1

La télédétection et son utilisation dans les Évaluations forestières nationales (EFN)

Ce Chapitre aborde les thèmes suivants :

• Présentationdesméthodesdetélédétectionpourlesinventairesforestiers.• Conditionspréalablesàl’intégrationdesdonnéesdetélédétectiondansles

EFN.• Lesnouveauxcapteurs,telsqueleLidaretlesradars.• Exemplesd’applicationspratiques.

IntroductionCechapitretraitedel’intégrationdedonnéesde télédétection dans les Évaluationsforestières nationales (EFN) Il permettra decomprendre l’essentieldesmodalitésdecetteintégration,etdemettreenvaleursesaspectsimportants. Il présentera succinctementles différents systèmes de télédétection,les données produites, les avantages et lesinconvénientsdecessystèmes,ainsiqueleurévolutionfuture.Les données de télédétection sont utilisées

dans les inventaires forestiers depuislongtemps. Les professionnels des forêts ontmêmeétépionniers,aprèslesarmées,dansledomaine de l’application de la télédétectionaux tâchesd’inventaire.Nous entendonspartélédétection l’ensemble des instrumentsaéroportés et spatiaux d’observation de laterre,delaphotographieanalogiqueaérienneaux instruments numériques spatiaux, telsque le radar à synthèse d’ouverture (RSO)et les systèmes optoélectroniques. Sontexclus de cette définition les systèmes depositionnementetdenavigationsatellitaireset

lessystèmesdetélédétectionterrestres,telsquela photogrammétrie terrestre ou le balayagelaser terrestre. Cependant, les systèmes depositionnement et de navigation, ainsi queles systèmes de télédétection terrestres, sontde plus en plus importants pour réaliser lesondage et les mesures sur le terrain deséchantillons retenus. Il ne faut donc pas lesnégligerdansuneprésentationsurl’utilisationdelatélédétectionpourlesEFN,maiscommeilsnefontpaspartiedelatélédétectiondansson acception la plus courante, nous n’entraiteronspasdanscechapitre.ContexteetobjectifL’utilisation des données de télédétection

dans les EFNvient toujours en complémentdes mesures sur le terrain réalisées paréchantillonnage et être intégrée dans unplan d’échantillonnage basé sur desmesuresterrestres. L’intégration des données detélédétection dans les EFN s’inscrit dansun contexte soumis à de multiples facteurs.

BarbaraKoch1

1 DepartmentRemoteSensingandLandscapeInformationSystems,FacultyofForestandEnvironmental Sciences,Albert-LudwigsUniversityofFreiburg

Répertoire des connaissances sur évaluations des ressources

forestière nationales

2

Lesargumentsprincipauxenfaveurdeleurutilisationsontlessuivants:

• Couverture d’une zone donnée enrelativementpeudetemps

• Réduction des coûts en raison de ladiminution de l’intensité de sondage(desdonnéesparsatellitesontlibrementaccessiblessanscoûtssupplémentaires)

• Description visuelle d’une situationdonnée et de son évolution dans letemps

• Productiondedonnéescartographiques• Accessibilitédes informationsrelatives

àdesrégionsduglobeinaccessiblesouconsidérées commeétantdifficilementaccessibles

• Amélioration des capacités nationalesen matière de cartographie, desurveillance et d’établissement derapports

• Possibilité d’harmoniser lesinformations d’évaluation existantes àl’échelledel’ensembledupays

• Possibilité d’une évaluationrétrospective des changements(évolution de la situation antérieurejusqu’àlasituationprésente)

Les avantages répertoriés ci-dessus ontconduit à l’intégration des informationsde télédétection dans les EFN. Cependant,il existe également des inconvénients quis’opposent encore aujourd’hui à l’intégrationtotale des données de télédétection dans lesEFN et les inventaires forestiers demanièregénérale.Alorsquelaphotographieaérienneest largement utilisée dans les EFN réaliséesen Europe, dans les pays non européens,l’intégration de données satellitaires danslesEFN est plus courante,même si lesEFNsont par ailleurs moins fréquentes dans cespays.Celas’expliqueparlasuperficiesouventtrèsimportantedeszonesàcouvriretparlesbarrières logistiques limitant l’acquisition dedonnées aériennes. Les obstacles principauxs’opposant à l’intégration des données detélédétection,etsurtoutdesdonnéesspatiales,sontlessuivants:

• Disponibilité des données (où trouverles données nécessaires et comment yavoiraccès)

• Conditionsclimatiques• Perspectives à long terme pour les

systèmes spatiaux (disponibilité desdonnéessurdelonguespériodes)

• Difficultés posées par l’attribution deszones arborées et non arborées auxforêts en fonction de leurs définitionsrespectives

• Coûts supplémentaires si le pland’échantillonnage terrestre existant estconservé

• Difficultésposéesparlaproductiondel’ensemble des paramètres classiquesde la ressource forestière à l’aide dedonnéesaéroportéesetspatiales

• Manquedeformation• Autorisations de vol pour l’acquisition

desdonnéesaéroportéesAu vu de l’évolution technologique et du

nombrecroissantdesatellitesd’observationdela terreenorbitecesvingtdernièresannées,il est naturel de supposer que les donnéesde télédétection prendront une importancecroissante par rapport à la photographieaériennepourlesEFN.Dansuncertainnombredepays,lesdonnéesdetélédétectionspatialesfont partie intégrante des EFN. L’Evaluationdes ressources forestières mondiales (FRA)2010 réalisée par l’Organisation desNationsUnies pour l’alimentation et l’agriculture(FAO)intègredésormaispleinementunvolettélédétection. Après avoir testé l’intégrationde la télédétection spatiale dans les FRAprécédentesenmettant l’accentsur les forêtstropicales, la FAO déclare : “Les données satellitaires permettent la collecte d’informations homogènes partout dans le monde, l’analyse de ces données pouvant être réalisée de la même façon à divers moments, ce qui permet d’avoir de meilleures estimations des changements. La télédétection ne remplace pas la collecte de bonnes données de terrain, toujours nécessaires, mais la combinaison de ces deux techniques donne de meilleurs résultats que l’une ou l’autre employée seule.” (Évaluation des ressources

3

forestières mondiales 2010). Ainsi, lesdonnées spatiales sont maintenant intégréesdans les estimations des zones forestièreset de leurs variations dans le monde entier.Une autre possibilité de source de donnéestélédétectées, qu’elles soient aériennes ousatellitaires, est l’accessibilité des images detélédétectioncollectéespourlescartesGoogle.Toutefois, si elles permettent effectivementd’utiliserlesimagescartographiquesacquisespar télédétection, les cartes Google nedonnent aucune possibilité de traitementdes informations des données d’image, parexemple la classification automatique destypesdeforêt.Cechapitreadoncpourobjectifde fournirdes informations sur l’intégrationdes données de télédétection dans les EFN,en examinant d’abord les facteurs à prendreencomptelorsdelapréparationgénérale,lestypesdedonnéesdisponiblesetlesméthodespossibles.Facteurs à prendre en compte lors de la

préparation générale de l’intégration desdonnéesdetélédétectiondanslesEFNAvant de déterminer le type de données

de télédétection à utiliser et la manière deles intégrer dans les EFN, il est importantde définir les informations que l’on souhaiteobtenir à l’aide de ces données, ainsi queles résultats de l’estimation du point de vuedes informations et des produits livrés. Ladéfinition des paramètres forestiers quel’on souhaite tirer des données, ainsi quedes résultats des estimations conditionneen grande partie le plan d’inventaire etles données attendues. Si les paramètresforestiers doivent être dérivés d’inventairesenplusieursphases,lepland’échantillonnagedoit être conçu avec beaucoup d’attention.Parexemple, siunéchantillonnage intégrantdes données de télédétection (p. ex. desdonnéessatellitairesdetrèshauterésolution)estentreprisetque lesdonnées télédétectéesdoivent être réétalonnées sur les donnéesd’échantillonnage terrestre, il sera nécessaired’effectuer une superposition des relevésterrestres et des échantillons télédétectés.Danstouslesinventairesforestierss’appuyant

sur des données de télédétection, celles-ci servent à effectuer des estimations dessurfacesforestièresetdesvariationsdecelles-ci, opération simple à première vue et déjàcouramment pratiquée. Pour répondre àunedemandedece type,uncertainnombrede facteurs sont à prendre en considération,et certaines décisions doivent être prises. Lapremière décision concerne le résultat del’inventaire. Faut-il réaliser une cartographiecomplète, utiliserune approchepar sondageou une combinaison des deux ? Dans denombreux cas, c’est l’approche combinée quiestpréférable,avecunecouverturecomplèteetdesdonnéesderésolutionmoyenneouélevée,tellesquelesdonnéesModisà0,5ou1kmderésolutionspatiale,utiliséesdanslaFRA2010,oudesdonnéesderésolutionélevée,tellesqueles données Landsat TM, intégrées dans lesEFNdelaFinlande.Lechoixd’unerésolutionmoyenneouélevéedépendprincipalementdelasuperficieàcouvrir,dubudgetdisponible,del’échelleetdesautresinformationsquel’onsouhaiteéventuellementextraire.Unmasqueforêt ou une carte d’occupation des solscombinéeàunmasque forêt sontproduitsàl’aide des données de couverture complète.Même si les donnéesModis et Landsat TMsont souvent utilisées pour effectuer unecartographiedecouverturecomplète,d’autressatellitespeuventégalementêtreutiliséspoureffectuer cette tâche. Le choix du type decapteur satellitaire dépend essentiellementde sa durée de vie. Le tableau 1 montrequelques capteurs satellitaires utilisés pourla surveillance des forêts, tels qu’ils sontprésentésdansledocumentdetravail141delaFRA(Ridder2007).Des informationsplusdétailléesetmisesà

joursonttéléchargeablesdepuisleportailEO(https : //directory.eoportal.org/index.php).Ceportailfournitégalementdesinformationssur les prochaines missions des satellites.Ainsi,lamissionSentinel2del’ASEfourniradeuxsatellitesjumeauxproduisantdesimagesàhauterésolutionetàgrandchampdevision.Cettemission a été programmée pour avoiruneduréedevielongue.LeBrésiletlaChine

4

devraient également fournir des satellitesà durée de vie longue, tout comme l’Indeet les États-Unis. Lors de la préparation del’intégrationdelatélédétectiondanslesEFN,ilfautégalementtenircomptedelafréquencederéplicationdutypedecapteurchoisi.C’esttrès important, en particulier dans les paysayantunclimatpeufavorable.Avantdechoisirletypedecapteur,ilestnécessairedecalculerou d’estimer la probabilité d’obtenir desimages sansnuages, carcepointest critiquesi les données que l’on cherche à obtenirdoiventcorrespondreàunepériodedetempsdonnée.Lafigure1donneunexemplede lafractionnuageusemoyenneprobabledanslesacquisitionsETMLandsat(YuetRoy2007).À l’avenir, les capteurs fournissant des

fréquences de réplication relativement

élevées,tellesqueleprévoitSentinel2,serontparticulièrement utiles pour les EFN. LamissionSentinel2fourniraunefréquencederevisitede5jours.Selonuneétudedesourceinconnue basée sur des données LandsatTM simulant une fréquence de revisite de5,5 jours, la probabilité d’obtenir des imagessans nuages augmenterait en moyenneglobalementde30%parrapportàlafréquencederevisitede16joursactuelle.Avecunetellefréquence,seulesquelquesrégionsforestièrestropicales et sous-boréales présenteraientdes problèmes d’acquisition d’images sansnuagessurunepériodedetempsraisonnableavec une fréquence élevée de revisite de 5jours.Pourcesrégions,d’autrescapteurssontnécessaires,telsquedescapteursRSOoudescapteursoptiquesavecréplicationjournalière.

Tab. 1 : Quelquescapteurssatellitairesadaptéspourlasurveillancedesforêts(source:Ridder2007)

5

L’époque de l’année a aussi une influencesur la probabilité d’obtenir des images sansnuages.Ainsi,dansdenombreusesrégionsdumonde, l’été et l’hiver sontmoins favorablesà l’obtention d’images sans nuages que leprintempsoul’automne.Outre la télédétection spatiale, la

télédétectionaéroportéepeut également êtreutilisée.L’utilisationdesdonnéesaéroportéesdanslesEFNestprincipalementunequestionde coût et de faisabilité.Dans de nombreuxpays, l’intégration des données aéroportéesest impossible du fait des conditionsd’autorisationdevol.Deplus,danslespaysdegrandesuperficie,iln’estpaspossibled’obtenirunecouverture totaleaumoyendesystèmesaéroportés,desortequemêmelaproductiond’un échantillonnage avec des donnéesaéroportées dans le cadre d’un inventaireen plusieurs phases pose des difficultéslogistiques.Les conditions générales ci-dessus ayant

été présentées, nous analyserons l’ensembledes capteurs éligibles en fonction de quatrede leurs caractéristiques principales, ce quipermettra d’obtenir la meilleure adéquationentrelescapteurset lesexigencesenmatièred’informations et de cartographie. Lafaçon la plus efficace de sélectionner lescapteurs éligibles est à la fois de consulterles organismes qui commercialisent leursdonnées,etdesavoirquellesinformationssontrequises. Il est toujours avantageux de bienconnaîtreà l’avance laqualitédesdifférentesdonnéessatellitairesafind’avoiruneidéedes

informationsqu’ilserapossibled’obtenir.Lesprincipauxattributsquidéfinissentlaqualitédesimagesrésultantessontlessuivants:

• La résolution spatialedéfinit leniveaudedétaildesobjetscartographiés.

• La résolution radiométrique définit leniveau de séparation des différencesselon l’énergie réfléchie. Par exemple,supposonsdeuxsurfacesplanesde30x30mchacunequiréfléchissentl’énergiesolairedefaçonsimilairedanslarégionvisibleduspectre.Dansl’imageennoiretblancd’uncapteurdontlarésolutionradiométriqueestfaible,iln’yaurapasde différence entre les deux surfaces,alorsqu’ilyenauraunedanslamêmeimage d’un capteur dont la résolutionradiométriqueestélevée.

• La résolution spectrale définit lenombre de plages du spectre danslesquelles le capteur peut mesurerl’énergie réfléchie. Par exemple, pourunecomposantecouleur,lecapteurdoitpouvoirmesurerl’énergieréfléchiedansunminimumde trois plages (bandes)spectralesdifférentes.

Fig. 1 : Fractionnuageusemoyennedanslesac-quisitionsETMpourchaqueimageterrestreen20020<violet<0,2,0,2=<bleufoncé0,3,0,3<bleuclair<0,4=<vert<0,5,0,5=<jaune<0,6=<orange<0,7,0,7=<rouge<1,0.(Source:YuetRoy2007).

Fig. 2: Exemplesdephotosavecunetailledepixeldifférente

pixelsize30m pixelsize10m pixelsize3mSource:Earthwatch

Fig. 3 : Résolutionradiométriqueégaleà1bitset8bits(sourceinconnue

1bitgreylevelimage 8bitgreylevelimage

6

• La résolution temporelle définit lafréquencederéplicationdusatellite,quiestlaséquencetemporelleselonlaquellelesatelliteauralapossibilitééventuellede répéter l’acquisition des donnéesd’une même surface. Cette fréquencepeut être journalière, hebdomadaire,mensuelle,etc.

Systèmes à capteurs optiquesL’intégration des données provenant dela télédétection dans les EFN concerneprincipalement les systèmes optiques.La photographie aérienne est depuislongtemps une source d’informationscomplémentaire, que ce soit pour les EFNou les inventaires d’entreprise. Définies enfonction des caractéristiques principalesci-dessus, les photographies aériennes ontune résolution spatiale très élevée, unerésolution radiométrique élevée et unesensibilité spectrale allant du domaine duspectre électromagnétique visible à celui del’infrarouge proche (400 nm à 1100 nm). Àl’heure actuelle, des appareils numériquesaéroportés, en général à quatre bandesspectrales dont trois dans le visible et unedans l’infrarouge proche, ont supplanté lessystèmesanalogiquesantérieursutilisantdespellicules de film. La résolution temporellen’est pas un facteur important pour lesphotographies aériennes, puisque les heuresde vol peuvent être programmées plus oumoins sans contrainte. Parce qu’elle permetune plus grande flexibilité d’acquisition desdonnées, la probabilité d’obtenir des imagessansnuagesparlaphotographieaérienneestdoncplusélevéequeparlessystèmesoptiquessatellitaires. La photographie aérienne joue

encore un rôle de premier plan dans lesinventaires forestiers, surtout en Europe.Ainsi, dans un certain nombre de pays, lesdécisions relatives à la nature forestière ounon d’un territoire, et la détermination desvariations des surfaces forestières reposentsurlaphotographieaérienne.Cetteutilisationimportante de telles données en Europes’expliquesansdouteparunusageancien,leurrésolution spatiale très élevée, les relationsétroitesexistantentrelesinstitutsdesondageproducteurs de photographies aériennes etl’administrationdesforêts,lecoûtrelativementélevé des données satellitaires de très hauterésolution(encorepeucompétitifparrapportàceluidesphotographiesaériennes)etenfin,la plus grande probabilité d’obtenir pourun intervalle de temps donné, des donnéessans nuages pour la région considérée. Lesautres facteurs favorables à la photographieaérienneenEuropesontlarelativesimplicitéd’obtention des autorisations de vol et lataille relativement réduite des unités àcartographier, comparativement aux États-Unisouàl’AmériqueduSud,parexemple.Laphotographieaériennenumériquedenouvellegénération favorisera encore certainementdavantage l’usage complémentaire desphotographiesaériennes,enassociationaveclesmesuresterrestres,enraisondel’améliorationde leurs caractéristiques radiométriques etspectralesetdel’augmentationdespossibilitésde traitement des données offertes. Lesrecherches menées par Hoffman (2010)montrent que des paramètres importantsde la ressource forestière, telsque lesgrandstypes d’arbres, la présence d’espaces sansarbres ou d’arbres endommagés, ont pu êtredéterminés par photographie numériqueaérienne infrarouge.Enrevanche, lahauteurdesarbres,informationpouvantêtreobtenuepar photographie aérienne stéréoscopique,n’est généralement pas utilisée pour évaluerles propriétés supplémentaires que sontles estimations du volume de bois ou de labiomasse aérienne. Dans certains pays, lesseulesdonnéesdetélédétectionutiliséespourles EFN sont les photographies aériennes.

Fig. 4 : BandesspectralesdeLandsatTM(deB2àB4)

7

En Suisse par exemple, le recours à laphotographie aérienne permet de diminuerle nombre de placettes d’échantillonnageterrestresnécessaire àuneEFN, sansperdreenquantitéd’informationsnienprécision.Bien souvent hors de l’Europe, mais

également dans certains pays d’Europe,les données satellitaires optiques s’ajoutentaux autres données utilisées lors des EFN.Il s’agit en général non pas de donnéesde satellites à faible résolution mais desatellites à haute résolution comme LandsatTM. Les satellites Landsat sont de loin lesfournisseurs d’images les plus utilisés, car lasérie Landsat offre un coût attractif et unelongueduréedevie.Lesdonnéessatellitairesoptiques sont généralement utilisées poureffectuerunecartographiecomplète, commedans le cas de l’inventaire finlandais, maiségalement pour effectuer des cartographiespar échantillonnage. Pour ce qui est des 4caractéristiques de capteur à prendre encompteavantdechoisir le typedecapteuràutiliser,lecritèreleplusdélicataujourd’huiestceluidelarésolutiontemporelledessatellitesdisponibles,lescritèresderésolutionspatiale,radiométrique et spectrale étant satisfaisantspour la plupart des satellites (p. ex. LandsatTM, Spot, IRS). La résolution temporelle estdéterminantedanslamesureoùlesprincipalesrégionsde forêts sont situéesdansdes zonesàcouverturenuageuseimportante.UneétudemenéeeninterneparlaDLRenAllemagneamontréqu’ilfautenmoyenne5anspourcouvrirle territoire allemand dans son intégralité àl’aide d’images LandsatTM sans nuages. Parconséquent, il est très important d’avoir unerésolution temporelle suffisante permettantd’améliorer la disponibilité des données. Lescoûts influent également fortement sur letype de données de télédétection à intégrerdans les EFN. En effet, plus la résolutionest élevée, plus il sera difficile d’obtenir unecouverture complète d’une zone étendue, etpluslaréalisationdecettetâcheseracoûteuse.Lafigure5illustrelerapportexistantentreleszonesdecouverturepourdesimagesobtenuesavecdescapteursdifférents.

Dans lecadred’uneEFN, la faisabilitéd’unecouverturecomplèteenutilisantdessatellitesàtrèshauterésolutionn’estpasavéréeenraisondes coûts élevés et des problèmes posés parl’obtention d’une couverture complète en untempsraisonnable.Lescouverturescomplètessontenrevancheutilespourlastratificationetladiscriminationforêt-non-forêt(Öhmichen2007). Les recherches de McRoberts (2002)et deDees et Koch (1997)montrent qu’unestratification de la zone de forêt à partir dedonnées satellitaires optiques permet soitd’améliorer la précisiondes estimations, soitde réduire les placettes d’échantillonnagesans perdre en précision. Si la stratificationest utilisée, il existe deux approches : lapré-stratification ou la post-stratification.Si la pré-stratification influe sur le plan desondage retenu, la post-stratification permetdemaintenirlaprécisionduplandesondageexistant.Bien souvent, l’intégration des donnéesde télédétection repose sur une approcheen plusieurs phases. Le cas échéant, laclassification forêt - non-forêt peut êtreeffectuée à l’aide de données de moyennerésolution,puisdesdonnéessatellitairesàhauteettrèshauterésolutionoudesphotographiesaériennes sont collectées dans un deuxièmetemps.Dans le cas d’un échantillonnage, lesdonnées utilisées peuvent être des donnéessatellitaireàhauteoutrèshauterésolutionoubien des photographies aériennes. Le choixdu type de données dépend principalement

Fig. 5 : Rapportexistantentreleszonesdecouvertureobtenuesàl’aidedecapteursdifférents

8

desparamètresdelaressourceforestièrequel’onchercheàobteniràpartirdesdonnéesdetélédétection. Si l’on cherche à cartographierl’étatou l’architecturede la forêt,oubien lesessencesd’arbres,ilestnécessairederecouriràlaphotographieaérienneouàdesdonnéessatellitaires à très haute résolution spatiale,spectraleetradiométrique.Un certain nombre de recherches ont étémenéespourestimerlesvolumesdeboisetlabiomasseaérienneàpartirdedonnéesoptiquesau moyen de régressions. Il existe un lienentrelesignalréfléchietlesvariablesvolumedeboisetbiomasseaériennedansl’infrarougeproche, l’infrarouge de courte longueurd’onde,etpourcertains indices. Il fautnotercependant que la variance est très élevée, etquelacorrélationestd’autantplusfaiblequelevolumedeboisetlabiomasseaériennesontélevés. Elle disparaît complètement dans lescasdeforêtsdensesavecd’importantsvolumesdeboisetdebiomasseaérienne.Lesdonnéesde télédétection seront très utiles à l’avenir,surtout dans le domaine de la modélisationde la séquestration duCO2, la télédétectionétant le seul outil capable de fournir desinformationssurl’étatetlasurfacedesforêtsà l’échelleplanétaire.L’utilisationdedonnéessatellitairesoptiquespourlamodélisationdelafixationduCO2aétédécritesuccinctementpourlapremièrefoisdansleguidederéférenceduGOFC-GOLD(2009).Àl’avenirégalement,les informations concernant la biodiversitéauront une importance grandissante dansles EFN. Si la biodiversité est cartographiée,elle devra être différenciée en deux types :la biodiversité structurelle et la diversité desespèces.Latélédétectionpourraalorsfournirdesinformationspourlesdeuxcatégoriesauniveaupaysager.L’identificationdesespècesselimiteàcelledesessencesd’arbresetdestypesde peuplement. L’identification des essencess’appuieprincipalementsurdesphotographiesaériennesdansl’infrarougeproche,tandisquela reconnaissance des types de peuplementpeut être effectuée à l’aide de donnéessatellitaires à haute et très haute résolutionmultispectrale. Il faut noter toutefois que

cette identification a ses limites, en donnéesphotographiques aériennes comme endonnées satellitaires. Outre la ressemblancede la signature spectrale de nombreusesessences, l’âge des arbres est une limitation(les propriétés spectrales des arbres variantfortementavecl’âge),ainsiquelaconfigurationdes mélanges d’essences et l’état sanitairedes arbres. C’est pourquoi l’identificationdes types de forêt est souvent impossibledans les zones tropicales et subtropicalesdans lesquellesdenombreusesessences sonttrès mélangées. De plus, il faut aussi tenircompte de la variabilité de l’exposition dessurfaces forestières, qui accroît la difficultéd’identification des essences et des types depeuplement. Il n’existe aucun algorithmede correction permettant de supprimercomplètementlesvariationsduesàdesdegrésvariables d’exposition au soleil,mais unbontraitementdesdonnéespermetd’aboutiràdesrésultats satisfaisants. De plus, les avancéesde la recherche en matière de donnéeshyperspectrales permettent d’améliorer lareconnaissance des types de peuplement etd’essence.Engénéral,ladiversitéstructurelleest plus facilement appréhendée par lesdonnées de télédétection. En particulier, ladiversité structurale horizontale peut êtreassezbien cartographiée, voiremêmemieuxque par des mesures terrestres. La qualitédes résultats dépend principalement d’unebonneadéquationentrelarésolutionspatialeetl’échelledecartographiedemandéepourlareprésentationstructurale(Fig.6).Selon les recherches menées à FeLis1 , la

structuredel’habitatd’espècesd’oiseauxpeutêtre modélisée en fonction d’informationsrelativesàl’architecturedelaforêtetautypedepeuplement,extraitesdedonnéesLandsatTMet IRS-1D.Laprobabilitéde laprésenced’une certaine espèce d’oiseau a pu êtrecalculéeparuntestd’adéquation(HosmeretLesmeshow2000)pourunmodèlelogistiqueexact correspondant, établi en fonction de

1 Départementdetélédétectionetdessystèmesd’informationsurlepaysage,universitédeFribourg,Allemagne

9

valeursdegrisetd’indicesdérivésdevaleursde gris obtenus à partir d’images LandsatTMetIRS-1D(C=4,2610,P>Khi2=0,8328)(Herrera 2003). Les résultats indiquent quela probabilité de la présence de ces oiseauxest fortement corrélée aux valeurs de grisdérivéesdescovariablesquisontinclusesdanslemodèle.Lastatistiquecindiqueque92,9%delaprobabilitédelaprésencedesoiseauxestdéterminéeparlescovariablesenquestion.Selonlesrecherchesd’Ivitsetal.(2004),les

indices d’unités élémentaires du paysage etles valeurs des gris, utilisés pour calculer laprésence d’espèces d’oiseaux, sont parvenusà des résultats équivalents. L’analyse derégression logistique a mis en évidencela puissance prédictive des variables detélédétection (Fig. 7). Il apparaît donc queles indices de télédétection peuvent être desindicateurs très utiles de diversité spécifiquedesoiseauxlorsquelesespècesd’oiseauxsontétudiéesindividuellement,maismoinsdanslecadredel’étudedegroupesd’espèces.

Données RSO et de scanneur au laser

Données RSOSi en toute vraisemblance, les donnéesde télédétection optiques revêtiront uneimportance accrue pour les EFN à l’avenir,les applications des données RSO resterontprobablementlimitées,enraisondelagrandecomplexité du traitement des données radaret des limites de cette technologie en régionmontagneuse. L’avantage principal desdonnéesradarrésidedanslatransmissiondusignal au travers des nuages, ce qui favorisel’indépendance des données par rapportaux conditions climatiques. Les données debande L rendent la discrimination forêt -non-forêt assez aisée et permettent d’évaluerdemanière satisfaisante les changements ducouvert forestier (Häme et al. 2009), même

Fig. 6 : Segmentationdessurfacesforestièresàpartirdelafusiond’imageIRS-1DetLandsatTM(source:Ivitsetal.2004)

Ordinary Kriging surface of values predicted from patch

indices

6

4

2

1

3

5

Ordinary Kriging surface of values predicted from grey

values

6

4

2

1

3

5

Ordinary Kriging surface calculated from observed

values

6

4

2

1

3

5

Fig. 7 : Exempledesurfacespatialedekrigeageordinairederésultatsderégressionlogistique;lesdonnéesobservéesetcalculéesàpartirdesvaleursdesgrisetdesindicesd’UEPdel’imageQuickbirdontétéutiliséescommedonnéesd’entréedumodèle;lessurfacesplusfoncéesindiquentuneforteprobabilitédeprésencedel’espèce,tandisquelessurfacesplusclairesindiquentuneforteprobabilitéd’absence.

10

en utilisant des procédures de classificationautomatisées.LesdonnéesdebandeCetdebande X permettent également d’interpréterleszonesdeforêtsurl’imageobtenue(Fig.8).Cependant, l’utilisation des données radar

estfortementlimitéeenrégionmontagneuseenraisondeproblèmesd’ordreradiométriqueet géométrique. Même s’il existe un certainnombre d’algorithmes de correction, l’ombredu radar et les variations d’intensité de larétrodiffusion radar en fonction de l’angled’incidence ne peuvent pas être totalementcorrigés, ce qui limite l’utilisation desdonnées radar dans les EFN,même pour ladiscrimination forêt - non-forêt. L’extractionde paramètres de la ressource forestière àpartirdedonnéesradarestdifficileàeffectueret ne donne pas de résultats cohérents. Ilexistedesalgorithmesetdesmodèles;encoreà l’état expérimental, ils ne peuvent pasêtre intégrés aux EFN dans la pratique.Destravaux considérables ont été entrepris pourutiliser des données radar pour réaliser desévaluations de la biomasse aérienne (Koch2010) ; cependant, les études ne s’appuientpassur des essais robustes et ne s’appliquentpas spécifiquementaudomainedes forêts etde l’acquisition de données. Les évaluationsdelabiomasseaérienneréaliséesaumoyendedonnéesradarsontlimitéesparlasaturationatteinte dans les zones de forêt à volumedeboisoubiomasseaérienneimportante.

Néanmoins, dans les zones de forêt àbiomasse aérienne peu importante commedanslesrégionsboréalesousous-boréales,desestimationsfiablessontpossibles.Enrésumé,les données radar peuvent parfaitementêtre intégrées aux EFN dans la mesure oùcertaines conditions environnementales sontsatisfaites, telles que les données de zonesplanes à vallonnées et les données d’unebiomasse aérienne relativement faible parrapport au volume de bois. De nouvellesrecherchessemblentindiquerqueleproblèmedesaturationpourraitêtreminimisé.Ils’agitdoncuniquementd’unproblèmederecherche.Nga(2010)écritquelesdonnéesdebandeLetdebandePàpolarisationcroiséesontlesplussensiblesàlabiomasseaérienne,commel’ontdéjà montré d’autres auteurs (LeToan 1992,Kurvonen1999).Enparticulier,labandePàpolarisationcroiséepourraitêtretrèsutilelorsde la modélisation de la biomasse aérienne(HendersonetLewis1998),enraisondulienexistantentrelarétrodiffusionenpolarisationcroisée dans la bande L et la bande P et ladiffusionvolumétrique,elle-mêmecorréléeàlabiomasseaérienne.Lasaturationpeutêtreréduiteavecdeplusgrandeslongueursd’onde,maisselonNga(2010),elleresteproblématiquedanslesforêtscaractériséesparunebiomasseaériennesupérieureà200-250Mg/ha.Ànotreconnaissance, l’identification des essenceset des types de peuplement est impossible àpartirdedonnéesradar.Mêmeladistinctionforêtde feuillus - forêtdeconifèresn’estpastrès fiable. Compte tenu des limites et de lacomplexitédu traitementdesdonnéesradar,ainsi que de l’absence de séries de donnéesde longue date, l’intégration des donnéesradardans lesEFNne sembleguère faisableà l’heure actuelle. L’utilisation de systèmesaéroportésestpossiblebienquefortcoûteuseet peu d’organismes commerciaux offrent cetypededonnéesquipermettraientd’intégrerdesdonnéesradaraéroportéesdanslesEFN.

Données laserL’utilisation de données laser dans lesinventaires forestiers a connu un certain

Fig. 8 : ImageTerraSARdunorddeMunichchromoc-odée.Donnéesacquisesle26juinetle7juillet2007,5:26UTC,résolution:3m,mode:Stripmap,polari-sation:VVetHH(source:DLR,Allemagne)

11

essorcesdernièresannées.Quoiquetoujoursenphase expérimentale pour la plupart, desprojetspourraients’avérertrèsintéressantssurle plan de leurs applications pratiques pourles inventaires forestiers (Næsset, E., 2004,McRoberts2010).L’utilisationdes scanneurslaseraéroportés (SLA)pourdesapplicationsforestières constitue probablementl’innovation la plus remarquable de cesdix dernières années dans le domaine dela télédétection appliquée aux inventairesforestiers. Le potentiel énorme des donnéesSLAprovientessentiellementdelapossibilitédemodéliser lasurfaceet lesolde la forêtàpartir d’un ensemble de données unique.Cesdonnéespermettent égalementd’évaluerl’architectureverticaledelaforêt.L’extractiond’informations exactes relatives à la hauteurdes forêts permet de modéliser plusieursparamètres importants de la ressourceforestière. La hauteur est une variabled’entrée qui se prête presque aussi bien à lamodélisation de paramètres importants dela ressource forestière, comme le volume deboisetlabiomasseaérienne,quelediamètreà hauteur de poitrine (DHP). LeDHP et larépartition du DHP sont des variables quipeuvent toutes deux être évaluées à partirde la hauteur. Il existe deux approches demodélisationdes paramètres de la ressourceforestière. La première est une approchede zone et convient aux données de faibledensité(Fig.9);lasecondeestuneapprochepar pied d’arbre et requiert des données dedensité élevée, c’est-à-dire 8 à 10 points parm²pourobtenirdesrésultatssatisfaisants.Denombreuses recherches ont été menées surce thème. Hyppä et al. (2009) donnent unesynthèseexhaustivedel’étatdesdonnéesSLApourlesinventairesforestiers.

Les approches de zone peuvent êtreeffectuéesàpartird’uneanalysederégression,d’une analyse kNN ou en employant lesméthodesdestablesdeproduction.EllessontdécritesendétailparStraubetal.2009.SelonlesrecherchesmenéesparLatifietal.(2010),l’utilisation d’informations obtenues au

moyendelasersdonnedemeilleursrésultatsque les données Landsat TM et que lesphotographies aériennes en ce qui concernel’estimation de paramètres importants de laressourceforestière,telsquelevolumedeboiset la biomasse aérienne (Tab. 2). Outre lesestimationsfiablesdesvolumesdeboisetdelabiomasseaériennequ’ellepermetd’obtenir,l’approchedezoneaumoyendedonnéeslaserpermet également de déterminer, avec undegréélevédequalité,d’autresparamètresdontl’importanceestgrandissantedanslesEFN,telsque ladensitédeshouppierset l’architecturede la forêt, indicateurs de biodiversitéforestière. En revanche, l’identification desessencesoudestypesdepeuplementdemeurepratiquement impossible. Même s’il existedivers moyens de distinguer les feuillus desconifères, les données laser ne permettentpasderéaliseruneidentificationpluspousséedes essencesoudes typesdepeuplement, etce malgré certaines recherches probantesutilisant des informations géométriques etphysiques obtenues à partir de données delaser aéroporté pour identifier les arbres(Heinzel and Koch 2011, Vauhkonen et al.2010,Hollaus et al. 2009,Höfle et al. 2008).Les résultats ne permettent pas encore uneapplicationopérationnelledansuneEFN.Aucours des dernières années, l’approche parpiedd’arbreafaitl’objetd’unintérêtaccrudansles inventaires forestiers. Certaines étudesmontrent que l’intégration d’informationsrecueilliessurunéchantillondepiedsd’arbresestparticulièrementutilepourlaplanificationdelagestion,delarécolteetdelaprotectionécologique des peuplements matures. Ladélimitation des pieds d’arbre pose desdifficultés, la qualité des résultats étant

Fig. 9 : Schémad’uneapprochedezonevisantàestimerlesparamètresdelaressourceforestière

12

fonctiondelaqualitédesdonnées,destypesdepeuplementetdesalgorithmesutilisés.DanslecadreduprojetWoodWisdom(Fig.10),deschercheursontcomparéplusieursalgorithmesdans différents types de peuplements(Vauhkonen et al. 2010). Alors que lesdifférents algorithmes fonctionnentde façonquasi identique, le problème principal resteletypedepeuplement.Lestauxdedétectionétaient bien meilleurs dans les peuplementsrésineux que dans les peuplements feuilluspluristratifiés.Les lasers étant des systèmes aéroportés,

les données laser ne peuvent être intégrésauxEFNquedanslecadred’uninventaireenplusieurs phases réalisé à partir de placettesde sondage. Le seul système embarqué sursatellite, IceSat/Glas, est hors service. Il nefournitdurestequedesdonnéesàcaractèreexpérimental. Le système satellitaire Lidarprévuneseraopérationnelquedansquelquesannées.Pourcesraisons,lesdonnéeslaserontuneapplicationlimitéedanslespaysdegrandesuperficie. Dans le cadre d’inventaires enplusieursphases,parcontre,ellesfournissentdes informations très intéressantes surde nombreux paramètres de la ressourceforestière évalués lors des EFN. L’utilisationde données Lidar permettra de réduire lenombre de placettes de sondage terrestresnécessaireet/oulaprécision.Lesinformationsextraites de ces données sont certainement

plusintéressantessurleplandel’extractiondedonnéesforestièresquelesautresdonnéesdetélédétection.Cependant,lesdonnéesnesontpasencorestandardisées.Ellessontaussipluscoûteuses que les photographies aériennes,ce qui est une contrainte importante pourl’intégrationdesdonnéesLidardanslesEFNaujourd’hui. Dans de nombreux pays, il estdifficile d’utiliser des données Lidar comptetenu du nombre insuffisant d’entreprisesfournisseurs et des restrictions de vol. Ellesprésentent par ailleurs l’inconvénient defournir insuffisamment d’informations surles essences d’arbres. Par conséquent, desrecherches plus poussées dans le domainedes lasers sont nécessaires. Elles doiventétudier des approches de capteursmultiplessur plateforme unique. Ainsi, les systèmeslaser combinés àdes scanneursmultispectreou les systèmes Lidar à longueurs d’ondemultiples sont des options à envisager. Desrecherches plus poussées dans le futur pourune meilleure exploitation des informationsmatériellesetpleineonde,commel’intensité,sontégalementnécessaires.

Traitement des informationsL’exploitationdesinformationsprovenantdesdonnées de télédétection peut grandementvarier. Dans de nombreuses applications

Tabla 2 : ET,ET%etbiais%duvolumedeboissurpiedetdelabiomasseaérienneàl’échelledelaparcelleestimésàpartirdedonnéesd’imagesIRC,LandsatTMetLiDarpourdifférentesméthodesd’imputation(source:Latifietal.2010)

13

pratiques, l’interprétation visuelle desimages convient le mieux pour extraire lesinformations nécessaires. Dans le cadrede la FRA 2010 et de l’initiative REDD,l’interprétation des images est utilisée pouridentifier la zone de forêts, les changementsdesurface,ainsiqueladégradationdesforêts.Cependant,elleestd’uncoûtélevéetelleestsubjective.Sesrésultatsdépendentfortementde la formation des interprètes et se prêtentmal à la comparaison. La classification enzonedeforêtestelle-mêmesubjectivedanslamesureoùlerepéragedescontoursdeforêtsn’est pas toujours évident. Bien entendu, lesévaluations terrestresnesontpasnonplusàl’abrid’interprétationssubjectives.Pourlaclassification,onpréfèreutiliserdes

algorithmes d’apprentissage automatique,principalement pour des raisons d’efficacitéet de standardisation des procédés. Mêmes’ils ne sont pas plus exacts que ceuxobtenus par interprétation, les résultats sonttransparents.Uncertainnombredesystèmesd’analyse d’images sont bien connus. Lessystèmes fondés sur la distance minimale, le maximum de vraisemblance et les réseaux neuronaux sont utilisés depuis denombreuses années. La méthode la plussimple est cellede ladistanceminimale,quicalculeuniquement lesdistancesvectorielles

spectrales les plus courtes dans l’espacemultidimensionnel fondées sur la moyennedes classes d’entraînement, tandis que laméthode du maximum de vraisemblancecalcule la probabilité statistique (de Bayes)d’appartenanced’unpixelàuneclassedonnée,fondée sur la moyenne des vecteurs et lescovariances des classes d’entraînement. Pourcela, on fait l’hypothèse d’une distributiongaussienne, chaque classe étant supposéeéquiprobable (NASA2010).Cettehypothèsede distribution gaussienne est souvent peuréaliste pour les valeurs de gris. Les réseauxneuronaux ne sont pas tellement utilisésdans la pratique, dans la mesure où cessystèmes d’analyse d’images demandent unepuissance informatique considérable, sansque leur supériorité n’ait été démontrée. Lesalgorithmes des réseaux neuronaux sontcensés reproduire les structures neuronalesducerveau.Partantd’unensemblededonnéesd’entrée, ces algorithmes apprennent parcomparaison avec des classifications réellesconnues, les résultats des comparaisonsservant de nouvelles données d’entrée,capables de modifier l’algorithme du réseauautant de fois que nécessaire (Zhang et al.2000).Dans les années 90, les algorithmes de

classification orientée-objet (Lillesand et al.

Fig. 10 :A-PeuplementrésineuxetB-Peuplementfeuillupluristratifié(Allemagne)Lesnombresde1à6représententlesdifférentsalgorithmes

14

2008)ontfaitl’objetd’unintérêtcroissant.Ilsse fondentsuruneapprocheendeuxtemps.La première étape consiste à effectuer unesegmentation en fonction des propriétés deréflectance(couleur),detextureetdeforme.La combinaison de valeurs spectrales et lecontexte peuvent également être pris encompte. Il s’agit d’établir une classificationhiérarchiqueenobjetsselonl’échelleoptimaleattendue.Laphasedesegmentationestsuiviedeladeuxièmeétapeconsistantàclassifierlessegments.Dans de nombreux cas, on utiliselesystèmed’analysed’imagesduPlus proche voisin(McRoberts2011),semblableàceluideladistanceminimale.Cesystèmes’appuiesurlesdistancesspectralesmultidimensionnelles.Ilexisteégalementlesystèmedeclassificationfondé sur des fonctions d’appartenance floue. Ce système tente de tenir comptedes pixels mixtes. Ce dernier tente de tenircompte des pixels mixtes, en calculant unefonctiond’appartenancepourchaquepixeletendéterminantsaprobabilitéd’appartenanceà l’une ou l’autre classe (Nedeljkovic 2004).Le logiciel de classification orientée objet leplusfréquemmentutiliséesteCognition.Lessystèmesd’analysed’imagedutypeMachines à vecteurs de supportetForêts aléatoiressontrelativementnouveaux. Ils sontactuellementau centre de l’attention de la communautéscientifique. Ils permettent tous deux deparvenir àdebons résultatsde classificationdanslesdomainesdel’occupationdessolsetdesforêts.Ilaétédémontréquelesmachinesà vecteurs de support (MVS) étaient mieuxà même de traiter des espaces d’attributs àdimensionnalité élevée et des problèmesde discrimination en classe complexes queles autres méthodes (Heinzel et al. 2010,Mountrakisetal.2011).LaclassificationMVSest une technique d’apprentissage statistiquenonparamétriquesupervisée,quinenécessitepas de poser d’hypothèse relative à ladistributiondes données sous-jacentes.C’estl’avantage principal de ce système d’analyse.Il correspond toujours à une discriminationen deux classes dans un espace d’attributsmultidimensionnel. Les discriminations en

classesmultiples peuvent être effectuées pardivision du problème en problèmes à deuxclasses, combinés de diverses manières.Le système MVS vise à rechercher demanière itérative l’hyperplanminimisant leserreurs de classement à partir des exemplesd’entraînement. La classification Forêtsaléatoires repose surdenombreuxarbresdedécisionindividuels.Ils’agitd’unalgorithmed’apprentissagesupervisécapabledetraiterungrandnombred’attributs,d’exécutionefficacesur des ensembles de données de grandetaille. Quel que soit le nombre des attributset des exécutions, ce système d’analyse nesera pas confronté à un surapprentissage.Il a fourni des précisions élevées pour denombreusesclassifications(KlassenetPaturi2010). Selon Latifi et al. (2010), le systèmed’analyse Forêts aléatoires a de meilleursperformances que le système MVS pour laclassificationdesattributsdeforêt.Ilprésentel’avantage d’évaluer les classifications lors dutraitement.Lesystèmeforêtsaléatoiresutilisedes«amorces»,quisontdeséchantillonsprisdans l’ensembledes donnéesd’entraînement.Ilgénèredesarbresdeclassificationparallèles,et tireunéchantillonaléatoiredevariablesàchaque nœud. Il réalise la division la plusperformante,l’arbrecroissantlepluspossible.L’arbreayantletauxd’erreurleplusfaibleestensuite choisi comme système d’analyse leplusperformant.Outre lessystèmesd’analyseprésentésplus

haut,l’estimateurdu Plus proche voisin (kNN) est une méthode très efficace d’utilisationdes données de télédétection, permettantde générer des informations de couverturecomplètelorsqu’elleestutiliséeenassociationavec les placettes de sondage. La méthodekNNestutiliséedemanièreperformantelorsdes EFN en Finlande (Tomppo 2002).Cetteméthode repose surune régression entre lescaractéristiquesspectralesdespixelsd’imagede zones pour lesquelles on dispose demesuresdeterrainetdespixelsd’imagepourlesquelsonn’endisposepas.Ens’appuyantsurdes mesures de distance de Mahalnobis oueuclidiennesd’unnombrekdevoisinslesplus

15

proches,lespixelssansinformationsdeterrainsevoientassignerlesinformationsdeterraindes pixels qui leur correspondent le mieux.Les informations provenant des mesures deterrain sont ainsi transmises aux zones sansinformationsdeterrain.Dansledomainedelaforesterie,denombreusesrecherchesontétémenées sur l’utilisation de laméthode kNNavecdifférentstypesdecapteurs.L’utilitédelaméthodekNNaétééprouvée,maisletypededonnéesselonlescapteursutilisésetletypedepeuplementinfluentconsidérablementsurlesrésultats(Latifietal.2011).

Observations finalesAvec ce bref exposé, nous ne prétendonspas avoir donné un tableau complet del’utilisation de la télédétection dans lesinventaires forestiers nationaux. Nous avonsnéanmoins voulu fournir une synthèse desaspects importants, en nous appuyant surnotre expérience. Nous n’avons pas fournid’informationssurlesplansdesondagedanslamesure où ces aspects sont présentés pard’autres auteurs ayant une expérience pluspointuedanscedomaine.Nousconseillonslabibliographie ci-dessous pour les personnessouhaitant approfondir leurs connaissancessurlethèmedelatélédétection.

GlossaireSLA scanneurlaseraéroportéDHP diamètreàhauteurdepoitrineIRC infrarougecouleurASE AgencespatialeeuropéenneFAO OrganisationdesNations Uniespourl’alimentationet l’agricultureFRA Évaluationdesressources forestièresGOFC-GOLD GlobalObservationforForest etLandCoverDynamicsIRS1D Satellitedetélédétection indienkNN Systèmed’analysed’image kNN(kplusprochesvoisins)

LandsatETM LandsatEnhancedThematic MapperLandsatTM LandsatThematicMapperModis Spectroradiomètreimageurà résolutionmodéréeNFA EFN,Évaluationforestière nationaleREDD Programmederéduction desémissionsliéesà ladéforestation etàladégradationdes forêtsdanslespaysen développementET Écart-typeRSO Radaràsynthèsed’ouvertureMVS Machineàvecteursdesupport

BibliographieDees, M.and Koch, B., (1997):PoststratifizierungbeiKlumpenstichprobendesignzurNutzungvonFern-erkundungundGISbeiWaldinventuren.In:Pelz,D.R.(Hrsg):SammlungvonBeiträgenausder10.JahrestagungderSektionForstlicheBiometrieundAngewandteInformatikdesDeutschenVerbandesForstlicherForschungsanstalten,24-26Sept.1997inFreiburgBr.

Forest Resource Assessment 2010,MainReport,FAOForestryPaper163,Rom2010,p.340.

GOFC-GOLD,Sourcebook–ReducingGreenhouseGasEmissionsfromDeforestationandDegradationinDevelopingCountries:ASourcebookofMethodsandProceduresforMonitoring,MeasuringandRe-porting.2009,p.108.ourcebookGOFC-Gold

Häme, T., Rauste, Y., Sirro, L., Stach, N.,2009.ForestcovermappinginFrenchGuianasince1992usingsatelliteradarimagery,ProceedingsofISRSE33Sym-posium.Stresa,Italia,4-9May2009.

Heinzel, J. and Koch, B.,2011.Exploringfull-wave-formLiDARparametersfortreespeciesclassification./InternationalJournalofAppliedEarthObservationandGeoinformation/,*13*,152-160

Heinzel, J., Ronneberger, O., Koch, B., 2010,Acomparisonofsupportvectorandlinearclassificationoftreespecies.ProceedingsofSilviLaser2010,14.-17.September2010,Freiburg,Germany,Enßle,F.andWeinacker,H.(Eds.),479-488.

Herrera, B., 2003.ClassificationandModelingofTreesOutsideForestinCentralAmericanLandscapes

16

byCombiningRemotelySensedDataandGIS.Doc-toralthesis.FacultyofForestryandEnvironmentalSciences,DepartmentofRemoteSensingandLand-scapeInformationSystems,UniversityofFreiburg.Germany.

Hoffmann, K., 2010.ErfassungvonWaldstruktur-undWaldzustandsparameternausdigitalenLuft-bilddatendersachsenweitenBefliegung.ForstlicheForschungsberichteNr.209„DergepixelteWald–ForstlicheFernerkundungvordemHintergrundaktuellerEntwicklungeninUmweltundTechnik.FachtagunginFreising,25.Januar2008,S.18-29.

Höfle, B., Hollaus, M., Lehner, H., Pfeifer, N., Wag-ner,W., 2008.Area-basedparameterizationofforeststructureusingfullwaveformairbornelaserscanningdata.Proc.Silvilaser17-20.Sept.2008,Edinburgh,Scotland,227–235.

Hollaus, M., Mücke, W., Höfle, B., Dorigo, W., Pfeif-er, N., Wagner, W., Bauerhansl, C. and Regner, B., 2009.Treespeciesclassificationbasedonfull-wave-formairbornelaserscanningdata.9thInternationalSilviLaserConfernce,October14-16,2009,TexasA&MUniversity,CollegeStation,TX,USA,pp54-62.

Hosmer, D.W., Lemeshow, S. 2000.AppliedLogisticRegression.2ndEdition.WileySeriesinProbabilityandStatistics.JohnWiley&Sons,Inc.NewYork.

Hyyppä, J., Hyyppää, H., Yu, X., Kaartinen, H., Kukko, A., Holopainen, M., 2009.Forestryinventoryusingsmall-footprintairborne.TopographicLaserRangingandScanning,J.ShanandC.K.Toth(eds.),(BocaRaton:CRCPress),335-370.

Ivits, E., Koch, B., Waser, L., Chamberlain, D. 2004.ModellingBiologicalDatawithsegmentedLandscapeObjectsandImageGreyValues.Presentedatthe1.GöttingenGISandRemoteSensingDays,7.–8.Ok-tober2004.J.D.Sauerländer`sVerlagFrankfurta.M.,ISBN3-7939-5138-3,Bd.138,S.349-359.

Ju, J. and Roy, D.P., 2008.Theavailibilityofcloud-freeLandsatETMdataovertheconterminousUnitedStatesandglobally.RemoteSensingofEnvironment112(2008)1196-1211.

Koch, B. 2010.StatusandFutureusingNewLaserScanning,SyntheticApertureRadarandHyperspec-tralRemoteSensingDataforForestBiomassAssess-ment.In:ISPRSJournalofPhotogrammetryandRemote.65(2010)581-590.

Kurvonen, Q., M., Coe, R., van Noordwijk, M., Am-bagau, Y. and Palm, C.A., 2001.Reducinguncertaintyintheuseofallometricbiomassequationsforpredict-ingabove-groundtreebiomassinmixedsecondaryforests.ForestEcologyandManagement146(1-3),199

Latifi, H., Nothdurft, A., Koch, B. 2010.Non-par-

ametricpredictionandmappingofstandingtimbervolumeandbiomassinatemperateforest:applica-tionofmultipleoptical/LiDAR–derivedpredictors.Forestry83(4):395-407

LeToan, T., Beaudoin, A., Riom, J., Guyon, D., 1992.RelatingforestbiomasstoSARdata.GeoscienceandRemoteSensing,IEEET5ransactionson30(2),403-411.

Lillesand, T.,M., Kiefer, R., W., Chipman, J., W., 2008.RemoteSensingandImageInterpretation.6thed.Hoboken,JohnWiley&Sons,Inc.

McRoberts, R., M., Wendt D. G., Nelson, M., Hansen, M., H., 2002.Usingalandcoverclassificationbasedonsatelliteimagerytoimprovetheprecisionofforestinventoryareaestimates.RemoteSensingofEnvironment(81),2002,36-44.

McRoberts, St., 2010:Advancesandemergingissuesinnationalforestinventories.ScandinavianJournalofForestResearch25:368-381.

McRoberts, St., 2011:Estimatingforestattributepa-rametersforsmallareasusingnearestneighborstech-niques.ForestEcologyandManagement(inpress),Sciencedirect(http://www.sciencedirect.com/)

Mountrakis, G., Im, J., Ogole, C., 2011.Supportvectormachinesinremotesensing:Areview.ISPRSJournalofPhotogrammetryandRemoteSensing66(2011)247-259.

Naesset, E., 2004.Estimationofabove-andbe-low-groundbiomassinborealforestecosystems.InternationalArchivesofPhotgrammetry,RemoteSensingandSpatialInformationSciences,Vol.36Part8/W2,3-6October2004,Freiburg,Germany,145-148.

Nga, N. T., 2010.EstimationandmappingofabovegroundbiomassfortheassessmentandmappingofcarbonstocksintropicalforestsusingSARdata–acasrstudyinAframHeadwatersForest,Ghana.Dis-sertationatInternationalInstituteforGeo-Informa-tion,ScienceandEarth-Observation,ITC,Enschede,Netherland,2010,pp.79.

Öhmichen K.,2007.SatellitengestützteWaldflächen-kartierungfürdieBundeswaldinventur.DissertationanderUniversität,Hamburg,2007,105S.

Ridder R. M., 2007,Optionsandrecommandationsforaglobalremotesensingsurveyofforests.FoodandAgriculturalOrganisation,Workingpaper141,Rome2007,p.55.

Straub, C., Weinacker, H., Koch, B. 2009.ACompar-isonofDifferentMethodsforForestResourceEstima-tionusingInformationfromAirborneLaserscanningandCIROrthophotos.In:EuropeanJournalofForestResearchDOI10.1007/s10342-010-0391-2(online).

Tomppo, E., A. Pekkarinen, 1997:Methodenerpro-

17

bungderFinnischenNationalenMultiquellen-Wald-inventurinNordrhein-Westfalen.In:Landeswald-inventur–Konzeption,Verfahrenstest,Ergebnisse,SchriftenreihederLandesforstverwaltungNor-drhein-WestfalenHeft5,52-67

Vauhkonen, J., Korpela, I., Maltamo, M. And Toko-la, T., 2010.Imputationofsingle-treeattributesusingairbornelaserscanning-basedheight,intensityandalphashapemetrics.RemoteSensingofEnvironment.Doi10.1016/j.rse.2010.01.016

Vaukonen, J., Ene, L., Gupta, S., Heinzel, J., Holmgren, J., Pitkänen, J., Solberg, S., Wang, Y., Weinacker, H., Hauglin, K.M., Lien V., Packelen, P., Gobakken, T., Koch, B., Naesset, E., Tokola, T., Maltamo, M., 2010.Comparativetestingofsingle-treedetectionalgorithms.ProceedingsofSilviLaser2010,14.-17.September2010,Freiburg,Germany,Enßle,F.andWeinacker,H.(Eds.).

Zhang, G., P., 2000.NeuralNetworksforClassifica-tion:Asurvey.IEEETransactionsonSystems,ManandCypernetics-PartC:ApplicationsandReviews,Vol.30,No.4,November2000,451-461.

ESA,GMESObservingtheEarth–LivingPlanetProgrammhttp://www.esa.int/esaLP/SEMM4T4KX-MF_LPgmes_0.html,(lastaccess17.02.2011)

Klassen M., and Paturi, N.,2010.Webdocumentclassificationbykeywordsusingrandomforests.NDT(2),2010,256-261.http://robles.callutheran.edu/~m-klassen/doc/NDT2010.pdf(lastaccess28.2.2011)

Leo Breiman and Adele Cutler, Random Forest,http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm(lastaccess28.2.2011)

NASA, Remote Sensing Tutorial 2010,Imagepro-cessingandInterpretationhttp:://rst.gsfc.nasa.gov/Sect1/Sect1_19.html(lastaccess28.2.2011)

Nedeljkovic, I., 2004.Imageclassificationbasedonfuzzylogic.TheInternationalArchivesofPhoto-grammetry,RemoteSensingandSpatialInforma-tionSciences,Vol.34,PartXX,2004.http://www.google.de/search?hl=de&q=IMAGE+CLASSIFICA-TION+BASED+ON+FUZZY+LOGIC&aq=f&a-qi=&aql=&oq=(lastaccess28.02.2011)

NeuralNetworkClassification,http://www.resample.com/xlminer/help/NNC/NNClass_intro.htm(lastaccess28.2.2011)

Tomppo, E., 2002.Developmentofmoreeffcienttoolsforthe21stcenturyforestinventoryusingfieldandsatellitedata.InProceedingsForestSat2002NationalForestInventory,August6,2002.http://www.met-la._/pp/ETom/index-en.htm(lastaccess28.2.2011)

18