| Summary: | La gestion des ressources forestières sur de grands territoires requiert une cartographie précise des attributs de la forêt. Les programmes d’inventaire forestiers traditionnels s’appuient sur des photographies aériennes et des interprètes expérimentés pour cartographier les attributs forestiers. Cela nécessite une grande quantité de ressources. Une stratégie directe de cartographie alternative consiste à établir des relations statistiques entre (i) les attributs mesurés dans des placettes forestières et (ii) les données spectrales des images satellitaires combinées à des couches spatiales disponibles (par ex., relief, climat). Malheureusement, l’utilisation de l’imagerie multispectrale à elle seule n’atteint souvent pas un niveau de précision satisfaisant à cause de la saturation connue du signal optique à fort volume forestier. La donnée LiDAR aéroportée (ALS) sur une portion du territoire peut être utilisée pour améliorer la précision des cartes forestières par une stratégie de cartographie indirecte à deux phases. La phase 1 combine les mesures des placettes et la donnée ALS. La phase 2 combine la carte produite à la phase 1 avec des données satellitaires/spatiales pour une carte du territoire étendu. Ce projet vise à comparer la prédiction du volume total de bois de l’île de Terre-Neuve obtenue selon les stratégies directe et indirecte, ainsi qu’à comparer les approches de modélisation statistiques paramétriques et non paramétriques (regression Ordinary least squares (OLS) vs Random Forest (RF)) pour chacune des stratégies. Les modèles de la stratégie indirecte utilisés pour prédire le volume total sur les placettes de validation, basées sur les données ALS, expliquaient systématiquement une faible variance (16 % pour OLS et 11 % pour RF), avec des erreurs de prédiction relatives élevées pour les deux approches (47 % et 50 %). Les modèles de la stratégie directe, développés avec les placettes au sol, expliquaient une variance similaire de celle obtenue par la stratégie indirecte pour les deux approches (11 % et 14 %), avec des erreurs de prédiction tout aussi élevées (50 % et 56 %). Les modèles développés selon la stratégie indirecte n’ont pas entrainé une augmentation significative de la correspondance entre les valeurs observées et prédites, et ce, pour les deux approches. Ces résultats peuvent être expliqués par de nombreux facteurs, tels que le faible niveau de représentativité des placettes, la résolution différente des images satellitaires ou la densité de points des données ALS.
|
|---|