Les plantations forestières dans le cycle global du carbone

Les plantations forestières dans le cycle global du carbone

ESTIMATIONS SPATIALISÉES DE PRODUCTION GRÂCE A L’EXPLOITATION DE SÉRIES TEMPORELLES D’IMAGES DU SATELLITE MODIS

Introduction

Cette partie aborde la variabilité spatiale (inter parcelle) et temporelle de la productivité des plantations, à travers l’utilisation de données issues de télédétection dans le cadre du concept d’efficience d’utilisation de la lumière. Plus concrètement, nous avons travaillé avec des séries temporelles d’indice de végétation du programme MODIS, que nous avons mises en relation avec la production de bois, de façon d’abord empirique puis par l’intermédiaire de l’estimation à partir de l’indice de végétation de la fraction de rayonnement photosynthétiquement actif absorbée par la canopée (fAPAR). La mise en relation de séries temporelles de NDVI avec la production de bois des plantations a offert des résultats qui pourront être intéressants à la fois du point de vue de l’application pratique en gestion forestière, et du point de vue de la compréhension de la variabilité spatiotemporelle de l’efficience d’utilisation de la lumière pour la production de bois. Ces résultats, ainsi que la méthodologie sont présentés en détail dans l’Article A. Ce chapitre de thèse replacera la méthodologie suivie dans le cadre général de l’étude, et synthétisera les principaux résultats obtenus et les questions qui en ont découlé. Ce travail a été initié grâce à la collaboration avec Danny Lo Seen, qui m’a apporté son expertise en télédétection pour les premières utilisations des images des satellites Landsat et CBERS, et de séries temporelles d’images MODIS ; et m’a appris à géocorriger les images CBERS. L’étude s’est poursuivie en collaboration avec Guerric le Maire qui a rejoint l’équipe de l’UPR 80 début 2008. Nous avons choisi ensemble le réseau de parcelles sur lesquelles nous avons bâti l’étude, parmi les parcelles de la compagnie International Paper do Brasil. La collaboration avec cette compagnie a été possible grâce à l’appui de José Luiz Stape, qui a su repérer une situation possible de collaboration « gagnant-gagnant » entre l’entreprise et notre équipe de recherche. Les campagnes de terrain en 2008 ont été menées en collaboration avec Guerric le Maire, qui a également réalisé l’extraction des séries temporelles de NDVI sur les pixels correspondant aux parcelles d’étude. J’ai réalisé par la suite le traitement des photographies hémisphériques prises sur ces parcelles et l’analyse des données en relation avec les données MODIS et les données d’inventaire de la compagnie International Paper. Ce travail a fait l’objet d’une présentation à la conférence IUFRO (International Union of Forestry Research Organizations) « Productivity of Tropical Plantations », à Porto Seguro, Brésil, du 10 au 14 Novembre 2008, qui est disponible sur http://www.ipef.br/iufro2008. Après une entrée en matière présentant l’approche simple du concept d’efficience de la lumière, nous expliquerons la pertinence de son application aux plantations d’Eucalyptus.

Séries temporelles de NDVI et production de bois

brésiliennes, et comment les particularités de ces plantations ont favorisé l’utilisation de séries temporelles de l’indice de végétation NDVI mesuré par le satellite MODIS. Ces séries temporelles sont décrites, puis les enseignements obtenus grâce à leur mise en relation avec l’interception de la lumière et la production de bois sont discutés.

2Estimations de production par télédétection

Principe du forçage de modèle d’efficience d’utilisation de la lumière par des séries temporelles de données satellitaires

Séries temporelles

Les séries temporelles d’images satellitaires permettent d’exploiter la double dimension spatiale et temporelle des données de télédétection, offerte par le retour régulier des satellites au dessus des mêmes zones de la Terre. L’écart de temps entre deux observations définit la résolution temporelle de la série. De la même façon que pour la résolution spatiale, l’échelle de la variabilité que l’on souhaite observer détermine la résolution temporelle minimale nécessaire. L’étude de séries temporelles d’images satellitales a permis de nombreuses applications, dont le suivi de changements d’utilisations des terres et les détections de changements, par la comparaison dans le temps de classifications d’images (Xie et al. 2008; Gillanders et al. 2008). D’autres applications incluent les suivis de phénologie de cultures et de formations végétales naturelles grâce à l’observation des changements de réflectance au cours d’une saison de végétation (Henderson & Badhwar 1984; Wang et al. 2004; Soudani et al. 2008), et l’extraction de données permettant le forçage de modèles globaux ou régionaux de production primaire (Goward & Dye 1987; Prince 1991a; Potter et al. 1993; Ruimy et al. 1996; Seixas et al. 2009).
Le satellite NOAA et son radiomètre AVHRR (Advanced Very High Resolution Radiometer) ont permis de nombreuses études basées sur les séries temporelles, grâce à leur résolution temporelle élevée et à leur gratuité. Par exemple la comparaison d’images prises entre 1981 et 1991 sur le globe a permis à Myneni et al. (1997) de mettre en évidence l’allongement de la saison de végétation dans les hautes latitudes nord en relation avec les changements globaux. Cependant, l’extraction temporelle de grandeurs quantitatives s’est avérée compliquée à cause de problèmes de dérive du capteur, de précision réduite en cas de visée oblique, et de la difficulté de prise en compte des variations de composition atmosphérique (Goward et al. 1991). Depuis la mise en service de MODIS et de MERIS (Gobron et al. 2007), les données quantitatives sont plus fiables grâce aux avancées des algorithmes de correction atmosphérique, comme il a été montré par Huete et al. (2002) en comparant les données de réflectance corrigées de MODIS avec des données mesurées in situ au niveau du sommet de canopées et autres surfaces terrestres. Ces avancées techniques permettent d’espérer obtenir des résultats plus intéressants d’études de séries temporelles avec MODIS et MERIS qu’avec AVHRR, d’autant plus que ces capteurs offrent les deux bandes spectrales les plus Le travail avec les séries temporelles de données journalières permet d’augmenter la probabilité d’acquisition d’images sans nuage, et permet après filtrage d’obtenir des données comparables (correspondant à un angle d’acquisition proche du nadir, et à un angle solaire fixe) de bonne qualité à une résolution temporelle de l’ordre de la semaine ou du mois. L’étape de filtrage est nécessaire pour éliminer le maximum de variabilité parasite due aux conditions atmosphériques variables, et aux effets angulaires des conditions de prise de vue (angle de l’éclairement solaire, angle du capteur). Un effet important sur les capteurs balayants de type « whiskbroom » comme AVHRR et MODIS est celui de la variation de la taille du pixel avec la position sur la zone d’acquisition, correspondant à l’angle entre le capteur et la surface lors de la prise de vue. Sur le capteur MODIS par exemple, un pixel d’acquisition excentré peut être jusqu’à quatre fois plus grand que celui observé depuis le nadir (Huete et al. 2002).

Modèle d’efficience d’utilisation de la lumière

A partir des années 1980, des chercheurs de la communauté de la télédétection ont exploité ces séries temporelles pour l’étude du fonctionnement de la végétation, en observant qu’on pouvait relier de façon linéaire des cumuls d’indices de végétation avec la production primaire nette saisonnière réalisée par des cultures ou par la végétation naturelle (Tucker et al. 1981; Tucker et al. 1985; Goward et al. 1985; Prince 1991b). Cette approche empirique est implicitement basée sur le modèle d’efficience d’utilisation de la lumière, énoncé par Monteith (1977) pour les cultures annuelles en Angleterre. Il propose la notion d’efficience de conversion de l’énergie en matière, et postule que la production de biomasse par les cultures anglaises est reliée linéairement au rayonnement qu’elles absorbent. La variabilité spatiale de la production de biomasse est selon lui due à la variabilité spatiale de développement du feuillage et donc de capacité d’absorption de la lumière, qui est elle-même reliée à la variabilité des précipitations et des températures moyennes. On peut énoncer le modèle ainsi : Où PAR est le rayonnement photosynthétiquement actif incident, et ε est le paramètre d’efficience de conversion de l’énergie absorbée en matière sèche, appelé aussi efficience d’utilisation de la lumière et exprimé en grammes de matière sèche par mégajoule de PAR absorbé. Le PAR n’étant souvent pas mesuré, il est courant de l’estimer comme le produit entre le rayonnement global Rg et un paramètre appelé efficience climatique, qui représente le rapport PAR/Rg et est généralement supposé constant à une valeur comprise entre 0.45 et 0.5 (Cho et al. 2010). Une variante du modèle consiste à remplacer la PPn par la PPb, et ε est alors une efficience de conversion en photoassimilats (Prince 1991a), qui serviront à la fois à la production de matière sèche et à la respiration autotrophe.
Dans cette relation, un seul paramètre végétal varie spatialement : il s’agit du fAPAR. Or le fAPAR est un des paramètres biophysiques qu’on peut estimer par télédétection, et notamment grâce à l’utilisation d’indices de végétation. Par l’intermédiaire du modèle simple de Monteith, et à condition d’estimer avec précision la valeur du paramètre ε, on a donc la possibilité d’estimer la production primaire nette de la végétation dans le temps et l’espace, grâce au forçage du modèle avec des données temporelles de PAR ou de Rg incident et de fAPAR obtenu par télédétection (exemple : Baret et al. 1989). Cette approche, très attractive, présente cependant des limites importantes. La première limite concerne l’obtention du fAPAR à partir des données de télédétection, qui comporte des incertitudes, comme nous le verrons dans le chapitre suivant. La deuxième limite est due à la validité du modèle lui-même, et plus particulièrement du paramètre ε. Dans la formulation d’origine ce paramètre est considéré comme étant constant, ce qui permet d’utiliser une seule valeur de ε dans le temps et dans l’espace pour estimer la PPn. Cependant de nombreuses études ont démontré que ce paramètre variait selon plusieurs facteurs : • Le type de végétation ou espèce considérée (Prince 1991a) • La fertilisation, ou la teneur en azote ou chlorophylle foliaire (Green 1987; Steinmetz et al. 1990) • La saison de végétation ou jour de l’année (Gamon et al. 1995; Lagergren et al. 2005) • La température et le stress hydrique (Nouvellon et al. 2000; Steinmetz et al. 1990; Runyon et al. 1994; Lagergren et al. 2005) Des exemples d’études qui ont abouti à ces conclusions, ou proposé des modifications au modèle d’origine pour contourner cette limite, seront présentés dans la partie 2.2.3.

Estimation par télédétection du rayonnement intercepté

La notion d’indice de végétation a émergé dans les années 1970 avec les débuts de l’imagerie satellitaire multispectrale. Le premier indice présenté est le « Simple ratio » (SR), le rapport des réflectances dans le proche infra rouge (ρPIR) et le rouge (ρR), qui prend des valeurs d’autant plus élevées que la couverture végétale est dense (Pearson & Miller 1972). Une version normalisée de cet indice, variant entre -1 et 1, a rapidement été proposée et nommée NDVI (Rouse 1974). Par rapport à l’observation simple des ρPIR, le SR et le NDVI ont l’avantage, par leur concept de ratio, de réduire fortement les effets de bruit multiplicatif affectant toutes les bandes spectrales (variation des conditions d’illumination, atténuation atmosphérique (A. Huete et al. 2002), effets topographiques (Matsushita et al. 2007)). De nombreuses études, à la fois expérimentales et théoriques, ont montré que le NDVI était relié avec le fAPAR de façon quasi linéaire (e.g. Tucker et al. 1981; Asrar et al. 1984; Sellers 1985; Baret & Guyot 1991; Wiegand et al. 1991; Goward & Huemmrich 1992; Daughtry et al. 1992; Pinter 1993; Begue 1993; Myneni & Williams 1994; Myneni et al. 1995). Cette quasi linéarité du NDVI avec le fAPAR, et la simplicité de l’indice, en ont fait l’outil privilégié d’estimation du fAPAR par télédétection. La relation entre NDVI et fAPAR n’est cependant pas unique, mais est affectée par différents facteurs : • Le capteur (Verstraete & Pinty 1996). • Les angles de vue et d’éclairement (Myneni & Williams 1994). • La structure du couvert (Begue 1993). • La saison (Wang et al. 2005). • Les caractéristiques du sol visible en arrière-plan (Huemmrich & Goward 1997). Les effets dus à l’angle de vue peuvent être limités en utilisant une série temporelle de données acquises dans des configurations similaires, grâce à l’élimination des données correspondant à des angles de vue trop importants. L’angle solaire est plus difficile à éliminer, puisqu’il varie au cours de l’année alors que la plupart des satellites, héliosynchrones, effectuent les acquisitions à la même heure de la journée, cependant certaines études ont montré que cet effet était minime (Pinter 1993). Pour prendre en compte la structure du couvert, la solution consiste à établir une relation linéaire particulière entre fAPAR et NDVI pour chaque type de couvert étudié. Mais cette solution est difficilement applicable lorsque la structure du couvert change au cours du temps, comme c’est le cas pour certaines cultures. Un aspect important de la structure du couvert est son taux de couverture, i.e. la fraction de végétation visible en cas d’observation au nadir. Le taux de couverture joue sur l’importance de la composante de la réflectance fournie par le sol. Baret & Guyot (1991) et Baret et al. (1995) ont montré qu’on pouvait établir une relation semi-empirique non-linéaire entre un indice de végétation et le fAPAR, faisant intervenir la valeur de l’indice pour le sol nu et celle pour une végétation totalement couvrante, et un coefficient qui s’apparente au quotient de deux coefficients d’extinction. Cette approche permet de rendre compte de la légère nonlinéarité observée entre le fAPAR et les indices de végétation. Nous avons choisi d’utiliser le NDVI pour notre étude sur la production des plantations, car il s’agit d’un indice simple calculable avec uniquement les bandes rouge et PIR, et fourni directement dans le cas de MODIS, favorisant ainsi les applications futures de nos résultats. D’autre part il peut être relié de façon simple et relativement robuste avec le fAPAR. Nous avons choisi d’appliquer une relation proche de celle présentée par Baret & Guyot (1991), pour sa prise en compte de la composante liée à la réflectance du sol, qui induit une légère non-linéarité.

Exemples

Comme exemple d’étude ayant établi une relation linéaire entre un cumul d’indice de végétation et la production végétale, on peut citer l’étude fondatrice de Tucker et al. (1981) sur une culture de blé d’hiver. Les valeurs cumulées de l’indice Simple Ratio, calculé avec les valeurs de réflectance du couvert obtenues avec un radiomètre portatif, ont permis de représenter 79% de la variabilité d’accumulation de biomasse observée à la fin de la saison de végétation. L’auteur se base sur ces résultats pour proposer l’estimation de la production de biomasse à l’échelle globale grâce à des données satellitaires. Cette proposition a été mise en application grâce aux premières données du satellite NOAA. Par exemple Goward et al. (1985) ont analysé à l’échelle du continent nord américain les tendances données par les cumuls de NDVI du capteur AVHRR pour la saison de végétation de 1982. Ils ont conclu que les cumuls observés montraient une bonne relation avec les
valeurs connues de PPn des formations naturelles américaines. Tucker et al. (1985) ont proposé une étude du même type sur la végétation du sahel sénégalais. Un rare exemple sur sites forestiers est donné par Wang et al. (2004), qui ont observé de bonnes relations entre des cumuls de NDVI et les tailles de cernes et chutes de litières observées dans des forêts des plaines centrales des Etats-Unis.

Table des matières

1 Introduction
1.1 Les plantations forestières dans le cycle global du carbone
1.1.1 Rôle des forêts dans le contexte global
1.1.2 Des plantations forestières en expansion
1.1.3 Les enjeux associés à la durabilité de la production intensive de bois
1.2 Les cycles du carbone, de l’eau et des éléments minéraux en milieu forestier
1.2.1 Déterminisme du bilan de carbone en milieu forestier
1.2.2 Les processus écophysiologiques impliqués
1.3 Établissement de bilans de carbone à l’échelle régionale
1.3.1 Méthodes d’étude à l’échelle d’un écosystème
1.3.2 Spatialisation à l’aide de données issues de télédétection
1.4 Les bilans de carbone, d’eau et d’azote de plantations tropicales d’Eucalyptus
1.4.1 Les plantations d’Eucalyptus dans le contexte du projet de recherche Ultra Low CO2 Steelmaking (ULCOS)
1.4.2 Un ensemble préexistant solide de connaissances sur le fonctionnement des plantations d’Eucalyptus
1.4.3 Objectifs de la thèse : comprendre la variabilité spatiale et temporelle des flux en liant des approches de télédétection et de modélisation
2 Estimations spatialisées de production grâce a l’exploitation de séries temporelles d’images du satellite MODIS
2.1 Introduction
2.2 Estimations de production par télédétection
2.2.1 Principe du forçage de modèle d’efficience d’utilisation de la lumière par des séries temporelles de données satellitaires
2.2.2 Estimation par télédétection du rayonnement intercepté
2.2.3 Exemples
2.3 Suivi temporel de rotations entières de plantations d’Eucalyptus avec les données du capteur MODIS
2.3.1 Intérêt de l’approche des séries temporelles pour les plantations d’Eucalyptus
2.3.2 Organisation de l’étude
2.3.3 Constitution et première analyse des séries temporelles
2.4 Résultats : premiers enseignements sur la variabilité spatiotemporelle de la productivité
2.4.1 Relations empiriques entre NDVI moyen et données d’inventaire
2.4.2 Une efficience d’utilisation de la lumière variant avec l’âge et la fertilité
2.5 Conclusions
3 Modélisation des flux de carbone, d’eau et d’azote et application spatialisée
3.1 Introduction
3.2 Choix du modèle de flux
3.2.1 Modèles existants pour milieux forestiers
3.2.2 Applications spatialisées
3.2.3 Choix du modèle G’DAY
3.3 G’DAY sur une parcelle expérimentale brésilienne
3.3.1 La version initiale
3.3.2 Paramétrisation et modifications pour mieux simuler le LAI
3.3.3 Modification du bilan hydrique et du modèle d’assimilation du carbone
3.4 G’DAY sur 16 parcelles : variabilité spatiale de la production
3.4.1 Déterminants de la variabilité spatiale sur le réseau de parcelles : importance de la réserve utile
3.4.2 Détermination de la réserve utile
3.4.3 Résultats de simulations
3.5 Approches de spatialisation à l’aide de séries temporelles de LAI issues de données MODIS
3.5.1 Synthèse bibliographique sur les méthodes d’estimation du LAI
3.5.2 Nos mesures de terrain d’indice foliaire
3.5.3 Estimations de LAI à partir des séries temporelles de réflectances
3.5.4 Comparaison des séries temporelles de LAI avec les LAI simulés
3.5.5 Forçage du modèle par les séries temporelles de LAI
4 Conclusions et perspectives
4.1 Conclusions
4.1.1 Estimation de la production des plantations grâce à des données satellitaires optiques
4.1.2 Modèle écophysiologique simulant les flux et stocks de carbone, eau et azote
4.1.3 Utilisation de données de télédétection pour améliorer les simulations spatiales
4.2 Perspectives
4.2.1 Poursuite du travail sur le modèle
4.2.2 Pistes expérimentales
Bibliographie..

Télécharger le rapport complet