Les forêts d'Asie du Sud-Est subissent de fortes pressions en raison de vastes activités d'utilisation des terres, notamment des plantations de palmiers à huile. Le désir de protéger et de gérer les habitats à fort potentiel de stockage de carbone a accru le besoin de préserver les écosystèmes uniques des forêts locales. Pour préserver les écosystèmes forestiers tropicaux de l'expansion agricole, une méthodologie de classification des forêts à fort potentiel de stockage de carbone, connue sous le nom d'Approche à Stock de Haut Carbone (HCSA) a été développée. Notre objectif de recherche est d'évaluer l'efficacité de l'utilisation combinée du LiDAR aéroporté et de l'apprentissage en profondeur pour la classification HCSA sur l'île de Bornéo. Pour ce faire, nous examinerons la biomasse aérienne à l'aide de l'équation développée par Asner (2018) et Jucker (2017), établie sur le territoire de Sabah, ainsi que des métriques LiDAR telles que la hauteur de la canopée, la couverture de la canopée et le la surface terrière forestière. Les métriques de la structure forestière dérivé du LiDAR seront également utilisées pour essayer de différencier les classes HCSA. La zone d'intérêt pour cette étude couvre une partie du territoire du Kalimantan (partie indonésienne de Bornéo).Puis, l’entrainement d'un algorithme d’apprentissage profond permettra, par l'utilisation d'images satellites (Landsat 7 et Landsat 8), de faire un saut spatial et temporel, afin d'établir une cartographie des forêts à surveiller en 2019 et sur l'ensemble de l'île de Bornéo. / Forests in Southeast Asia are under heavy pressure from extensive land-use activities, including oil palm plantations. The desire to protect and manage habitats with high carbon storage potential has increased the need for preserving the unique ecosystems of local forests. To preserve tropical forest ecosystems from agricultural expansion, a methodology for classifying forests with high carbon storage potential, known as the High Carbon Stock Approach (HCSA) was developed. Our research goal is to assess the effectiveness of the combined use of airborne LiDAR and deep learning for HCSA classification across the island of Borneo. To do this, we will examine the above-ground biomass using the equation developed by Asner (2018) and Jucker (2017), established in the Sabah territory, as well as LiDAR metrics such as canopy height, canopy cover, and the forest basal area. LiDAR metrics of forest structure will also be used to try to differentiate HCS classes. LiDAR data and field surveys were collected from the Jet Propulsion Laboratory (JPL -NASA). The area of interest for this study covers part of the Kalimantan territory (Indonesian part of Borneo). The data collected has been part of the ongoing Carbon Monitoring System (CMS) project. Then, the training of a deep learning algorithm will allow, by the use of satellite images (Landsat 7 and Landsat 8), to make a spatial and temporal jump, in order to establish a cartography of the forests to be monitored in 2019 and on the entirety of Borneo Island.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/66791 |
| Date | 10 February 2024 |
| Creators | Matte, Olivier |
| Contributors | Béland, Martin |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | mémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (x, 71 pages), application/pdf |
| Coverage | Bornéo. |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0205 seconds