Sélection de sites d’étude au sein de la Cikel 

Les approches indirectes

Les approches indirectes fournissent des proxies de la dégradation via la cartographie des zones de non-forêt c’est à dire des réseaux de routes, et des parcs à grumes par exemple. Ces éléments paysagers sont une preuve évidente de l’activité d’exploitation forestière. Les métriques de proximité telles que la distance à une route, à une activité agricole ou à une infrastructure sont utiles pour délimiter les aires potentiellement dégradées, cela étant fait généralement à l’aide de zones tampons autour de l’élément impacté considéré comme non-forêt.
Parmi de nombreuses références, Bourbier et al. (2013) ont mis en œuvre une chaîne de traitements semi-automatique adaptée à l’imagerie Landsat afin d’estimer à grande échelle l’ouverture du couvert forestier. Cet outil a été développé au Centre de coopération Internationale en Recherche Agronomique pour le Développement (CIRAD) dans le cadre du projet CoForChange, dont l’objectif global était de prévoir l’évolution du couvert forestier dans le bassin du Congo, et de développer des outils d’aide à la décision . Ainsi, l’outil peut cartographier annuellement un réseau de routes forestières sur une grande surface. Cette approche permet « d’empiler » des cartes annuelles et d’analyser l’impact de la route forestière ainsi que la capacité de revégétalisation de la forêt au fil du temps.
Un prétraitement standard (normalisation) est appliqué sur chaque image pour uniformiser les valeurs de réflectance. Ensuite, des indices spécifiques sont calculés pour renforcer le contraste spectral entre la forêt (surface photosynthétique active) et le sol nu.
Ces indices sont le NDVI et le GREEN-RED (GR = G-R / G+R). Le sol nu est identifié en utilisant des seuils sur les valeurs spectrales des indices, et un pixel est considéré comme sol nu quand sa valeur spectrale dépasse le seuil (Figure 4 (B)). De plus, un masque d’eau et de nuages est appliqué à toutes les images pour éviter les confusions avec les surfaces de sol nu. Puis, un filtre morphologique est utilisé pour éliminer les pixels isolés et extraire les routes. Un objet est considéré comme « route » si sa taille est supérieure à 50 pixels ou si sa largeur est supérieure à 3 pixels. Ensuite, un modèle booléen (0 ou 1) est créé en considérant la forêt (0) et le sol nu (1). Puis, un filtre morphologique permet de conserver les pixels aux abords de la route, et de masquer les pixels isolés (Figure 4 (C)).
L’avantage de cet outil est qu’il est semi-automatisé, et il permet d’analyser la revégétalisation de la forêt exploitée en relation avec la position hiérarchique du réseau routier d’exploitation.
En revanche, l’une des principales limites est la persistance des nuages dans les régions tropicales notamment, et le fait que cette méthode ne soit pas entièrement automatique. De plus, la méthode ne permet pas de détecter les petits impacts de la dégradation comme les trouées d’abattage.

Combinaison des approches directes et indirectes

Une étude réalisée par Tritsch et al. (2016) a développé une méthode combinant les approches directes et indirectes afin d’estimer par télédétection tous les impacts de l’exploitation forestière tels que les pistes forestières et parcs à grumes, ainsi que la fraction d’ouverture de la canopée liée aux trouées d’abattage.
Cette méthode, développée au CIRAD, s’appuie sur les travaux réalisés par Bourbier et al. (2013) pour la détection des pistes et des parcs à grumes, ainsi que sur la méthode CLASlite (Asner et al., 2005) et l’indice NDFI (Souza, Jr et al., 2013) pour la détection des trouées d’abattages. Grâce à cette approche, des cartes des impacts de l’exploitation forestière sont réalisées, afin de comprendre les multiples activités d’exploitation qui façonnent le paysage forestier actuel. Cette méthode est basée sur la surveillance des ouvertures de la canopée, puis la mise en place d’indicateurs de télédétection permettant de suivre les différentes trajectoires de perturbation de la forêt à travers le temps.
L’inconvénient de cette approche est qu’elle n’est pas reproductible car elle utilise CLASlite pour cartographier l’état du couvert forestier, qui fonctionne à partir d’une librairie spectrale exclusive.

Conclusion des méthodes

Pour résumer, voici les principaux apports qui seront réalisés dans cette étude, vis à-vis des méthodes existantes vues ci-dessus.
Tout d’abord, concernant les approches directes ponctuelles, l’apport de cette étude est qu’elle s’appuie sur une classification non supervisée (Baraldi et al., 2006) pour déterminer les pixels purs et constituer la librairie spectrale nécessaire au démixage linéaire. Cela permet de rendre la méthode reproductible, ce qui n’était pas le cas avec la méthode CLASlite (Asner et al., 2009) et la photo-interprétation (Souza, Jr et al., 2013). Puis, concernant les approches directes temporelles, cette étude s’appuie sur l’analyse de sept indices de végétation pour la méthode BFAST contrairement à deux indices testés jusqu’à présent, le NDVI et le NDMI (DeVries et al., 2015a; DeVries et al., 2015b;Dutrieux et al., 2015; Dutrieux et al., 2016). De plus l’approche BFAST n’a pas été proprement validée sur le terrain, alors que dans notre cas, une validation terrain sera possible. Par ailleurs, la méthode LandTrendr (Kennedy et al., 2010) va être appliquée pour la première fois sur les forêts tropicales humides.

Site d’étude

Le municipe Paragominas

L’étude se porte sur le Municipe de Paragominas située au nord-est de l’état du Pará au Brésil, à 217 km au sud de sa capitale, Bélem (Figure 5).
Cette commune de 19 342 km², grande comme les deux-tiers de la Belgique, compte 110 026 habitants (Institut Brésilien de Géographie et de Statistiques, IBGE, 2017). Elle est traversée par un axe routier stratégique qu’est le BR 010, reliant Brasilia à Bélem et ouvrant la porte vers l’Amazone et le commerce international. Paragominas fut construite le long de cette route, en 1965, et ce territoire est devenu l’une des premières aires de colonisation de l’Amazonie. La forêt a été exploitée de façon prédatrice pour favoriser l’essor d’activités anthropiques telles que l’élevage, l’agriculture, les exploitations minières et la production de charbon de bois, qui ont largement contribué à la déforestation pendant trois décennies. Le paysage de Paragominas s’est transformé et est devenu une mosaïque de différentes occupations du sol.
Petit à petit, la structure de la forêt a changé, avec un appauvrissement des espaces forestiers. Lors des premières exploitations forestières, les arbres à forte valeur économique étaient coupés, puis les arbres de plus faible valeur ont subi le même sort.
Lorsque le potentiel économique de la forêt diminuait, l’exploitation pour le charbon prenait place. Enfin, une fois que la forêt a perdu tout avantage économique, la zone forestière était convertie en zone agricole, en utilisant le feu pour brûler la végétation restante. Cependant, plus la forêt est dégradée, plus le feu se propage rapidement. Donc en plus du déboisement lié aux activités économiques, le feu est devenu un nouveau facteur de la dégradation forestière pour les forêts abîmées autour des espaces agricoles.
En 2005, l’Etat fédéral du Brésil s’engage dans la lutte contre la déforestation en mettant en place un système de suivi de la déforestation grâce à l’INPE, à l’échelle de l’Amazonie légale. Ils ont développé un outil capable d’identifier les zones déforestées et de les suivre dans le temps. En 2008, Paragominas a alors été ajoutée à la liste rouge de la déforestation, publiée par le gouvernement fédéral du Brésil. Cette liste rouge comprend les municipalités avec les surfaces annuelles de déforestation les plus élevés en Amazonie légale (>40 km²/an), et impose des mesures strictes telles que des embargos, des restrictions de crédit et des amendes pour les activités illégales. En 2009, Paragominas prend la résolution d’instituer le « municipio verde » qui est un programme de transition vers « un développement vert » (Burlamaqui, 2013; Piketty et al., 2017). Cette initiative s’est inscrite indépendamment et en parallèle des mesures gouvernementales (à partir de 2004) qui visaient à stopper la déforestation à l’échelle de l’Amazonie brésilienne.
Paragominas a donc renforcé son positionnement parmi les municipalités du Pará ayant proposées un pacte territorial avec pour objectifs : l’arrêt de la déforestation, la réalisation d’un cadastre des exploitations agricoles « Cadastro Ambiental Rural » (CAR), l’incitation à la restauration ou au reboisement des sols dégradés, l’adoption de bonnes pratiques agricole, d’élevage et forestière (Piketty et al., 2017). En 2010, Paragominas a quitté la liste rouge et est devenue un modèle de « municipalité verte » pour les autres municipes à travers le Brésil (Viana et al., 2012).

L’exploitation forestière de la Cikel Brasil Verde Madeiras Ltda

Le site d’étude se concentre plus particulièrement à l’extrême ouest de Paragominas, où se trouve l’exploitation forestière de la Cikel Brasil Verde Madeiras Ltda fondée en 2000. Elle s’étend sur les forêts de Rio Capim, Caculé, Poty, Sumal et Cauaxi (Figure 6). Ce domaine forestier privé régi par un plan de gestion forestière est certifié par le Forest Stewardship Council (FSC) depuis 2001.

Sélection de sites d’étude au sein de la Cikel

L’avantage de mesurer la dégradation forestière dans le cas d’une exploitation légale comme la Cikel est qu’il est possible de vérifier les résultats avec les années d’exploitation et les données de volume d’extraction de bois fournies par l’exploitant, ce qui constitue une vérité terrain. Dans le cadre de cette étude seules les données relatives à l’année d’exploitation sont utilisées, les volumes de bois devraient être disponibles d’ici la fin du stage. L’échantillonnage de l’étude se base sur toutes les UPA de l’exploitation forestière Rio Capim, exploitées depuis 2001. Ces sites (polygones) d’étude ont une surface de l’ordre de 4 000 hectares. Au total, 14 sites d’étude sont sélectionnés, de l’UPA07 à l’UPA19 (Figure 7). Il est important de noter que les impacts de l’exploitation forestière sont très souvent visibles sur l’image satellite de l’année qui suit celle de l’exploitation. En effet, les exploitants de la Cikel abattent des arbres de juin à octobre (saison sèche), et les images de la série temporelle retenues ont une date d’acquisition généralement en juin, juillet et août (moins de nuages en début de saison sèche). C’est pourquoi la totalité des impacts ne sont visibles que l’année suivante. Certes la végétation recolonise l’espace au sol des trouées d’abattage rapidement (environ 6 mois après), mais l’ouverture de la canopée reste visible une ou deux années après la coupe. Concernant les zones témoin, l’UPA20 correspond à l’année d’exploitation 2017 donc les impacts de l’exploitation ne sont visibles que sur l’image de 2018, or la série temporelle s’achève en 2017, c’est pourquoi l’UPA 20 est considérée comme témoin. En plus de l’UPA20, trois autres zones témoin non exploitées jusqu’à aujourd’hui sont choisies.

Données de télédétection

Les instruments d’observation de la Terre jouent un rôle important dans l’évaluation et la surveillance de la dynamique des forêts, car ces produits sont spatialement et temporellement continus. Parmi ces instruments, la série de satellites américains Landsat se distingue pour trois raisons principales. Tout d’abord, le programme Landsat offre les archives les plus riches et les plus anciennes, avec des images satellites acquises depuis 1972 (46 ans). Cela donne la possibilité de constituer des séries temporelles, permettant une meilleure compréhension des mécanismes des changements forestiers passés. Deuxièmement, la combinaison unique d’images satellites avec une résolution spatiale de 30m et une fréquence d’acquisition de 16 jours permet de s’adapter pour détecter les changements sur la surface de la Terre sur des intervalles de temps relativement courts. Troisièmement, depuis 2008, toutes les données Landsat nouvelles et archivées par la United States Geological Survey (USGS) sont disponibles gratuitement dans un format standard prétraité et prêt à l’analyse ce qui favorise l’opportunité d’utiliser ces images multi-temporelles couvrant une longue période de temps, une grande zone spatiale, ou les deux (Hansen and Loveland, 2012).
Le satellite Landsat 7 a impacté l’utilisation des données Landsat 7 ETM+ depuis le 31 mai 2003 à cause de la panne du correcteur de ligne de balayage Scan Line Corrector (SLC) qui engendre des bandes noires sur les images dites « SLC-off » (Figure 8). Ces produits présentent des lacunes de données, mais ils sont toujours utiles et conservent les mêmes corrections radiométriques et géométriques que les données collectées avant la panne du SLC. Toutefois, il est possible de traiter les zones de SLC-off de la même façon que des nuages ou des ombres de nuages et utiliser ce qui reste pour l’analyse de séries temporelles pour chaque pixel individuel (Zhu and Woodcock, 2014).

Correction des images

Les images de télédétection nécessitent un certain nombre de corrections avant d’être traitées, qui sont réalisées soit directement par les distributeurs, soit par les utilisateurs. Les corrections sont de trois types : géométriques, atmosphériques et radiométriques. Les corrections géométriques consistent à corriger les déformations dues à des erreurs de positionnement du satellite sur son orbite, au fait que la terre tourne sur son axe durant l’enregistrement de l’image, aux effets du relief terrestre, etc. Les corrections des perturbations atmosphériques consistent à corriger les images des effets d’absorption et de diffusion afin de s’affranchir de la composante de luminance due à l’atmosphère et pouvoir retrouver la véritable réflectance au sol. Les corrections radiométriques consistent à rectifier les erreurs instrumentales et à calibrer les images, c’est-à-dire transformer les comptes numérique (de 0 à 255) en valeurs de réflectance au sol. Ici, toutes les corrections sont faites directement par l’USGS.
Les données de réflectance au sol pour les capteurs Landsat 4-7 sont générées à partir d’un logiciel spécialisé appelé Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS). LEDAPS a été développé à l’origine par la NASA (National Aeronautics and Space Administration) et par l’Université du Maryland (Masek et al., 2006). Le logiciel applique les corrections atmosphériques pour les capteurs MODIS (Moderate Resolution Imaging Spectroradiometer) et les capteurs Landsat TM ou ETM + de niveau 1. De plus, l’algorithme d’évaluation de la qualité CFMask est appliqué sur chaque image (Zhu and Woodcock, 2012) permettant de corriger les images des nuages, des ombres de nuage, de la neige/glace et de l’eau. LEDAPS évalue les conditions de qualité d’acquisition des données et les exprime en utilisant les bandes décrites ci-dessous.

Constitution du jeu de données pour l’identification de la dégradation

Ce jeu de données, appelé « jeu de données A », est créé pour établir une collection d’images annuelles de 2000 à 2017, afin de détecter et identifier les impacts de l’exploitation forestière au sein de l’exploitation légale de la Cikel. La chronologie de l’étude débute en 2000 car cette année correspond aux premières acquisitions de données terrain dans la Cikel (année d’exploitation et volume de bois extrait).
La sélection des images s’est faite en deux étapes. Premièrement, parmi les 312 images brutes téléchargées, seules les images avec un taux de couvert nuageux inférieur à 10% sont prises en compte. Deuxièmement, la période d’acquisition des images doit être comprise entre mai et octobre, c’est-à-dire hors saison des pluies. Aussi, il faut veiller à se rapprocher le plus possible d’un même mois d’acquisition pour assurer une stabilité des données en matière de phénologie forestière. La sélection compte alors 18 images de 2000 à 2017. Depuis la panne du capteur Landsat 7 ETM+ en 2003, les images dites « SLC -off » enregistrées par ce satellite sont striées de bandes noires qui rendent difficiles leurs traitements et leurs interprétations, c’est pourquoi toutes les images de ce capteur sont supprimées de la sélection après 2003. De ce fait, le jeu de données A contient un manque (absence d’image) en 2012, car aucune image Landsat 5 TM ne valide les critères de sélection vus ci-dessus, et Landsat 8 OLI-TIRS commence son activité en 2013. Ensuite, il est nécessaire de visionner chaque image pour vérifier que la couverture nuageuse ne soit pas localisée sur la zone d’étude au sud-ouest de Paragominas. Si c’est le cas, alors trois solutions sont à envisager. Premièrement, parmi la sélection d’images avec un taux de couvert nuageux inférieur à 10%, une autre image est peut-être disponible à une autre date, à condition qu’elle respecte toujours le deuxième critère de sélection (acquisition entre mai et octobre). Sinon, la deuxième solution est de créer une nouvelle sélection, en modifiant le premier critère, c’est-à-dire augmenter le taux de couvert nuageux à 20% (Bourbier et al., 2013). Pour conclure, 15 images constituent finalement le jeu de données A, pour les années 2000 (L5), 2001 (L7), 2002 (L7), 2003 (L5), 2004 (L5), 2006 (L5), 2007 (L5), 2008 (L5), 2009 (L5), 2010 (L5), 2011 (L5), 2013 (L8), 2015 (L8), 2016 (L8), 2017 (L8).
La zone d’étude se situe dans une forêt tropicale humide, et la couverture nuageuse est persistante dans cette région du Brésil. C’est pourquoi deux images (années 2005 et 2014) ne font pas partie du jeu de données car elles sont inexploitables.

Constitution de la base de données pour la caractérisation des trajectoires de la dégradation

Un autre jeu de données, appelé « jeu de données B », est créé pour caractériser les trajectoires de dégradation forestière à partir d’une série temporelle d’images Landsat plus dense. Le jeu de données B est constitué de l’ensemble des images acquises entre 2000 et 2017, soit au total 312 images, sans restriction de couverture nuageuse ni de période d’acquisition.
L’analyse réalisée sur ce jeu de données se fera à l’échelle des pixels, pour détecter l’évolution de la dégradation au cours du temps. Ainsi, plus les images sont nombreuses, plus la série temporelle d’images est dense et plus il sera possible de détecter chaque épisode de la dégradation. Il n’y a pas de critères de sélection comme le jeu de données A, car les approches testées, BFAST (DeVries et al., 2015a, 2015b; Dutrieux et al., 2015, 2016; Verbesselt et al., 2010, 2012) et LandTrendr (Kennedy et al., 2010), utilisent toutes les images disponibles pour les traitements.

Table des matières
Remerciements
Liste des abréviations 
Glossaire 
Table des matières 
Introduction
I COMMENT MESURER LA DEGRADATION FORESTIERE ? ETAT DE L’ART SUR LES METHODES DE TELEDETECTION
I.1 QU’EST-CE QUE LA DEGRADATION FORESTIERE ?
I.2 ETAT DE L’ART SUR LES METHODES DE TELEDETECTION POUR MESURER LA DEGRADATION FORESTIERE
I.2.1 Les approches directes
I.2.1.1 Les approches directes ponctuelles
I.2.1.1.1 Méthode « Canergie Landsat Analysis System – Lite » (CLASlite)
I.2.1.1.2 Méthode de combinaison des données spectrales et spatiales pour le suivi de la dégradation
I.2.1.2 Les approches directes temporelles
I.2.1.2.1 Méthode « Breaks For Additive Season and Trend » (BFAST)
I.2.1.2.2 Méthode “Landsat-based detection of Trends in Disturbance and Recovery” (LandTrendr)
I.2.2 Les approches indirectes
I.2.3 Combinaison des approches directes et indirectes
I.2.4 Conclusion des méthodes
II MATERIEL ET METHODE 
II.1 SITE D’ETUDE
II.1.1 Le municipe Paragominas
II.1.2 L’exploitation forestière de la Cikel Brasil Verde Madeiras Ltda
II.1.3 Sélection de sites d’étude au sein de la Cikel
II.1.4 Sélection de sites d’étude en dehors de la Cikel
II.2 DONNEES DE TELEDETECTION
II.2.1 Acquisition des images satellites Landsat
II.2.1.1 Téléchargement des archives Landsat de 2000 à 2017
II.2.1.2 Correction des images
II.2.2 Constitution du jeu de données pour l’identification de la dégradation
II.2.3 Constitution de la base de données pour la caractérisation des trajectoires de la dégradation
II.3 METHODOLOGIE
II.3.1 Présentation des grandes étapes de la méthodologie
II.3.2 Détection et identification des impacts de la dégradation forestière
II.3.2.1 Classification non supervisée des images
II.3.2.2 Démixage spectral
II.3.2.3 Masque d’eau et de forêt
II.3.2.4 Zones à forte probabilité de présence de dégradation forestière
II.3.2.5 Classification k-means
II.3.2.6 Filtre morphologique
II.3.2.7 Elaboration d’indicateurs de la dégradation forestière
III RESULTATS 
III.1 DETECTION ET IDENTIFICATION DES IMPACTS DE DEGRADATION FORESTIERE
III.2 METRIQUES DE LA DEGRADATION FORESTIERE
III.3 ELABORATION D’INDICATEURS DE DEGRADATION FORESTIERE
IV AUTRES RESULTATS ATTENDUS 
V DISCUSSION 
V.1 RETOUR SUR LA METHODE DEVELOPPEE
V.2 PERSPECTIVES
Conclusion 
Bibliographie
Table des annexes
Annexe 1 Carte de situation géographique de Paragominas, Para, Brésil
Annexe 2 Plan de la Cikel Brasil Verde Madeiras Ltda
Annexe 3 Caractéristiques principales des capteurs Landsat 5 TM, Landsat 7 ETM+ et Landsat 9 OLI-TIRS
Liste des figures
Liste des tableaux

Télécharger le rapport complet