Autres projets à la DIF
Projet IQB (indice de la qualité du bois) propriétés mécaniques et physiques
• Densité du bois • Module d’élasticité • Angle des microfibrilles • Proportions de bois juvénile et mature • Proportion de bois final • Couleur des bois
Essences : EPN, EPB, SAB, PIG, BOP, PET Spectroscopie proche infrarouge et imagerie
39
Autres projets à la DIF
Projet GIM • Projets de partenariat : FPInnovations, industriel, DIF,
DGR04, … • L’un des projets vise à tester l’apport de différentes
approches d’inventaire amélioré dans l’optimisation de la chaîne de valeur
40
Photo: Yves Landry
Merci!