La spectroscopie représente un puissant outil en conservation grâce à la possibilité d’effectuer le suivi de la diversité végétale à travers de larges étendues géographiques. La réflectance spectrale montre un potentiel certain pour l’identification des espèces d’arbres et même des taxons inférieurs, mais ceci a rarement été testé sur un grand nombre d’espèces. J’examine la qualité de la classification de 45 espèces d’arbres des forêts tempérées du Québec à partir de plus de 3500 spectres de réflectance foliaires (400-2400 nm). Nous évaluons cette classification sur la base de la variation spectrale des espèces, de même qu’à partir des distances fonctionnelles et phylogénétiques mesurées. Nos résultats indiquent un taux de classification très satisfaisant (κ = 0.736, ±0.005). Nous observons des erreurs de classification plus fréquentes entre les espèces évolutivement proches, alors qu’il semble que la distance fonctionnelle établisse un seuil voulant qu'au-delà d’une certaine distinction fonctionnelle globale, il soit peu probable que deux espèces soient confondues. Ces résultats viennent renforcer le lien entre la diversité spectrale et l’organisation taxonomique des espèces, ajoutant à la valeur de substitution de la première pour la diversité phylogénétique. Cela suggère par contre que de fortes convergences fonctionnelles peuvent faire obstacle à l’identification des espèces à partir de la réflectance spectrale. Cette étude est prometteuse pour la classification de spectres foliaires non préalablement identifiés, et améliore notre compréhension du lien entre les données spectrales et la différenciation des espèces, d’une grande importance pour assurer la validité des estimations de la biodiversité à partir de données de télédétection. / Imaging Spectroscopy is a powerful tool for conservation due to its ability to monitor plant diversity over broad geographic areas. Increasing evidence suggests that spectral reflectance can be used to identify trees at the species level, and even below. However, most studies focus on only a few species. Here, we use foliar reflectance (400-2400 nm) to discriminate among 45 temperate forest tree species from southern Quebec, using over 3500 leaf-level spectra. Furthermore, we connect those classification results to functional and phylogenetic distinctiveness, as well as to intraspecific variation. We find that spectral reflectance shows a very good discriminatory power even with an extensive set of species (κ = 0.736, ±0.005). We find that close phylogenetic species get mistaken for one another more frequently than distantly related species, while functional variation acts as a threshold, beyond which misclassifications are unlikely. These results reinforce the link between spectral diversity and taxonomic organization or phylogenetic diversity, but also reiterate the potential confounding effects of functional convergences on species identification from hyperspectral reflectance. We believe these findings hold promise for the classification of unknown spectra and further improve the link between ground truth and remotely sensed data for biodiversity assessments.

Les traits fonctionnels foliaires sont des paramètres clés des processus écologiques dans les forêts. Malgré les progrès réalisés dans la cartographie de traits foliaires à partir d’imagerie hyperspectrale, il subsiste un besoin de construire des modèles spectres-traits spécifiques à un environnement donné, entraînés à partir de mesures à l’échelle de l’arbre, afin d'améliorer la précision des cartes locales de traits. Nous avons cartographié 12 traits fonctionnels foliaires dans une forêt tempérée mixte à partir d’imagerie hyperspectrale aéroportée. Des échantillons foliaires de cimes d'arbres (n = 166), couvrant un total de 16 espèces, ont été recueillis à l'aide d'une plateforme de drone pour mesurer des traits foliaires d’arbres individuels, à partir desquels la réflectance spectrale de la couronne a également été mesurée. Des modèles de régression des moindres carrés partiels (PLSR) ont été utilisés pour prédire les traits foliaires à partir des spectres de réflectance à l’échelle de l’arbre (400-2400 nm). Ces modèles ont prédit la masse foliaire par unité de surface (LMA), la surface foliaire spécifique (SLA) et l'épaisseur en eau (EWT) avec une haute précision (R2 > 0.8, %RMSE < 15). Les modèles de concentration de pigments, de l'azote et de la cellulose ont montré une performance modérée (R2 = 0.53–0.68, %RMSE = 17.24–21.31). Les performances les plus faibles ont été observées pour la lignine, le carbone, le contenu en matière sèche (LDMC) et l'hémicellulose (R2 = 0.24–0.44, %RMSE = 20.67–26.13). Des cartes à haute résolution spatiale (1.25 m pixel-1) de traits foliaires ont été produites pour l'ensemble de la zone d'étude de 16 km2. Notre étude s'ajoute aux recherches approfondies visant à utiliser la télédétection pour surveiller la biodiversité des traits fonctionnels à plus grande échelle et fournit des modèles qui saisissent la variation intraspécifique de nombreuses espèces d'arbres d'une forêt tempérée mixte de l'est du Canada. / Foliar functional traits are key drivers of ecological processes in forests. Despite progress in forest foliar trait mapping from imaging spectroscopy, there is a need to build environment-specific, spectra-trait models trained from tree-level measurements to improve the accuracy of local trait maps. We mapped 12 foliar functional traits in a mixed temperate forest using airborne imaging spectroscopy. Top-of-canopy foliar samples from tree crowns (n = 166), representing a total of 16 species, were collected using a drone platform to measure foliar traits for individual trees, from which tree-level crown spectra were also determined. Partial least squares regression (PLSR) models were used to predict foliar traits from tree-level reflectance spectra (400-2400 nm). These models predicted leaf mass per area (LMA), specific leaf area (SLA) and equivalent water thickness (EWT) with high accuracy (R2 > 0.8, %RMSE < 15). Models for pigment, nitrogen and cellulose concentrations showed a moderate performance (R2 = 0.53–0.68, %RMSE = 17.24–21.31). Poorest performance was observed for lignin, carbon, leaf dry mass content (LDMC) and hemicellulose (R2 = 0.24–0.44, %RMSE = 20.67–26.13). High-resolution (1.25 m pixel-1) foliar trait maps were produced for the entire 16-km2 study area. Our study adds to the extensive research aiming to use remote sensing to monitor forest functional trait biodiversity at larger scales and provides models that capture intraspecific variation across many tree species from a mixed temperate forest in eastern Canada.

La télédétection des forêts est devenue de plus en plus accessible grâce à l'utilisation de véhicules aériens inoccupés (UAV) et à l'apprentissage profond, ce qui permet d'obtenir des images répétées à haute résolution et d’observer les changements phénologiques à des échelles spatiales et temporelles plus importantes. Dans les forêts tempérées, à l'automne, la sénescence des feuilles se produit lorsque les feuilles changent de couleur et tombent. Cependant, l'influence de la sénescence foliaire sur la segmentation des espèces d'arbres à l'aide d'un réseau neuronal convolutif (CNN) n'a pas encore été évaluée. Nous avons acquis de l’imagerie haute résolution par UAV au-dessus d’une forêt tempérée au Québec à sept reprises entre mai et octobre 2021. Nous avons segmenté et identifié 23 000 couronnes d'arbres de 14 classes différentes pour entraîner et valider un CNN pour chaque acquisition d'imagerie. La meilleure segmentation (F1-score le plus élevé) était au début de la coloration des feuilles (début septembre) et le F1-score le plus bas au pic de la coloration automnale (début octobre). La chronologie de la sénescence varie considérablement d’une espèce à l’autre et au sein d’une même espèce, ce qui entraîne une grande variabilité du signal télédétecté. Les espèces d'arbres à feuilles caduques et à feuilles persistantes qui présentaient des traits distinctifs et moins variables dans le temps entre les individus ont été mieux classées. Bien que la segmentation des arbres dans une forêt hétérogène demeure un défi, l'imagerie UAV et l'apprentissage profond démontrent un grand potentiel pour la cartographie des espèces d'arbres. Les résultats obtenus dans une forêt tempérée où la couleur des feuilles change fortement pendant la sénescence automnale montrent que la meilleure performance pour la segmentation des espèces d'arbres se produit au début de ce changement de couleur. / Remote sensing of forests has become increasingly accessible with the use of unoccupied aerial vehicles (UAV), along with deep learning, allowing for repeated high-resolution imagery and the capturing of phenological changes at larger spatial and temporal scales. In temperate forests during autumn, leaf senescence occurs when leaves change colour and drop. However, the influence of leaf senescence in temperate forests on tree species segmentation using a Convolutional Neural Network (CNN) has not yet been evaluated. Here, we acquired high-resolution UAV imagery over a temperate forest in Quebec, Canada on seven occasions between May and October 2021. We segmented and labelled 23,000 tree crowns from 14 different classes to train and validate a CNN for each imagery acquisition. The CNN-based segmentation showed the highest F1-score (0.72) at the start of leaf colouring in early September and the lowest F1-score (0.61) at peak fall colouring in early October. The timing of the events occurring during senescence, such as leaf colouring and leaf fall, varied substantially between and within species and according to environmental conditions, leading to higher variability in the remotely sensed signal. Deciduous and evergreen tree species that presented distinctive and less temporally-variable traits between individuals were better classified. While tree segmentation in a heterogenous forest remains challenging, UAV imagery and deep learning show high potential in mapping tree species. Our results from a temperate forest with strong leaf colour changes during autumn senescence show that the best performance for tree species segmentation occurs at the onset of this colour change.

Combiner les drones et l’intelligence artificielle afin de cartographier la végétation représente une nouvelle approche prometteuse susceptible d’améliorer la détection des espèces végétales exotiques envahissantes (EVEE). La résolution au sol élevée atteignable avec les drones et les innovations récentes en vision par ordinateur, notamment avec les réseaux neuronaux convolutifs, laissent penser qu'une détection précoce des EVEE serait possible, favorisant ainsi leur gestion. Dans cette étude, nous avons évalué la pertinence de cette approche pour cartographier l’emplacement du roseau commun (Phragmites australis subsp. australis) à l’intérieur d'un parc national situé dans le sud du Québec, Canada. Nous avons collecté des données à six dates distinctes durant la saison de croissance, couvrant des environnements présentant différents niveaux d'envahissement par le roseau. De façon générale, la performance du modèle était élevée pour les différentes dates et zones, surtout au niveau du rappel (moyenne globale de 0.89). Les résultats ont montré une augmentation de la performance pour atteindre un sommet à la suite de l’apparition de l’inflorescence en septembre (F1-score le plus haut à 0.98). De plus, une diminution de la résolution spatiale affectait négativement le rappel (diminution de 18% entre une résolution au sol de 0,15 cm pixel-1 et 1,50 cm pixel-1), mais n’avait pas un impact important sur la précision (diminution de 2%). Malgré des défis associés à la cartographie du roseau commun dans un contexte de gestion post-traitement, l'utilisation de drones et de l'apprentissage profond montre un grand potentiel pour la détection des EVEE lorsque appuyé par un jeu de données adapté. Nos résultats montrent que, d'un point de vue opérationnel, cette approche pourrait être un outil efficace pour accélérer le travail des biologistes sur le terrain et assurer une meilleure gestion des EVEE. / The combination of unoccupied aerial vehicles (UAVs) and artificial intelligence to map vegetation represents a promising new approach to improve the detection of invasive alien plant species (IAPS). The high spatial resolution achievable with UAVs and recent innovations in computer vision, especially with convolutional neural networks, suggest that early detection of IAPS could be possible, thus facilitating their management. In this study, we evaluated the suitability of this approach for mapping the location of common reed (Phragmites australis subsp. australis) within a national park located in southern Quebec, Canada. We collected data on six distinct dates during the growing season, covering environments with different levels of reed invasion. Overall, model performance was high for the different dates and zones, especially for recall (mean of 0.89). The results showed an increase in performance, reaching a peak following the appearance of the inflorescence in September (highest F1-score at 0.98). Furthermore, a decrease in spatial resolution negatively affected recall (18% decrease between a spatial resolution of 0.15 cm pixel-1 and 1.50 cm pixel-1) but did not have a strong impact on precision (2% decrease). Despite challenges associated with common reed mapping in a post-treatment monitoring context, the use of UAVs and deep learning shows great potential for IAPS detection when supported by a suitable dataset. Our results show that, from an operational point of view, this approach could be an effective tool for speeding up the work of biologists in the field and ensuring better management of IAPS.