L'importance de mesurer les paramètres biophysiques de la forêt pour la surveillance de la santé des écosystèmes et la gestion forestière encourage les chercheurs à trouver des méthodes précises et à faible coût en particulier sur les zones étendues et montagneuses. Dans la présente étude, le lidar satellitaire GLAS embarqué à bord du satellite ICESat (Ice Cloud and land Elevation Satellite) a été utilisé pour estimer trois caractéristiques biophysiques des forêts situées dans le nord de l'Iran:1) hauteur maximale de la canopée (Hmax),2)hauteur de Lorey (HLorey), et 3)le volume du bois (V). Des régressions linéaires multiples (RLM), des modèles basés sur les Forêts Aléatoires (FA : Random Forest) et aussi des réseaux de neurones (ANN) ont été développés à l'aide de deux ensembles différents de variables incluant des métriques obtenues à partir des formes d’onde GLAS et des composantes principales (CP) produites à partir de l'analyse en composantes principales (ACP) des données GLAS. Pour valider et comparer les modèles, des critères statistiques ont été calculées sur la base d'une validation croisée. Le meilleur modèle pour l’estimation de la hauteur maximale a été obtenu avec une régression RLM (RMSE=5.0m) qui combine deux métriques extraites des formes d'onde GLAS (H50, Wext), et un paramètre issu du modèle numérique d'élévation (Indice de relief TI). L'erreur moyenne absolue en pourcentage (MAPE) sur les estimations de la hauteur maximale est de 16.4%. Pour la hauteur de Lorey, un modèle basé sur les réseaux de neurones et utilisant des CPs et le Wext fournit le meilleur résultat avec RMSE=3.4m et MAPE=12.3%. Afin d'estimer le volume du bois, deux approches ont été utilisées:(1)estimation du volume à l'aide d’une relation volume-hauteur avec une hauteur estimée à partir de données GLAS et (2)estimation du volume du bois directement à partir des données GLAS en développant des régressions entre le volume in situ et les métriques GLAS. Le résultat de la première approche (RMSE=116.3m3/ha) était légèrement meilleur que ceux obtenus avec la seconde approche. Par exemple, le réseau de neurones basé sur les PCs donnait un RMSE de 119.9m3/ha mais avec des meilleurs résultats que l’approche basée sur la relation volume-hauteur pour les faibles (<10m3/ha) et les forts (>800m3/ha) volumes. Au total, l'erreur relative sur le volume de bois est estimée à environ 26%. En général, les modèles RLM et ANN avaient des meilleures performances par rapport aux modèles de FA. En outre, la précision sur l’estimation de la hauteur à l'aide de métriques issues des formes d'onde GLAS est meilleure que celles basées sur les CPs.Compte tenu des bons résultats obtenus avec les modèles de hauteur GLAS, la production de la carte des hauteurs d’étude par une utilisation combinée de données de télédétection lidar, radar et optique et de données environnementales a été effectuée à l’intérieur de notre zone. Ainsi, des régressions RLM et FA ont été construites entre toutes les hauteurs dérivées des données GLAS, à l'intérieur de la zone d'étude, et les indices extraits des données de télédétection et des paramètres environnementaux. Les meilleurs modèles entrainés pour estimer Hmax (RMSE=7.4m et R_a^2=0.52) et HLorey (RMSE=5.5m et R_a^2=0.59) ont été utilisées pour produire les cartes de hauteurs. La comparaison des Hmax de la carte obtenue avec les valeurs de Hmax in situ à l'endroit de 32 parcelles produit un RMSE de 5.3m et un R2 de 0.71. Une telle comparaison pour HLorey conduit à un RMSE de 4.3m et un R2 de 0.50. Une méthode de régression-krigeage a également été utilisée pour produire une carte des hauteurs en considérant la corrélation spatiale entre les hauteurs. Cette approche, testée dans le but d'améliorer la précision de la carte de la hauteur du couvert fournie par la méthode non-spatiale, a échouée due à l'hétérogénéité de la zone d'étude en termes de la structure forestière et de la topographie. / The importance of measuring forest biophysical parameters for ecosystem health monitoring and forest management encourages researchers to find precise, yet low-cost methods especially in mountainous and large areas. In the present study Geoscience Laser Altimeter System (GLAS) on board ICESat (Ice Cloud and land Elevation Satellite) was used to estimate three biophysical characteristics of forests located in the north of Iran: 1) maximum canopy height (Hmax), 2) Lorey’s height (HLorey), and 3) Forest volume (V). A large number of Multiple Linear Regressions (MLR), Random Forest (RF) and also Artificial Neural Network regressions were developed using two different sets of variables including waveform metrics and Principal Components (PCs) produced from Principal Component Analysis (PCA). To validate and compare models, statistical criteria were calculated based on a five-fold cross validation. Best model concerning the maximum height was an MLR (RMSE=5.0m) which combined two metrics extracted from waveforms (waveform extent "Wext" and height at 50% of waveform energy "H50"), and one from Digital Elevation Model (Terrain Index: TI). The mean absolute percentage error (MAPE) of maximum height estimates was 16.4%. For Lorey’s height, an ANN model using PCs and waveform extent “Wext” outperformed other models (RMSE=3.4m, MAPE=12.3%). In order to estimate forest volume, two approaches was employed: First, estimating volume using volume-height relationship while height is GLAS estimated height; Second, estimation of forest volume directly from GLAS data by developing regressions between in situ volume and GLAS metrics. The result from first approach (116.3m3/ha) was slightly better than the result obtained by the second approach that is a PCs-based ANN model (119.9 m3/ha). But the ANN model performed better in very low (<10 m3/ha) and very high (> 800 m3/ha) volume stands. In total, the relative error of estimated forest volume was about 26%. Generally, MLR and ANN models had better performance when compared to the RF models. In addition, the accuracy of height estimations using waveform metrics was better than those based on PCs.Given the suitable results of GLAS height models (maximum and Lorey’s heights), production of wall to wall height maps from synergy of remote sensing (GLAS, PALSAR, SPOT5 and Landsat-TM) and environmental data (slope, aspect, classified elevation map and also geological map) was taken under consideration. Thus, MLR and RF regressions were built between all GLAS derived heights, inside of the study area, and indices extracted from mentioned remotely sensed and environmental data. The best resulted models for Hmax (RMSE=7.4m and R_a^2=0.52) and HLorey (RMSE=5.5m and R_a^2=0.59) were used to produce a wall to wall maximum canopy height and Lorey’ height maps. Comparison of Hmax extracted from the resulted Hmax map with true height values at the location of 32 in situ plots produced an RMSE and R2 of 5.3m and 0.71, respectively. Such a comparison for HLorey led to an RMSE and R2 of 4.3m and 0.50, respectively. Regression-kriging method was also used to produce canopy height map with considering spatial correlation between canopy heights. This approach, with the aim of improving the precision of canopy height map provided from non-spatial method, was unsuccessful which could be due to the heterogeneity of the study area in case of forest structure and topography.
Identifer | oai:union.ndltd.org:theses.fr/2016MONTT288 |
Date | 19 December 2016 |
Creators | Rajab Pourrahmati, Manizheh |
Contributors | Montpellier, University of Teheran, Baghdadi, Nicolas, Darvishsefat, Ali A. |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.1136 seconds