Vous êtes sur la page 1sur 47

Dveloppement dune mthode de spatialisation des stocks de carbone dans le sol lchelle rgionale Application un projet REDD Madagascar

Clovis Grinand

SYSTEMES D'INFORMATIONS LOCALISES POUR L'AMNAGEMENT DES TERRITOIRES Directeur du projet : Tuteur SILAT : Rapporteurs : Nadine Dessay (IRD) Nicolas Devaux (SupAgro) Agns Bgu (CIRAD) Stphane Follain (SupAgro )

Novembre 2010

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

Lettre de mission
Organisme commanditaire US ESPACE de l'IRD 500 rue JeanFrancois Breton 34000 Montpellier Tl : 04.67.54.87.08 Responsable encadrement Nadine Dessay IRD US Espace, 500 rue JeanFrancois Breton 34000 Montpellier Mail : nadine.dessay@Ird .fr Responsable encadrement Martial Bernoux IRD UMR Eco&Sols, Bat 12,2 Place Viala, 34060 Montpellier Mail: martial.bernoux@i rd.fr Tuteur Nicolas Devaux SupAgro ,2 Place Viala, 34060 Montpellier Mail : devaux@inra.supag ro.fr Chef de Projet Grinand Clovis 370 rue du Moulins des sept cans, 34070 Montpellier Tl : 06.47.32.04.37 Mail : clovis.grinand@ird. fr

Comit de pilotage: Eric Delatre, Nadine Dessay, Maud Loireau, Benoit Mertens, Mireille Fargette, Frdrique Seyler, Frdric Huynh (US Espace) et Martial Bernoux, Alain Albrecht (UMR Eco&Sols) Sujet propos: Dveloppement d'une mthode de cartographie des stocks de carbone dans le sol des forts sches et humides dgrades la priphrie du Parc National dAndohahela (Madagascar). Contexte: Les cosystmes forestiers sont depuis quelques annes au cur des ngociations sur le changement climatique. Au rythme actuel, la dforestation est responsable de prs dun quart des missions de gaz effet de serre (GES). Des mcanismes proposs pour la Rduction des missions lies la Dforestation et la Dgradation de la fort (REDD) suscitent lintrt de nombreux acteurs dans les pays du Sud comme dans les pays du Nord. Les enjeux et problmatiques de la REDD sont multiples, la quantification et le suivi du carbone forestier figurant comme le facteur clef conditionnant sa mise en place oprationnelle. Dans ce contexte, la multiplication des donnes spatiales et leur accs moindre cot favorise le dveloppement de mthodologies permettant de quantifier la biomasse arienne diffrents niveaux de prcision. Le sol, rservoir de carbone trois plus grand que celui de la biosphre, est jusqu prsent beaucoup moins tudi principalement cause des difficults daccs cette ressource. Or les volutions rcentes en cartographie numrique des sols font quil est maintenant possible de produire des cartes thmatiques rpondant des besoins environnementaux forts. La fort tropicale de Madagascar, longtemps tudie du point de vue de la biodiversit, est plus rcemment analyse du point de vue carbone pour sa valeur marchande et comme indicateur de fertilit. Une mthodologie fiable et reproductible de spatialisation du carbone dans le sol intresse les acteurs de dveloppement local. Livrables : Un rapport de fin de projet prsentant la mthodologie mise en place, les rsultats obtenus et les lments de discussions concernant la gnricit de la mthode. Une carte des estimations des stocks de carbone en tonnes par hectares pour la zone d'tude pilote retenue et une carte des erreurs destimation associes. Une base de donnes incluant les relevs sur le terrain (environnement, position GPS) et les mesures en laboratoire (densit apparente, carbone organique, spectres MIRS). Confidentialit du rapport: Aucune clause restrictive.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

Avant propos
Ce projet est issu dun rapprochement entre deux quipes de lIRD, le WWF et GoodPlanet.org. Dans le cadre du Programme Holistique de Conservation de la Fort Madagascar (PHCF), le WWF et GoodPlanet.org ont mis en place des partenariats scientifiques avec des organismes de recherche malgaches et trangers concernant le dveloppement doutils innovants pour la mesure et le suivi du carbone. LUMR Eco&Sols implante Madagascar a ainsi t sollicite pour des travaux de recherche portant sur la quantification des stocks de carbone dans le sol. Le partenariat sest traduit par des tudes de deux tudiants malgaches en DEA et lactivation de ce projet de Mastre SILAT. La dimension spatiale du projet a ensuite t soutenue par lUS Espace dans le cadre dune convention IRD-CNES Espace pour le Dveloppement des Pays du Sud et de dveloppement dindicateurs spatiaux. Les deux quipes de l'IRD (US Espace, UMR Eco&Sols), le CNES, le WWF et le GoodPlanet.org ont apport financement et appui technique. Le PHCF1 est un programme REDD pilote initi par GoodPlanet.org en partenariat avec le WWF et bnficiant du mcnat de la socit Air France. D'ici 2012, il a pour objectifs principaux (i) damliorer les connaissances sur les mesures des missions de gaz effet de serre et (ii) de mettre en place des transferts de gestion des ressources naturelles vers les communauts locales. Il concerne 515 000 hectares rparti du nord au sud de lle, incluant 390 000 hectares de fort humide et 125 000 hectares de fort pineuses. Dans un souci de cohrence entre les besoins de mettre en place un outil le plus fiable et gnrique possible et les contraintes de temps (6 mois), la rgion de Fort-Dauphin a t choisie. Elle offre des intrts particuliers de part la proximit gographique entre la fort humide et sche (~30 km), la prsence dun parc national labellis patrimoine mondial de lUNESCO, et enfin elle fait lobjet dune certaine concentration de projets scientifiques : mesures LIDAR, LAI, dveloppement de rgressions allomtriques locales et inventaire forestier. Cette tude sest droule du 1er mai au 1er novembre 2010. Aprs un travail prparatoire de trois semaines, jai ralis une mission Madagascar de deux mois o jai conduit dans un premier temps un travail de terrain avec lappui technique et logistique du WWF et de GoodPlanet.org (juin). Dans un deuxime temps, jai t accueilli au sein du Laboratoire des Radio-Isotopes (LRI) partenaire scientifique local de lUMR Eco&Sols (IRD) pour le traitement et lanalyse en laboratoire des chantillons (juillet). Jai ensuite dvelopp la troisime partie de ce projet avec lquipe US Espace de lIRD Montpellier (aot octobre).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

Table des matires

LETTRE DE MISSION ................................................................................................................................................ 2 AVANT PROPOS .......................................................................................................................................................... 3 INTRODUCTION ......................................................................................................................................................... 5 I - APPROCHE CONTEXTUELLE ............................................................................................................................ 6 I.1 IDENTIFICATION DES ENJEUX ................................................................................................................................... 6 I.2 CHOIX DE LA ZONE DETUDE : ZONE PILOTE ET ZONE ETENDUE ............................................................................... 7 I.3 MATERIELS .............................................................................................................................................................. 8 II - METHODOLOGIE............................................................................................................................................... 11 II.1 PRESENTATION GENERALE ................................................................................................................................... 11 II.2 PHASE 1 : INVENTAIRE CARBONE ET CALCUL DES STOCKS ................................................................................... 13 II.3 PHASE 2 : TRAITEMENTS DES DONNEES SPATIALES .............................................................................................. 16 II.4 PHASE 3 : MODELISATION DES STOCKS DE CARBONE ........................................................................................... 22 III - DISCUSSION ....................................................................................................................................................... 28 III.1 EXEMPLES DAPPLICATIONS ............................................................................................................................... 28 III.2 LIMITATIONS ...................................................................................................................................................... 29 III.3 FUTURS DEVELOPPEMENTS ................................................................................................................................ 30 CONCLUSION ............................................................................................................................................................ 31 REMERCIEMENTS ................................................................................................................................................... 32 REFERENCES............................................................................................................................................................. 33 LISTES DES FIGURES ET TABLEAUX................................................................................................................. 35 LISTE DES ACRONYMES........................................................................................................................................ 36 ANNEXES .................................................................................................................................................................... 37 ANNEXE 1 : TABLEAU RECAPITULATIF DES STOCKS DE CARBONE CALCULES POUR CHAQUE PLACETTE ..................... 37 ANNEXE 2 : DEFINITION DES CLASSES DOCCUPATION DU SOL ................................................................................... 39 ANNEXE 4 : MATRICE DE CONFUSION ISSUE DE LA CLASSIFICATION DOCCUPATION DU SOL * ................................... 40 ANNEXE 5 : CARTE DOCCUPATION DU SOL DU PARC NATIONAL DANDOHAHELA ET SA PERIPHERIE * .................... 41 ANNEXE 6 : RESULTATS DE MODELISATION PAR LALGORITHME RANDOM-FOREST *................................................ 42 ANNEXE 7 : IMPORTANCE RELATIVE DES VARIABLES DANS LE MODELE * .................................................................. 43 ANNEXE 8 : CARTES DES ESTIMATIONS DE STOCKS DE CARBONE SUR 30 CM ET DES ERREURS ................................... 44 ANNEXE 9 : CARTES DES ESTIMATIONS DE STOCKS DE CARBONE SUR 100 CM ET DES ERREURS.................................. 45 RESUME ...................................................................................................................................................................... 47

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

Introduction
Ce travail sinscrit dans le contexte actuel de prise de conscience globale du changement climatique. Nos missions de gaz effet de serre (GES) lorigine de certains changements observs sont depuis quelques annes au cur des ngociations internationales visant mettre en place des mcanismes de dveloppement associant les pays du Nord et les pays du Sud. Le secteur forestier reprsentant prs de 20% des missions de gaz effet de serre est particulirement soumis ces rflexions. Parmi les mcanismes de gestion durable de la fort, la REDD (Rduction des missions de GES lies la dforestation et dgradation de la fort) rassemble aujourdhui un grand nombre dacteurs internationaux. Madagascar fait partie des pays prcurseurs en termes de mise en place de stratgie nationale pour viter la dforestation. Les forts malgaches, reconnues pour leur importante superficie et biodiversit, sous soumises une forte pression anthropique (~0.5% de dforestation par an), particulirement dans le sud de lle.

Les projets REDD, dit de dforestation vite , posent cependant problme quant notre capacit quantifier et suivre les quantits de GES rellement squestres dans les cosystmes forestiers. Dans le contexte REDD, la fort est considre comme un stock de carbone compos de cinq compartiments dont les deux principaux sont la biomasse arienne et le sol. Ce dernier reprsente lchelle globale plus de deux fois la quantit contenue dans latmosphre et trois fois celle dans la biosphre. Il est cependant difficile estimer du fait de la raret et du cot des mesures. Cependant (i) des mthodes de laboratoire rcentes permettent de raliser ces analyses moindre frais, (ii) les images satellites fournissent des informations incontournables sur la biomasse et le sol de part leur rptitivit, prcision spatiale et leurs moindres cots. Face la multiplication des donnes spatiales, les algorithmes de fouille de donnes (datamining) sont de plus en plus utiliss dans de nombreux domaines, dont la tldtection et la cartographie des sols.

Lobjectif de ce travail est de spatialiser les stocks de carbone du sol selon les diffrents usages des sols lis la dforestation et la dgradation de la fort. Cette tude l'chelle rgionale (au sens sous-national) Madagascar prendra galement en compte les facteurs climatiques et topographiques pouvant expliquer des variations de stock. La finalit du projet est de montrer l'importance des pratiques actuelles et de la gestion forestire en termes d'mission de carbone contenu dans le sol.

La premire partie de ce rapport prsente l'approche contextuelle du projet avec les enjeux, la zone tude et donnes disponibles, la seconde partie dcrit les phases de dveloppement de la mthodologie mise en place, enfin une troisime partie illustre par un exemple d'application bauche les limitations et futurs dveloppements envisags pour amliorer l'outil.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

I - Approche Contextuelle
I.1 Identification des enjeux
Ce travail a pour objectif de proposer une approche intgre de cartographie des stocks de carbone dans le sol, de la campagne de terrain la production de cartes, dans une rgion avec trs peu de donnes sol . Il trouve ses origines dans un contexte actuel favorable au dveloppement de ce type dapproche.

I.1.1 Antenne de rception d'image satellite : le projet SEAS-OI


Les projets de Surveillance de lEnvironnement Assiste par Satellites (SEAS) ont pour principal objectif de mettre en place des antennes de rception d'images satellite, des outils de distribution de donnes et une politique de diffusion afin de favoriser lmergence de ples d'excellence en tldtection. En 2008, l'tat franais, la rgion Runion, luniversit de la Runion et l'IRD ont tabli un partenariat dans le cadre d'un programme SEAS-OI (Ocan Indien). Cette station, oprationnelle en septembre 2011, recevra des images radar en provenance des satellites RADARSAT-2 et ENVISAT et des images optiques des satellites Spot-4, Spot-5 et MODIS. Elle recevra terme les images optiques de la constellation Pliades. L'aire de rception de l'antenne couvre environ 80% de surface en eau, 20% de terres merges appartenant 10 pays. Les applications prioritaires qui ont t identifies sont : la surveillance de l'environnement marin et ctier, lamnagement du territoire, les risques naturels, la biodiversit, la surveillance pidmiologique et le changement climatique (Synthse de l'atelier Rgional, 2008). Madagascar constitue la surface terrestre la plus grande de l'aire de rception de l'antenne et devrait bnficier de ce programme dans de nombreux domaines. Les images SPOT utilises dans cette tude permettent de tester leur intrt dans une application thmatique.

I.1.2 Nouvelles techniques de cartographie des sols


La cartographie numrique des sols a beaucoup volu ces dernires annes au point dtre considre maintenant comme une thmatique part entire dans le domaine des sciences du sol (Boentinger et al, 2010). Le cadre de travail repose sur un paradigme ancien (Jeanny, 1941) et a t actualis plus rcemment par Mc Bratney et al. (2003). Les auteurs ont propos le modle conceptuel SCORPAN qui consiste tablir la relation entre des classes ou proprits de sol avec les facteurs de formation des sols regroups en 6 catgories : le climat, loccupation du sol, le relief, le matriau parental, lge et lespace. Cette relation se fait par lapplication dun modle d infrence qui inclut un large panel d'outils : la gostatistique, les rgressions et l'ensemble des mthodes de fouille de donnes comme les rseaux de neurones et arbres de dcision (Grunwald, 2009). Ce domaine est donc au carrefour entre la science du sol, les statistiques et la tldtection. Le rle des sols dans les problmatiques environnementales telles que la gestion des risques drosion, de contamination, le changement climatique ou la scurit alimentaire pousse davantage la recherche dlivrer des produits explicites et dont la prcision est mesure (Boentinger et al., 2010). Les

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

applications les plus attendues sont la cartographie des rserves en eau des sols et des stocks de carbone. A titre dexemple, Lo Seen et al (2010) ont ralis une tude sur les volutions des stocks de carbone sol en lien avec la dforestation dans une rgion de 88 000 km2 en Inde partir de 361 profils de sol. Les auteurs soulignent limpact de la gestion forestire et agricole sur les sols petite chelle. Les pays du Sud souvent peu fournis en donnes sur les sols sont trs demandeurs dinformations sur leurs sols pour optimiser la production agricole. Les dveloppements rcents en pdologie montrent qu'il est possible de produire des cartes thmatiques avec un nombre limit de donn (Lagacherie et al., 2008).

I.1.3 Dosage par Spectroscopie Proche et Moyen Infra-Rouge (SPIR-SMIR)


L'utilisation de la spectroscopie infrarouge pour lestimation des proprits des sols est une technique rcente. Elle allie des mesures de rflectance dans les rgions du proche et moyen infra rouge avec des mthodes statistiques multivaries. Elle permet de faire des dosages simultans des nombreux lments du sol, rapidement et moindre cot (Viscarra Rossel et al., 2006). Cette technique est utilise de manire exponentielle ces dernires annes avec le dveloppement dappareils de mesure sur le terrain ou en laboratoire pour faire face la crise de donnes sur les sols (Mc Bratney et al., 2006). Elle ncessite lajustement et loptimisation de modles de rgressions spectroscopiques partir de prtraitements et de jeu de donnes de calibration/validation. La prsence d'un appareil SMIR Madagascar permet dexploiter le potentiel cette technique.

I.2 Choix de la zone dtude : zone pilote et zone tendue


Le Parc National dAndohahela et sa zone priphrique ont t choisis afin de tester la mthodologie (figure 1). Ce parc est localis dans la rgion Anosy, rgion agricole en pleine expansion dmographique avec des taux daccroissement dmographique de 2,9% (PRDR, 2007) et marqu par des taux de dforestation d'environ 1% par an (Springate-Baginski et Wollenberg, 2010). Les forts sont actuellement la seule source de matire premire pour la production dnergie (charbon de bois) et sont exploites intensivement pour la production de bois de construction. Ce parc a t une rserve naturelle ds 1939, il a ensuite t promu au rang de Parc National en 1997 et figure depuis le 27 juin 2007 dans la liste du patrimoine mondiale de lUnesco (UNESCO, 2009). Riche dune faune et d'une flore diverses, pour la plupart endmiques, il constitue galement le chteau deau du grand sud de Madagascar. Sa position gographique lui confre un caractre climatique particulier qui se traduit par un fort gradient climatique est-ouest, avec un nombre de mois secs qui stend de 0 lest plus de 6 louest (Cornet, 1972).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

vers Antananarivo

vers Tular

Figure 1 : Carte de localisation de la zone dtude

A partir de l'identification des limites du parc, des contraintes techniques sur le terrain et des dlais, une zone pilote d'environ 40 000 ha a t slectionne (figure 1). Elle se situe sur la partie sud du Parc proche de la route nationale 3 qui relie Fort-Dauphin Tular. Une zone tendue de 290 000 ha incluant l'ensemble du parc et les 14 communes limitrophes a t dlimite pour le traitement des donnes spatiales et la validation des rsultats.

I.3 Matriels
I.3.1 Mesures terrain et laboratoire
Un nombre relativement important de moyens matriels et humains ont t mobiliss sur le terrain et au laboratoire. Les principaux lments sont prsents ici. Le matriel terrain inclut un GPS Garmin (GPSmap 60CSx), un clisimtre, une balance, deux tarires, une bche, des sachets plastiques, etc. Les dplacements sur place se sont fait en 4x4 ainsi que l'aller-retour depuis et vers Antananarivo (2 jours pour un trajet). Quatre vingt douze hommes jours ont t ncessaire pour lensemble des travaux terrain. Le matriel de laboratoire inclut les mortiers, tuves, verrerie, ractifs chimiques, etc. Ces travaux ont t raliss au Laboratoire des Radio-Isotopes dAntananarivo.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

I.3.2 Logiciels
Des logiciels spcialiss de gomaticien, tldtecteur et statisticien ont t utiliss au cours des diffrentes phases de dveloppement du projet - ENVI4.5 (ITT, 2009), ERDAS IMAGINE8.6 (Leica Geosystem, 2009), ArcGIS9.3 (ESRI, 2009), PostgreSQL8.3 (PostgreSQL Development Team, 2009) QGIS1.5 (QGIS Development team, 2010), GRASS6.4 (GRASS Development team, 2010), R11.1 (R Development team, 2010). Un accent particulier a t port sur lutilisation des outils libres notamment le couplage QGIS-GRASS-R.

I.3.3 Donnes spatiales utilises


Des donnes spatiales ont t mises disposition ou tlcharges depuis internet (tableau 1). Seules les donnes de gophysique ont t achetes, le reste a t acquis gratuitement. Leurs caractristiques techniques sont dcrites ci-dessous.
Donnes Source ou licence WWF/PHCF WWF/PHCF IRD/ISIS IRD/ISIS GLCF METI/NASA USGS/NASA Worldclim BPGRM Rsolution (m) 10 10 10 10 30 30 90 1000 ~100 Date 18/09/2005 13/09/2005 09/03/2005 09/03/2005 25/11/1985 Caractristiques 171/400, niveau 2A 171/399, niveau 2A 170/400, niveau orthorectifi 170/399, niveau orthorectifi 158/077, niveau L1T Stro d'images Aster 2000- 2008 Interfromtrie Radar (2001) Interpolation de donnes climatiques me Cartes ternaires au 1/100 000

SPOT 5

LANDSAT TM MNT GDEM MNT SRTM WORLDCLIM GEOPHYSIQUE

Tableau 1 : Liste des donnes spatiales utilises

I.3.3.1 Spot 5 Il s'agit de la troisime gnration du capteur SPOT. Il dispose de 4 bandes spectrales dans le visible, proche et moyen infrarouge 10 mtres de rsolution et d'un canal panchromatique 5 mtres de rsolution, pour une fauch1e de 60 km. Quatre scnes darchive de 2005 ont t utilises. Pour une mme trajectoire du satellite, deux images dates du mois de mars ont bnfici d'une commande ISIS1 dans le cadre d'un programme de suivi des Parcs Nationaux Madagascar et deux autres images prises en septembre ont t mises disposition par le projet PHCF. I.3.3.1 Landsat Une scne Landsat de 1984 issue des archives du bureau d'tudes gologiques amricain USGS a t tlcharge gratuitement depuis leur serveur (http://glovis.usgs.gov/). Il s'agit d'une scne issue du capteur Thmatique Mapper TM. Six bandes spectrales dans le visible, proche et moyen infrarouge sont

: Programme d'Incitation l'utilisation Scientifique des Images SPOT propos par le CNES, IGN et SPOT IMAGE

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

disponibles une rsolution de 30 mtres, pour une fauche de 185 km. Une bande dans l'infra rouge thermique est prsente galement avec 120 mtres de rsolution. I.3.3.2 Modle Numrique de Terrain Deux Modles Numriques de Terrain ont t utiliss: le MNT SRTM (http://www2.jpl.nasa.gov/srtm) et le MNT GDEM (http://www.gdem.aster.ersdac.or.jp/). Les deux MNT proviennent de donnes satellites mais les technologies employes ne sont pas les mmes. Le premier utilise le signal radar (bande C) pour mesurer le temps de parcours de londe est dterminer la hauteur relative de chaque surface au sol un pas d'une seconde d'arc (30 mtres). Le signal transform en lvation du sol au dessus de la mer est fourni gnralement une rsolution planimtrique de 90 m. La mission dacquisition sest droule en 2000 et les donnes sont disponibles gratuitement en tlchargement depuis 2003. Le deuxime est issu de couplage stroscopique dimages ASTER acquises depuis 2000 jusqu maintenant. Un MNT une rsolution de 30m est produit partir dimages source optique 15m. Ces donnes sont disponibles gratuitement en tlchargement depuis 2009. Le MNT est une source de donnes essentielle pour la caractrisation des sols et de leurs proprits (Dobos et al., 2006). Il permet de driver de nombreux paramtres de morphologie du terrain de manire exhaustive sur le territoire. I.3.3.3 Worldclim Les donnes climatiques collectes proviennent de la base de donnes WorldClim

(http://www.worldclim.org/) disponibles gratuitement en tlchargement. Ces donnes sont issues dun projet qui a pour but de produire des cartes climatiques haute rsolution lchelle mondiale. Une base de donnes de 46 000 stations avec des enregistrements allant de 1950 2000 a t utilise pour faire des estimations de moyennes mensuelles sur une maille de 1 km de cot (Hijmans et al., 2005). Elle inclue les paramtres classiques de tempratures moyennes, minimales, maximales, prcipitations ainsi quun grand nombre de variables bioclimatiques drives de ces donnes primaires. Des projections passes (-120 000, 21000, -6000 ans AC) et futures (2020, 2050, 2080) sont galement disponibles. I.3.3.4 Radiomtrie gamma La spectroscopie gamma aroporte est une mthode de tldtection passive qui mesure les missions des radiations gamma dans les trentes premiers centimtres du sol. Le spectre gamma (longueur donde <0.01 nm ; Minasny et al., 2008) enregistr sur une certaine priode permet de calculer des concentrations relatives en 40K,
232 238

Th et

U. Certaines tudes ont dmontr lapport de ces donnes pour la cartographie

gologique et pdologique (Wilford et al., 1997 ; Wilford et Minty, 2006).Les donnes gophysiques utilises dans cette tude proviennent dune campagne de mesure aroporte ralise entre 2002 et 2003 sur environ 40% du territoire national et disponible la vente dans le cadre du Programme de Gouvernance des Ressources Minires de Madagascar (http://www3.gaf.de/bpgrm). Quatre couches de donnes numriques ternaires correspondant aux mailles du 1/100 000me de lInstitut Gographique Malgache (FTM) ont t

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

10

achetes (20 euros la feuille). Sur la zone dtude, la seule information sur les sols disponible est une carte au 1/200 000me datant de 1960 (Hervieu, 1960) et reprsentant trois types de sols. Considrant la faible prcision de cette donne lchelle de rendu souhaite dans cette tude (1/25 000 1/50 000me), les donnes gophysiques sont testes ici comme facteurs reprsentant la gologie et la pdologie (appel gopodologie dans la suite du texte).

I.3.4 Donnes auxiliaires


En plus de ces donnes, un accs des donnes de type fond de carte (BD500, Cartes nationales de vgtation, Inventaire cologique et Faunistique National, etc.) a t possible au cours du projet. Elles n'entrent pas en compte directement dans le dmonstrateur propos ici.

II - Mthodologie
II.1 Prsentation Gnrale
Lapproche retenue a t segmente en trois phases (cf. figure 2). Chacune des phases a fait lobjet dun rapport intermdiaire prsent et valid par un comit de pilotage. Les parties tant trs diffrentes les unes des autres, il est difficile de suivre le schma classique sparant la mthodologie des rsultats. Cest pourquoi il a t choisi de prsenter pour chaque phase les flux de traitements, une description succincte des tapes et les rsultats importants. Une discussion globale est prsente dans la troisime partie de ce rapport. Les trois phases sont :

Phase 1 : Campagne de terrain, analyses des chantillons au laboratoire et calcul des stocks de carbone dans le sol. Phase 2 : Traitements des donnes spatiales et harmonisation des donnes. Phase 3 : Modlisation des stocks de carbone et production des cartes destimation et derreur.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

11

Phase 1 Points dobservation terrain + enqute usage des sols Echantillonnage sol par placette

Analyses Laboratoire

Phase 2 Prtraitements gomtriques Classes doccupation du Sol

BD SOL

Estimation des proprits des sols

SPOT 2005

Variables Occupation du sol BD SPATIAL Variables Topographiques Variables Climatiques Variables Gopdologiques Slection et harmonisation des facteurs

Calcul des stocks C-sol 0-30 et 0-100 cm

Synthse des Stocks par unit Sol-Vgtation

GDEM

WORLDCLIM

MODELISATION
Stock = f(var1,var2..)

Analyse de la qualit du modle

GEOPHY.

Estimation Stock C-SOL

Incertitude sur les estimations

Post-traitement Phase 3 Carte des stocks C-sol et des erreurs

Figure 2: Diagramme des flux de traitements complet de la mthodologie mise en place.

60

Carbone organique estim (g.kg-1)

50

40

30

20

10

0 0 10 20 30 40 50 60 Carbone organique mesur (g.kg-1)

Observation terrain, enqute usage des sols, chantillonnage sol par placette BD SOL

Analyses en laboratoire et estimation des proprits de sol

Stock de carbone (t.ha-1) 0 10 20 30 40 50 60 70 80 90 100

Extraction des donnes et calcul des stocks de carbone par placette

Figure 3 : Diagramme des flux de traitements pour le calcul des stocks de carbone (phase 1)

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

12

II.2 Phase 1 : Inventaire carbone et calcul des stocks


Cette phase constitue pour moiti la part de dveloppement du projet. Elle implique des travaux de terrain (observations, enqutes, chantillonnages) et de laboratoire (broyages, analyses, etc.) essentiels (cf. figure 3). Ils nauraient t possibles sans lappui technique et la logistique des quipes sur place.

II.1.1 Campagne de terrain


Le travail de terrain comprend trois types de relevs : des observations dusage et doccupation du sol, des points de contrle au sol et lchantillonnage de sol par placette. Une analyse prliminaire des images satellites, a permis de dresser un plan dchantillonnage thorique constitu dune vingtaine de transects topographiques, partant de lextrieur vers lintrieur du parc et croisant diffrents modes doccupation du sol. Une mthode prospective le long de ces transects a t adopte sur le terrain dans le but de localiser des placettes (10m x 10m) reprsentatives des usages des sols de la rgion. Des fosses pdologiques ou sondages la tarire ont t raliss chaque coin des placettes. Cinq tranches de sol ont t prleves par sondage (0-10, 10-20, 20-30, 50-60, 90-100 centimtres). Un chantillon composite a t form par mlange des quatre chantillons pour chaque profondeur afin de rduire la variabilit locale. Des chantillons denviron 200 g de sol ont t collects. Au final, 95 placettes ont t chantillonnes reprsentant 440 chantillons de sol.

II.1.2 Analyse en laboratoire


Le calcul des stocks de carbone (voir II.1.5) ncessite davoir des mesures de trois proprits de sol : la densit apparente, les lments grossiers suprieurs 2 mm et le carbone organique. La premire analyse a t ralise par la mthode au cylindre qui consiste introduire un cylindre dun volume connu dans le sol et de peser le poids frais de ce volume de sol. Aprs passage ltuve pendant 48 heures 105 degrs, la masse sche calcule est divise par le volume donnant ainsi une mesure de densit (g.cm-3). Les lments grossiers sont mesurs aprs broyage de lchantillon de sol et passage dans un tamis de 2 mm. Ils correspondent la fraction suprieure 2 mm en pourcentage. Enfin le carbone organique est dos par la mthode standard de digestion chimique de Wakley et Black (1984). Ces analyses ont t ralises sur 183 chantillons pour la densit apparente et de 138 chantillons pour le carbone organique et sur lensemble des chantillons pour les lments grossiers (n=440). Du fait des contraintes de temps sur le terrain et du cot des analyses, seulement une partie des chantillons disposent de mesures de carbone organique et de densit apparente.

II.1.3 Estimations des proprits de sol par FPT et SMIR


Le problme de trous dans les bases de donnes est rcurrent lorsquil sagit de donnes sur les sols. Cependant, il est possible de les combler en faisant des estimations fiables partir de mthodes rapides et

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

13

peu coteuses. Dans ce travail, des fonctions de pdotransfert (FPT) ont t utilises pour la densit apparente et la Spectroscopie dans le Moyen Infra-Rouge (SMIR) pour le carbone organique (Corg). Les fonctions de pdotransfert englobent toutes les fonctions mathmatiques ou simples rgles permettant destimer une proprit de sol en fonction dautres proprits de sol plus facilement accessibles. Dans notre tude, des profils moyens de densit ont t calculs pour deux types de sol (sol ferrallitique, sol ferrugineux) et deux types doccupations du sol (fort dense humide, autres type) et appliqus lensemble des profils. Cette mthode induit des simplifications qui semblent cependant correctes compte tenu de la faible variation des mesures observe sur le terrain (=0,90 et g.cm3,=0,11). L'estimation des proprits des sols par spectroscopie infrarouge est une technique rcente qui allie mesures de rflectance dans les rgions du proche et moyen infrarouge avec des mthodes statistiques multivaries. Dans cette tude, trois prtraitements spectraux (lissage, Standard Normal Variate ou SNV, et les deux successivement) ont t tests pour la prdiction du carbone organique ainsi quune transformation logarithmique de la valeur carbone: Un lot test de 10% des donnes et une cross-validation en leave-oneout ont t utiliss pour comparer les modles. Le modle retenu est celui avec des prtraitements de lissage et SNV avec transformation logarithmique du carbone organique. Le coefficient de dtermination en calibration ainsi quen validation est trs satisfaisant, au-del de 0.90. Les RMSE vont de 4 7 g.kg-1 pour lensemble des modles. Le ratio of performance deviation ou RPD correspondant au rapport entre lcart type et la RMSE est un indicateur courant en spectroscopie. Des gammes de valeurs de qualit de modle ont t donnes par Chang et al. (2003) pour des estimations sur des proprits de sol : < 1,6 pas de capacit prdictive, de 1,6 2 rgressions satisfaisantes et > 2, trs bonne capacit prdictive. Les rsultats sont dans lensemble satisfaisants. Le graphique des valeurs prdites et mesures montre une dispersion croissante avec des valeurs des Corg croissantes (cf. figure 4). Lerreur lie ces estimations est donc en moyenne de 4,5 g.kg-1 avec les erreurs les plus fortes pour les valeurs leves de Corg.

60

Carbone organique estim (g.kg-1)

50

40

30

20

10

0 0 10 20 30 40 50 60 Carbone organique mesur (g.kg-1)

Figure 4 : Valeurs de Corg prdites par MIRS en fonction des valeurs Corg mesures en laboratoire

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

14

II.1.4 Constitution d'une base de donnes sol


Une base de donnes a t cre afin de faciliter les traitements et extraction de donnes. Elle comprend les relevs environnementaux sur chaque placette (occupation du sol, pente, densit des arbres, hauteur de la canope, coordonnes GPS, etc.), les rsultats bruts danalyses en laboratoire, les donnes spectrales, et les rsultats des estimations par FPT et SMIR. Pour rendre possible le lien entre ces diffrentes informations, une rfrence chantillon a t cre et utilise comme cl primaire ou secondaire des tables. Une correspondance simple avec la rfrence chantillon donne par le laboratoire a galement t ncessaire. Ces donnes ont t traites et stockes dans le serveur de base de donnes PostgreSQL.

II.1.5 Calculs des stocks C-Sol sur 0-30 et 0-100cm


Lensemble des donnes brutes et estimes de Corg a t ensuite utilis pour calculer les stocks de carbone dans le sol pour deux profondeurs : 0-30 et 0-100 cm. Ce sont des couches frquemment utilises dans les tudes permettant ainsi denvisager des comparaisons avec des tudes similaires. Le calcul pour une profondeur de sol est la suivante : SOCi = Corg*Da*e*(1-Eg)*10 avec SOCi, le stock de carbone de la couche de sol i, en t.ha-1, Corg, la teneur en carbone organique, en g.kg-1, Da, la densit apparente, en g.cm-3, Eg, les lments grossiers suprieurs 2 mm, sans dimension, e, lpaisseur de la couche de sol, en centimtres.

Lchantillonnage sur le terrain a t ralis sur cinq profondeurs (0-10,10-20,20-30,50-60,90-100 cm) laissant ainsi deux profondeurs sans information : 30-50 et 60-90 cm. Les stocks sur ces profondeurs ont t estims en prenant la moyenne des stocks des couches suprieures et infrieures lorsque linformation tait prsente. Le stock final pour la placette est obtenu en sommant les stocks des couches de sol correspondant aux deux profondeurs considres. Ces traitements ont t raliss avec un tableur et le logiciel R-stat.

II.1.6 Principaux rsultats de la phase 1


Au total, les stocks de carbone ont t calculs pour 89 placettes sur 0-30 cm et pour 85 placettes sur 0100 cm (cf. annexe 1). Sur 0-30 cm, ils varient de 11 160 t.ha-1 et sur 0-100 de 23 267 t.ha-1. Les moyennes sur la rgion dtude sont de 56 t.ha-1 et 93 t.ha-1 pour 0-30 et 0-100 cm respectivement. A partir des traitements des donnes ralises, certaines observations peuvent tre faites en synthtisant ces valeurs par association sol-vgtation (cf. tableau 2).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

15

Les stocks observs sont peu prs cohrents avec ceux trouv dans la littrature et respectent des tendances gnrales : stocks forts > stocks culture/jachre > stock savane. Un effet type de sol peut tre observ : stock sol ferralitique > sol ferrugineux. Cela est d essentiellement la texture du sol. Entre les trois types de forts, une autre tendance est note : stock fort dense humide > fort de transition > fort sche. Cette observation souligne galement limportance du climat. Enfin, la succession des stocks sous savane semble suivre la tendance suivante : stock savane arbore < savane arbustive < savane herbace. Cependant ces rsultats peuvent tre discuts sur plusieurs points. La complexit des phnomnes pdologiques expliquent en partie les grandes variations observes sous un mme couvert vgtal et mme type de sol cette chelle dtude. De plus, des modes usages diffrents sont prsents sous une mme classe doccupation du sol. Cette typologie de terrain ne tient pas compte par exemple des coupes slectives darbres, des passages de feu, du pturage, etc. Ces paramtres sont difficiles mesurer sur le terrain malgr les enqutes ralises. Enfin, le faible nombre de placettes pour certaines associations na pas permis danalyser la significativit de ces diffrences partir de test statistique.

Stock de carbone 0-30 -1 cm (t.ha ) Type de sol

Occupation du sol Fort dense Fort de humide transition 82 (1941%) 93 (4-42%) 78 (1) Savane arbore Savane arbustive 45 (5-37%) Savane herbace 52 (1337%) 41 (3-57%) Culture/ Jachre 71 (2-28%)

Fort sche

Sol ferrallitique Sol ferrallitique peu profond Sol ferrugineux

38 (9-41%)

50 (7-23%)

25 (2-6%)

42 (7-70%)

27 (1)

32 (5-28%)

20 (2-15%)

Tableau 2 : Stocks de carbone dans le sol (0-30 cm) par association sol-vgtation. Les chiffres en gras -1 correspondent au stock moyen en t.ha , le premier chiffre entre parenthse le nombre de placettes et le deuxime le coefficient de variation (cart-type/moyenne).

II.3 Phase 2 : Traitements des donnes spatiales


Des donnes spatiales de diffrentes origines ont t collectes. Leur couverture gographique stend sur toute la zone dtude sauf dans certains cas (images SPOT et cartes ternaires) pour lesquels une petite partie louest de la zone manque. Les traitements spcifiques raliss pour les quatre sources de donnes principales sont rsums dans un diagramme des flux prsentant la chane de traitements des donnes spatiales (cf figure 5) et sont dtailles ci-dessous. Un accent particulier a t port sur la qualit des donnes, notamment travers une analyse qualitative et quantitative de la prcision gographique des donnes SPOT et des erreurs lies au MNT.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

16

09/200

03/200

Orthorectification (image image)

mosaiquage

Drivation Indices

IMAGES SPOT

Points terrain Google Earth

Apprentissage Dlimitation Dlimitation Placettes Placettes Validation

Classification Occupation du sol

Analyse qualit de la classification

SRT M

MNT

Comparaison qualit MNT

GD E M

Drivation Indices morphologiques

GEOPHY

mosaiquage Harmonisation (Rchantillonnage , Dcoupage zone dtude, compilation)

CLIMAT

Extraction de donnes

Figure 5 : Diagramme des flux pour la prparation des donnes spatiales (phase 2).

II.3.1 Traitements des images satellites


II.3.1.1 Orthorectification, mosaquage et calcul d'indices spectraux Des images SPOT orthorectifies (170-400, 171-399) et gorfrences (170-400 et 170-399) sont disponibles sur la zone dtude en mars et septembre 2005. La carte orthorectifie acquise en saison des pluies (mars) prsente un fort ennuagement (environ 10% de la zone dtude) localis principalement sur les zones de fort humide daltitude, et des rponses spectrales peu contrastes. Limage de septembre (fin de saison sche) semble plus adapte pour discriminer les diffrentes occupations du sol. Lorthorectification, le mosaquage et le calcul dindices spectraux ont t raliss avant de procder la classification de loccupation du sol.

Lorthorectification de limage de septembre a t effectue en prenant limage du mois de mars comme rfrence (image to image orthorectification) et partir de points damer uniformment rpartis, du MNT

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

17

SRTM et des paramtres dangle de vue du capteur. Une trentaine de points homologues sur les deux images ont t identifies par reconnaissance visuelle de croisement de route ou de rivires. Au final, une erreur quadratique moyenne (RMSE) denviron 12 mtres a t obtenue. Pour le mosaquage2 des images de septembre prises 5 jours d'intervalle, un algorithme dajustement des histogrammes sur la zone de chevauchement a t utilis afin de rduire les contrastes lis aux changements de conditions atmosphriques. A partir des rponses spectrales mesures par le capteur, des indices classiques permettent de concentrer les informations contenues dans un ou plusieurs canaux afin de mettre en exergue certaines proprits de la surface du sol (Girard et Girard, 1999). Il sagit de l'indice de vgtation normalis (NDVI), de l'indice d'infrarouge (IRI) et de l'indice d'eau normalis (NDWI) dont les formules sont prsentes dans le tableau 3. Nous avons utiliss ces indices, ainsi que les canaux bruts de limage SPOT, dans le but damliorer les rsultats de la classification. Afin de permettre un calcul plus rapide et dajuster les valeurs de tous les canaux, les valeurs des indices ont t tires ou re-normalises sur une gamme de 0 100 partir de la formule suivante et convertie en valeur entire: Ie = [ ( I min(I) ) / ( max(I) min(I) ) ] x 100 avec Ie lindice tir sur une gamme de 0 100 et I la valeur calcule de lindice. Cette mthode a t utilise par Zeng et al. (2000) pour driver lindice FVC fraction de la couverture vgtale en utilisant le NDVI et fournir ainsi une valeur en pourcentage de la couverture vgtale.
Sigle NDVI IRI NDWI Nom Normalized Difference Vegetation Index Infra Red Index Normalized Difference Water Index Formule (PIR-Rouge) / (PIR+Rouge) (MIR-PIR) / (MIR+PIR) (PIR-Vert) / (PIR+Vert)

Tableau 3 : Indices spectraux calculs

II.3.1.3 Typologie des classes d'occupation du sol Il existe de nombreuses tudes cartographiques sur Madagascar portant sur le milieu physique incluant quasi systmatiquement une dlimitation des forts. Cest le cas des premires cartes tablies par les explorateurs des sicles passs et pendant la colonisation. Les mthodes utilises taient alors limites une extrapolation des observations faites sur le terrain lors de traverse exploratoire du pays (Petit, 2005). Depuis, une campagne de photographies-ariennes ralise dans la moiti du sicle dernier a permis de dresser les premires cartes doccupation du sol et de produire des estimations fiables des superficies occupes par chaque type doccupation du sol. Lavnement des photographies ariennes et des images satellites a ensuite permis dactualiser ces cartes. Malgr la multiplication des donnes sur loccupation du sol Madagascar, il est trs difficile voire impossible de les comparer compte tenu de la disparit des mthodes et nomenclatures utilises (Petit, 2005). Par exemple, un fourr dense sec sur le carte de
2 Traitement ralis sous ENVI 4.5 (ITT, 2009)

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

18

Faramala (1988) correspond des fourres xrophyles sur lIEFN (1997), des dciduous shrubland with sparses trees sur le GLC2000 (2000) et enfin une fort pineuse paisse du Sud-Ouest sur la carte de vgtation de Moat et Smith (2007). Les critres dobservation de terrain pour la classification de loccupation du sol sont rarement connus dans chacune des cartes ; la correspondance nest donc pas triviale. Quand est-ce quun fourr dense sec devient une fort ? Un projet de cartographie de loccupation du sol sur une partie de la rgion Anosy et Androy dans le sud-est a t finalis rcemment (Rakotovao, 2010) dans le cadre dun partenariat entre lIOGA et le programme PHCF du WWF et de GoodPlanet.org. Ce projet a dfini une classification en lien troit avec les discussions nationales sur la dfinition de la fort (com. pers.). La typologie utilise dans ce projet reprend les mmes seuils concernant les forts, c'est--dire quune fort humide doit avoir une couverture de canope suprieure 50% et des hauteurs darbre de plus de 5 mtres ; une fort sche doit avoir une couverture de canope suprieure 10% de la surface et des hauteurs darbre suprieures 2 mtres. Une distinction entre culture irrigue et non irrigue a t ajoute comme sous-classe des terres cultives. Les 7 classes thmatiques retenues sont prsentes ci-dessous. Leur dfinition prcise est prsente en annexe 2. Fort dense humide, Fort sche, Mosaque de savane herbace et arbustive, Culture non irrigue, Culture irrigue, Affleurement rocheux, Zone en eau

II.3.1.4 Classification de l'occupation du sol Des parcelles dapprentissage ont t dlimites sur limage SPOT partir des points dobservation de terrain relevs au GPS. Les points tant souvent trs proches gographiquement et ntant pas reprsentatifs de lensemble de la zone dtude, des parcelles supplmentaires ont t identifies partir de lobservation des images disponibles dans Google Earth (Digital Globe, 2009). Des donnes QuickBird haute rsolution (2,5 m) sont disponibles pour lensemble de la zone dtude des dates diffrentes. Au total 178 parcelles ont t dlimites puis spares alatoirement en deux lots, lun pour entraner les algorithmes de classification, et lautre pour tester les rsultats de classification laide de matrices de confusion. Ainsi, un tirage alatoire de 70% des parcelles a t ralis afin de slectionner les parcelles dapprentissage et conserver le reste pour la validation.

Trois algorithmes de classification ont t tests : le Maximum de Vraisemblance, le Minimum Distance et la Distance de Mahalanobis sur deux jeux de donnes images, lun comprenant les 4 canaux SPOT, lautre ces mmes donnes combines avec les trois indices spectraux. Les rsultats de six cartes doccupation du sol ont ainsi t compars. La qualit de ces cartes doccupation du sol a t value partir de lindice de prcision globale (nombre de pixels correctement classs divis par le nombre de pixels total) et de lindice Kappa sur les parcelles de validation. Les meilleures performances ont t obtenues avec lalgorithme de maximum de vraisemblance sur les images SPOT combines avec les indices spectraux (cf annexe 3) .

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

19

II.3.2 Drivation d'indices morphologiques


Une analyse prliminaire de la qualit des deux MNT (SRTM et GDEM) a t ralise partir des mesures daltitude par GPS (waypoints et traces). Des erreurs de 20,2 mtres et 12,3 mtres pour le SRTM et GDEM respectivement ont t calcules partir de 14 900 points et une gamme de valeurs allant de 0 870 mtres. Des formes de dalles rgulires dans les donnes brutes du MNT GDEM ont pu tre observe et a t assimile une erreur dans les chanes de traitement du fournisseur de donnes. Un pr-traitement de filtrage moyen par fentre mobile (3x3pixels) a t ralis en amont des calculs des indices afin de limiter la rpercussion de cette erreur sur toutes les couches. Des indices simples ont t drivs partir du MNT ASTER GDEM: la pente, lorientation de la pente, un indice de convexit verticale et un indice topographique dhumidit (CTI). Lindice CTI (Compound Topographic Index, Beven & Kirbby, 1979) est calcul de la manire suivante : CTI= log(A)/S avec A : la surface contributive et S : la pente.

II.3.3 Prparation des donnes climatiques


Dans cette tude, la temprature moyenne annuelle, la prcipitation annuelle ainsi que le nombre de mois sec ont t extraits de la base WorldClim. Le dernier paramtre correspond au nombre de mois avec moins de 60 mm de prcipitation mensuelle.

II.3.4 Prparation des donnes go-pdologique


Les quatre feuilles de donnes avec des couches de donnes ternaires (canaux Rouge, Vert, Bleu = Potassium, Uranium, Thorium) ont t mosaques. Chacun des trois lments a ensuite t individualis en une seule couche gographique. Les valeurs correspondent des concentrations relatives de chacun de ces lments sur une gamme de valeurs relatives allant de 0 255.

II.3.5 Harmonisation des donnes spatiales


La dernire tape de prparation des donnes spatiales a consist harmoniser les donnes sur la zone dtude, cest dire sur une mme tendue et pour une mme rsolution spatiale. Deux traitements ont t raliss : un dcoupage et un r-chantillonnage de chacune des couches. Le dcoupage implique simplement lutilisation dun masque correspondant la zone dtude. Le r-chantillonnage a t ralis par la mthode du plus proche voisin une maille de 10m. Cette rsolution correspond la rsolution la plus fine des couches disponible (images SPOT). Elle implique cependant des approximations sur les autres couches et galement un grand nombre de donnes. Sur la zone tendue, une couche de donnes est constitue de 7836 lignes et 5514 colonnes correspondant 43 207 704 cellules. Cette grande dimension de donnes a conduit par la suite des traitements des crashs de logiciel R, une solution de dcoupage en tuile de 10km*10km (1000*1000 pixels) et un traitement prioritaire sur la zone pilote a ensuite t adopt.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

20

Type Occupation du sol et tat de la vgtation

nom occsol ndvi ndwi iri

Description Occupation du sol en 7 classes Indice de vgtation normalis (pir-rouge/pir+rouge) Indice d'eau normalis (pir-mir/pir+mir) Indice du proche infra rouge normalis (rouge-mir/rouge+mir) Elvation en mtre Pente en pourcentage Orientation en degr Courbure verticale Compound topographic Index Prcipitation annuelle Temprature moyenne annuelle en degr celcius Nombre de mois sec (<60 mm) Concentration relative en potassium Concentration relative en Uranium Concentration relative en Thorium

Min - Max

0 - 94 0 - 96 0 - 96 0 - 1958 0 - 100 0 - 360 -459 399 - 12 345 -85 - 149 648 - 1788 14,9 - 24,3 0-8 0 - 248 0 - 248 0 - 248

Relief

alt pente aspect curvv cti

Climat

pann tann moisec

Go-pdologie

k u th

Tableau 4 : Liste des variables spatiales utilises comme dterminants des stocks de carbone.

II.3.6 Principaux rsultats de la phase 2


La matrice confusion (cf annexe 4) permet de mieux comprendre les sources derreur dans la carte doccupation du sol finale une trs bonne dlimitation des deux types de forts, fort dense humide et fort sche, est observe (95% et 92% respectivement). Cette dernire classe souffre cependant dune forte erreur de commission, ce qui signifie que cette classe tendance stendre sur des zones plus vastes que son emprise relle. Par contre, de moins bonnes classifications, en dessous de 70% des pixels, sont observes pour les autres classes. De nombreuses confusions ont t observes notamment entre mosaque de savane/culture non irrigue, zone en eau/culture irrigue et roche/fort sche. Ces erreurs sexpliquent par la proximit de ces classes dun point de vue spectrale. Les rsultats de classification de loccupation du sol sont correct dun point de vue global avec une prcision de 80% sur la zone dtude. Les classes de forts pourront donc tre exploites pour mesurer des superficies et quantifier des changements doccupation du sol lis la dforestation. Les autres classes devront tre considres avec prcaution. Au final, 15 variables spatiales ont t drives et ont t utilises dans la phase 3 comme dterminants potentiels des stocks de carbone dans le sol (cf. tableau 4).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

21

II.4 Phase 3 : Modlisation des stocks de carbone


La dernire phase de la mthodologie propose a pour but dtablir la relation entre les stocks de carbones mesurs sur les placettes avec les variables spatiales reprsentants les facteurs de formation des sols. Trois aspects essentiels de la modlisation sont prsents dans ce rapport : le choix du modle statistique, la procdure de validation des rsultats, et la cartographie des erreurs lies aux estimations. Ces travaux ont t raliss dans GRASS et R grce aux facilits de couplage entre ces deux logiciels.

II.4.1 Choix et description des modles statistiques


Il existe une varit grandissante de mthodes statistiques appliques avec succs pour la prdiction des proprits ou des types de sol (Mc Bratney et al., 2003). Elles diffrent beaucoup sur leur mode de fonctionnement, cest pourquoi une comparaison est souvent ncessaire pour dterminer laquelle fonctionne le mieux dans un environnement pdo-paysager donn. Une rcente revue bibliographique indique que sur 90 tudes de cartographie numrique des sols, 40% prsente des rsultats issus dun seul modle, et 60% en utilise deux plusieurs (Grunwald, 2009). Parmi les plus populaires, on trouve les rgressions (41%), les mthodes de discrimination ou de classification (32%), le krigeage (19%) et les modles bass sur des arbres (14%). Dans cette tude, le choix de trois algorithmes avec des niveaux de complexit croissants, suivi de leur comparaison, a t adopt. Il sagit de la mthode step-wise linear regression, lalgorithme de Classification And Regression Tree (CART, Breiman, 1984) et Random-Forest (Breiman et al., 2001). Ces trois algorithmes ont lavantage de proposer une slection automatique des variables importantes expliquant la variable dintrt, ici les stocks de carbone. Ils sont galement disponibles dans des packages ddis dans R. II.4.1.1 Step-wise linear model Il sagit comme son nom lindique, dun modle de rgression linaire multiple pas--pas . Il est communment utilis en cologie car les hypothses statistiques sous-jacentes sont simples et le rsultat de la modlisation est une formule explicite de type : stock de carbone = a1 x Altitude, a2 x Pente, a3 x Prcipitation, a4 x NDVI, etc+ rsidu. Limportance relative des variables peut se mesurer par la valeur des coefficients de rgressions ai. La prise en compte des erreurs est galement assez bien documente.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

22

Figure 6 : Localisation des placettes dentranement de lalgorithme et de validation.

Les points en bleu correspondent aux 90 placettes dentranement ; elles sont localises sur et entre les parcelles 1 et 2 du Parc correspondant la zone pilote du projet (cf figure 1). Elles incluent de la fort dense humide lest est de la fort sche louest. Les points en rouge correspondent aux 26 placettes de test (Rakotonarivao, 2010) ; elles sont localises sur la parcelle 2 du Parc proche de la zone pilote et sur la partie septentrionale du Parc en limite de zone tendue (cf figure 1). Le fond de carte est la carte doccupation du sol obtenue (cf annexe 5). Le vert fonc correspond la fort dense humide, le vert clair la fort sche, le orange aux mosaques de savane herbace et arbustive, le marron clair aux cultures non irrigues, le jaune aux cultures irrigues, le gris au sol et roche nue et le bleu aux zones en eau.

II.4.1.2 CART Cest un algorithme maintenant ancien (Breiman et al., 1984) qui a t prouv dans de nombreux domaines (foresterie, pidmiologie, conomie, etc.) et qui continue sduire de par ses nombreux avantages. En premier lieu, cest un modle non-linaire qui permet de prendre en compte des variables quantitatives avec des variables qualitatives, ce qui nest pas le cas de la plupart des autres modles. Il est rsistant lajout de variables peu discriminantes et aux valeurs aberrantes ou extrmes. Enfin il permet de faire aussi bien de la prdiction de classes que de valeurs continues. Le rsultat de la modlisation est un arbre explicite permettant dvaluer limportance des variables dans le modle et de pouvoir linterprter facilement. Cet algorithme souffre cependant de sur-apprentissage, c'est--dire montrant de faibles capacits prdictives au-del des chantillons de calibration. II.4.1.3 Random-Forest Ce dernier est une version raffine du CART, dveloppe plus rcemment par le mme auteur et ses collgues (Breiman et al, 2001) et qui suscite galement un certain engouement multi-disciplinaire (exemple en pidmiologie Furnacello et al, 2003 et pdologie, Grim et al., 2008). Random-Forest semble offrir de meilleures capacits prdictives par rapport au CART mais perd un peu en capacit dinterprtation. De manire simple, il effectue un double tirage alatoire dchantillons et de variables, rpt un grand nombre de fois (valeur par dfaut n=500), permettant de construire une multitude de petits arbres indpendants. Dans le cas dune rgression, la valeur prdite est la moyenne obtenue pour

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

23

lensemble de ces arbres. Le rsultat de la modlisation est un modle non explicite mais dont limportance relative des variables dans la construction du modle peut tre value.

II.4.2 Approche exprimentale


II.4.2.1 Cadre de travail Un cadre de travail de modlisation a t dfini afin de garantir la reproductibilit des rsultats. Il est cependant ncessaire de trouver les tendances ou pattern en procdant pas pas, c'est--dire en passant des techniques simples des techniques plus complexes. Cest pourquoi des analyses statistiques simples ont t ralises dans un premier temps (matrice de corrlation, analyse en composante principale, rgressions univaries, importance des mesures terrain) mais ne seront pas prsentes dans ce rapport. Le cadre finalement retenu pour la modlisation est prsent dans le tableau 5. Lensemble des travaux de modlisation ont t ralis dans R avec les packages suivant : stats, rpart et randomforest. Ce logiciel statistique et de dveloppement a permis dimplmenter les diffrents aspects de la modlisation dans un script.

Variables modliser Stock C-Sol (30cm) et Stock C-Sol (100cm), (cf. figure 6 et annexe 1). Ces valeurs sont calcules en tonnes par hectares et correspondent respectivement 89 et 85 placettes. Variables explicatives Occupation du sol, NDVI, IRI, NDWI, alt, pente, aspect, curvv, cti, pann, tann, moisec, K, U, Th (cf. tableau 3). Les valeurs de ces variables ont t rcupres sur chaque placette par croisement gographique Modle dinfrence Stepwise LM, CART et Random-Forest (cf. II.4.1). Les paramtres par dfaut de ces modles ont t utiliss sauf pour Random-Forest o le nombre de variables tires au hasard chaque itration a t fix 8 (paramtre mtry). Procdure de validation Tirage au hasard de 2/3 des placettes pour la calibration du modle (CAL), le 1/3 restant tant utilis pour la validation (VAL). Une tude dans le cadre dun DEA, soutenue et publie rcemment (Rakotonarivao, 2010), sest intresse galement aux stocks de carbone dans les sols de la rgion (cf localisation figure . 26 placettes avec des stocks de carbone (30cm et 100cm galement) ont ainsi pu tre utilises indpendamment des autres placettes pour tester les modles (TEST). Cette procdure pour les trois lots CAL, VAL et TEST est rpte 100 fois de manire mesurer la robustesse des modles. Indicateurs de qualit des modles Coefficient de dtermination (R ) et Root Mean Square Error (RMSE). Le premier mesure la capacit du modle expliquer les variations de la variable modliser, il varie de 0 1, une valeur de 1 indiquant une capacit optimale. La RMSE est une mesure standard derreur qui permet de quantifier les diffrences entre les valeurs prdites et mesures dans lunit de mesure de la variable modliser (ici tonnes par hectares). Plus cette valeur est faible, plus le modle est prcis.
2

Tableau 5 : Paramtres de la modlisation (phase 3)

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

24

II.4.2.1 Rsultats de modlisation La comparaison des performances des modles est prsent en figure 7 qui illustre un cas particulier (RMSE obtenue pour Stock C-sol 30 cm) mais reprsentatif des autres mesures (R2, Stock C-sol 100cm), les deux variables modliser tant trs corrls (R2=0,81). On observe en premier lieu une tendance gnrale des trois modles perdre en prcision lors du passage du lot de calibration, au lot de validation, et au lot test. Cette tendance souligne la difficult des approches statistiques extrapoler des estimations au-del dune zone ou dun jeu de donnes. Random-Forest montre un cas flagrant de surapprentissage avec des RMSE trs faibles denviron 10 t.ha-1 en calibration et des RMSE denviron 20 t.ha-1 en validation. Cependant sur le lot test, cet algorithme produit les estimations les plus satisfaisantes. Les erreurs mesures et leur dispersion sont systmatiquement plus faibles pour cet algorithme. A lissu de ce travail, Random-Forest a t slectionn pour la production des cartes destimation des stocks C-Sol et derreurs.

Les indicateurs de qualit obtenues avec cet algorithme sont prsents en annexe 6. Il donne en effet les ordres dides des erreurs auxquelles on peut sattendre lors du passage la spatialisation. Elles sont de lordre de 20 t.ha-1 sur 30 cm de sol et plus de 40 t.ha-1 sur 100 cm de sol. On note au passage que sur 100 cm les erreurs sont normes pour le lot test (de 75 100 t.ha-1). Il faut mentionner ici que lchantillonnage de sol et les mthodes destimations utilises pour le calcul des stocks des placettes du lot test (Rakotonarivo, 2010) ne sont pas les mmes que dans cette tude. Il peut en rsulter un biais fort lchelle mme de la placette. Enfin ces mesures derreurs sont mettre en relation galement avec la gamme de stock de carbone observe : de 11 t.ha-1 160 t.ha-1 sur 30 cm et de 23 t.ha-1 267 t.ha-1 sur 100 cm. Une sous-estimation importante de quelques placettes avec un stock trs lev augmentant significativement les erreurs moyennes a t observe. Lapproche spatiale permet de mieux tenir compte des estimations et de leurs erreurs localement.

Figure 7: Botes moustache reprsentant les variations des RMSE obtenus pour la modlisation des Stock C-sol (30 cm) avec les trois modles tests sur 100 itrations.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

25

II.4.3 Importance relative des variables et interprtation thmatique


Le modle calibr sur lensemble des placettes permet dvaluer les variables expliquant le plus les variations de stocks de carbone. Deux mesures de limportance des variables dans la construction du modle sont disponible avec lalgorithme Random Forest : par le calcul de la diminution de lerreur OOB (out of the bag) et par le calcul de la diminution de la puret du nud. Suivant les recommandations de Grim et al (2008) la premire a t utilise ; elle mesure les variations de lerreur de prdiction sur un jeu de validation suite la permutation dune variable dans le modle. Cette permutation alatoire est suppose avoir peu deffet sur les performances du modle si une variable nest pas pertinente. Le rsultat, prsent en annexe 7, montre que les variables climatiques (prcipitation annuelle et nombre de mois sec) et les variables de loccupation du sol ou dtat de la vgtation (classe doccupation du sol, NDVI, IRI) ont une influence prpondrante. Dans une moindre mesure, le relief du paysage (altitude) et go-pdologie (concentration en thorium) expliquent une part de ces variations. Les autres variables (pente, orientation, courbure, indice dhumidit, NDWI, la concentration en Uranium et Potassium) sont peu discriminantes. Ces observations soulignent le lien fort qui existe entre le carbone organique du sol, loccupation du sol et le climat sur la zone dtude. Il sagit dun rsultat attendu dans le sens o lon sait que lapport de matire organique contenue dans les dbris vgtaux au sol constitue lentre principale de carbone organique dans le sol. Les forts denses humides ayant une productivit primaire nette plus importante que les savanes ou les forts sches ; leurs stocks de carbone dans le sol sont les plus levs. Les classes doccupation du sol, le NDVI et lIRI traduisent ce facteur dans le modle. La prcipitation annuelle ressort comme la variable la plus discriminante ce qui indique des bio-fonctionnements du sol trs contrasts sur de la zone dtude. Ce paramtre contrle lactivit biologique responsable de la minralisation des dbris vgtaux, lagrgation des particules du sol avec la matire organique et in fine la protection du carbone organique dans les fractions fines du sol. Les autres paramtres climatiques comme la temprature et le nombre de mois sec sont inversement corrls avec les stocks de carbone dans le sol pour ces mmes raisons : rduction de lactivit biologique se traduisant par une minralisation plus lente de la matire organique lorsque les tempratures diminuent.

II.4.4 Cartographie des stocks de carbone et des erreurs


Une fois calibr et valid, le modle peut tre appliqu sur la zone dtude partir des variables spatiales prsentes dans la phase 2 pour produire des estimations de stocks de carbone. Cependant il nest pas possible de quantifier directement les erreurs produites chaque point de lespace. Pour tenir compte des erreurs de prdiction sur les estimations finales, une dmarche danalyse de propagation des erreurs doit tre considre. Elles incluent les erreurs sur les mesures terrain et laboratoire (eg. mesure de densit apparente prdiction du carbone par MIRS), en passant par les erreurs du modle (eg. RMSE, rsidu du modle) et enfin les erreurs sur les donnes spatiales (eg. indice kappa de la carte doccupation du sol,

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

26

prcision du MNT). Une telle dmarche est trs complexe et constitue encore un domaine de recherche fondamental. Cest pour ces raisons quune approche simplifie et originale a t dveloppe. Le modle est calibr sur 2/3 des placettes tires au hasard et appliqu sur les variables spatiales. Cette opration est rpte cinquante fois, produisant ainsi cinquante cartes destimation des stocks de carbone. La valeur moyenne de ces cartes est considre comme lestimation des stocks de carbone. Lcart-type multipli par deux est considr comme une mesure derreur sur ces estimations. Ainsi, pour chaque pixel, on obtient une estimation et un intervalle de confiance denviron 95% selon la loi normale. Au final, la zone pilote a t dcoupe en 6 tuiles de 10x10km pour permettre ce calcul trs gourmand en ressource. Les estimations et erreurs associes aux deux profondeurs (30 cm et 100cm) obtenues pour chaque tuile ont t mosaques et post-traites par un filtrage moyen dune taille de fentre de 3 pixels. Quatre cartes ont ainsi t produites sur la zone pilote et sont prsentes en annexe 8 et 9.

II.4.5 Principaux rsultats de la phase 3


La modlisation des stocks de carbone partir de lalgorithme Random-Forest a produit les rsultats les plus satisfaisants sur le jeu de calibration et en extrapolation sur le lot de validation et le lot test parmis les 3 algorithmes tests. Cest un modle de rgression non linaire qui permet, au mme titre que le CART, de grer les questions de colinarits des variables explicatives ; des corrlations fortes ont t observes pour le NDVI avec lIRI (r=0.92), la prcipitation annuelle avec le nombre de mois sec (r=--0.82), la temprature moyenne annuelle et laltitude (r=-0,93). Les variables les plus discriminantes de climat et doccupation du sol expliquent une grande part de la variabilit des stocks de carbone. Les cartes produites montrent ainsi que les stocks de carbone les plus forts sont prsents sous fort humide et pour des valeurs de NDVI et IRI lev. Limportance du gradient de prcipitation Est-Ouest se traduit par des stocks de carbone plus lev pour les communes les plus arroses ( lest de la zone dtude) que pour celles dans la rgion de transition ou sches ( louest de la zone dtude) pour une mme occupation du sol (exemple savane herbace et arbustive ou culture non irrigue).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

27

III - Discussion
III.1 Exemples dapplications
Une des applications premires de ces rsultats est de pouvoir faire un bilan du carbone. Dans le contexte REDD, ces donnes peuvent aider dfinir le scnario de rfrence, c'est--dire la quantit de carbone actuellement prsente dans lcosystme, en labsence de projet de conservation. Pour cela, chaque pixel reprsentant une valeur en tonnes par hectare est multipli par sa superficie (ici 0.1 ha) permettant de driver une quantit de carbone en tonne. Ces tonnages par pixel peuvent ensuite tre additionns sur une zone de projet ou sur des classes doccupation du sol selon la finalit, afin de rsumer cette information de manire plus explicite et envisager des calculs de crdit carbone.

Ce scnario de rfrence doit cependant tre dfini partir des volutions passes et non pas seulement partir dune seule date. Cette approche dynamique peut galement tre envisage laide de la mthodologie prsente ici. En effet, le caractre statistique de lapproche fait quil est possible de changer les variables spatiales en entre de modle, par exemple loccupation du sol et les indices spectraux, et dappliquer le modle pour raliser des scnarios. Les archives de donnes Spot et Landsat sont pour cela trs intressantes. Cette mthode a t applique par Lo Seen et al. (2010) sur deux jeux de donnes spatiales espacs de 20 ans. Dans notre cas, un essai a t ralis partir des images Landsat de 1984. Loccupation du sol et les indices spectraux de cette image ont t calculs puis utiliss dans le modle la place des donnes SPOT. Les rsultats prliminaires obtenus semblent prometteurs mais montrent des incertitudes plus importantes que sur la carte du carbone de 2005.

Enfin, ces rsultats sont une chelle rarement exploite en cartographie des sols. En effet les donnes SPOT 10 mtres reste chres, des approches lchelle de la parcelle agronomique par gostatistique ou lchelle rgionale avec Landsat ou Modis sont plus souvent testes. La figure 8 illustre la finesse de ces rsultats mais aussi leur incertitude. Le passage plus ou moins progressif dune occupation du sol une autre saccompagne dun changement des stocks de carbone dans le sol. On observe ainsi laugmentation des stocks lors du passage dune savane une fort
1

, les stocks les plus levs sous fort


3

, et galement

une diminution des stocks aprs plusieurs annes de culture sur brlis

. Ces rsultats ont donc un intrt

galement dun point de vue agronomique car il offre une mesure dune caractristique importante du sol lchelle du champ de culture, souvent limit spatialement dans cette rgion (superficie moyenne de 0,1 1 ha).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

28

10 2 10 1 10 0
2 1 2

F C S
S c CS l to k o

9 0

F C F

8 0 7 0 6 0 5 0 4 0 3 0 2 0
3

300 mtres

1 0 0 10 0 20 0 30 0 40 0 50 0 60 0 70 0 80 0 D ta c (m tre is n e )

Figure 8 : Transect sur limage Google Earth et profile des estimations des stocks C-Sol sur 100 cm avec leur intervalle de confiance. S=Savane, F=Fort de transition plus ou moins dgrade, C=Champ de culture ou jachre. Les lignes grises du graphique indiquent les sommets des artes du transect.

III.2 Limitations
Les limitations lies cette mthodologie ont t identifies trois niveaux. Le premier correspond la mesure des stocks de carbone sur la placette. Il important de rappeler que cette mesure dpend du mode de prlvement (ex. chantillons composites, profondeurs, etc.), des mesures en laboratoire et des estimations faites pour complter les donnes manquantes. Par exemple, Rakotonarivo (2010) na pas utilis les mmes seuils de prlvement de sol et les mmes fonctions de pdotransfert, rsultant dune part importante dincertitude lchelle mme de la placette. La deuxime niveau correspond aux donnes spatiales utilises. Les erreurs gomtriques et thmatiques sont inhrentes ces donnes. Par exemple, la carte doccupation du sol dpend pour beaucoup de lintervention de loprateur sur la localisation et le nombre de parcelles dapprentissage et de validation. Les valeurs des indices spectraux sont tributaires des conditions climatiques de la priode dacquisition ce qui peut poser problme quant lapplication du modle sur une autre priode. Par ailleurs, les donnes de radiomtrie gamma ne sont forcment accessibles partout. Les cartes de carbone produites font ressortir des changements des stocks abrupts et linaires, correspondant aux mailles des couches climatiques (1 km). Dans cette rgion o la variable climatique est trs influente, une rsolution encore plus fine serait ncessaire affiner ces estimations au niveau smantique et spatial. Enfin on a vu que le modle utilis ne pouvait expliquer 100% des variations des stocks de carbone et bien que les rsultats soient satisfaisants sur le jeu de donne utilis, lextrapolation des modles sur de grandes zones est dlicate du fait du sur-apprentissage. Ces limitations sont cependant transversales toute approche spatiale. La procdure mise en place pour quantifier les erreurs semble cependant un bon moyen pour rsumer toutes ces sources derreurs en fournissant un intervalle de confiance assez raliste cette chelle.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

29

III.3 Futurs Dveloppements


La mthodologie mise en place a permis de produire des cartes de carbone sur une zone pilote de 40 000 ha environ partir dune centaine de points de prlvement et une quinzaine de variables spatiales. Lessentiel des oprations a t ralis partir du couplage des logiciels libres GRASS et R. A lissu de ce travail, plusieurs pistes de dveloppement de la mthodologie peuvent tre envisages :

Amliorer les estimations de C-Sol. Lapport de limagerie moyenne rsolution MODIS peut contourner le problme de spcificit du modle une date donne. Il est possible de rcuprer les indices spectraux moyens sur lanne et de caractriser ainsi un tat stationnaire de la vgtation cest dire qui ne dpende pas du stade phnologique. Aussi, la phnologie des massifs forestiers est trs variable selon la composition des espces et la saison considre. La croissance de larbre, appele aussi production primaire nette influence les prlvements dans le sol deau et de nutriments, et les apports au sol de dbris vgtaux travers la litire. Les connaissances sur le fonctionnement biophysique de la fort et des autres occupations du sol peut amliorer les estimations de stocks de carbone dans le sol compte tenu de limportance de cette variable dans le modle. Interfacer loutil dans GRASS. La quasi-totalit des oprations dcrites et ralises au cours de la phase 2 et 3 de la mthode propose ont t ralise laide des logicieles R et Grass. Le couplage de ces deux logiciels a permis de dvelopper un script unique de traitement. Il est disponible sur demande et permet des de reprendre facilement les tapes de la mthode au besoin et denvisager une vrification a posteriori des rsultats. Le dveloppement de module spcifique sur la plateforme SIG GRASS peut tre envisag. Lajout de fonctionnalit est possible partir du language python et lutilisation de ses commandes propres. Ce solution permet doffrir un outil plus convivial et accessible au plus grand nombre du fait de la licence OpenSource de cette application. Tester dautres variables, dautres mesures La gnricit de la mthode fait quil est possible dintgrer un grand nombre de variables spatiales multi-source sans slction au pralable des variables les plus discriminantes. Dans un contexte REDD, lge des conversions de la fort en champ de culture ou en savane suite au dfriche brulis ou au passage de feux involontaire relve un intrt particulier. Cela permettrait de vrifier sa relle influence sur le carbone organique du sol et denvisager des scnarios. Par ailleurs, dautres mesures peuvent tre modliss travers cette mthode, quelles soient quantitatives ou qualitatives. Il serait particulirement intressant de voir lintrt de cette mthode sur la quantification et la spatialisation de la biomasse arienne. En effet, on montre quil possible de cartographier le carbone organique du sol sous une fort dense humide avec des niveaux de prcision satisfaisant, ce qui est tout aussi ambitieux que de tldtecter le carbone contenu dans le tronc et les feuilles des arbres.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

30

Conclusion
Cette tude mene dans le parc national dAndohahela et sa priphrie (sud-est de Madagascar) a permis de dvelopper et dappliquer une mthodologie innovante de spatialisation des stocks de carbone dans le sol. Trois phases distinctes impliquant des techniques et comptences diffrentes ont t dfinies: 1. linventaire carbone et le calcul de stock, 2. le traitement de donnes spatiales, 3. la modlisation et la cartographie. Une bibliographie actualise et documente a t ralise tout au long de cette tude afin de mieux cerner les enjeux et problmatiques des diffrents facettes de loutil propos (fort, sol, tldtection, modlisation spatiale, etc.). Les choix pris rpondent aux besoins de prcision des livrables (carte des stocks de carbone) et aux dlais de la commande.

Les rsultats ont permis de spatialiser les stocks de carbone sur une zone pilote de 40 000 ha et de mettre en vidence des gradients rgionaux et des variations locales importantes. La mthodologie montre certaines limitations dues aux incertitudes prsentes tout au long de la chane de traitement de linformation. Un dmonstrateur oprationnel garantissant une certaine gnricit et reproductibilit a t mis en place. Lalgorithme utilis pour la spatialisation sest montr trs performant pour extraire linformation utile partir dun jeu de donnes spatiales htrognes, trs riche en informations, parfois redondantes. Il ncessite trs peu de paramtre et nest pas spcifique la rgion dtude. La part dintervention de loprateur ou du thmaticien est minimise et lutilisation de logiciel libre laisse entrevoir une diffusion au plus grand nombre. La validation des rsultats montre que loutil nest pas parfait mais que la prcision des estimations est satisfaisante, du moins trs comptitive avec les mthodes existantes. On montre, lissu de ce travail, linfluence prpondrante des gradients climatiques et des types de vgtation sur les stocks de carbone organique dans le sol dans la zone dtude

Lutilisation des images MODIS pour la caractrisation de la vgtation saisonnire est une perspective intressante. Cela rduira considrablement la prcision spatiale des sorties cartographiques, mais fera gagner loutil en robustesse et ouvrira des possibilits dapplication sur de plus vastes territoires. Linclusion de lge des conversion de la fort une autre occupation du sol dans le modle est ncessaire pour mieux prendre en compte la dynamique de minralisation du carbone organique du sol. La ralisation de scnarii de changement dusage ou changement climatique partir de donnes facilement accessibles comme les archives SPOT, Landsat et projections futures de Worldclim (2020, 2050, 2080) permettra de mieux faire ressortir lintrt de cette mthodologie comme outil daide la dcision.

Enfin, ce travail a t prsent dans le cadre des Journes de lInformation Gographique et de lObservation de la Terre (JIGOT, 6 et 7 octobre 2010, Montpellier). Il fera lobjet dune valorisation scientifique dans les prochains mois. Une partie de ces rsultats seront galement prsents la confrence sur le changement climatique Cancun au mois de dcembre 2010.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

31

Remerciements
Je tiens remercier tout dabord les personnes qui ont contribues la dfinition et concrtisation de cette tude : Romuald Vaudry (GoodPlanet.org), Alain Albrecht (UMR Eco&Sols), Mami Rasamoelina (WWF), Martial Bernoux (UMR Eco&Sols), Frderic Huynh (US Espace).

Merci aux personnes de lUS Espace pour leur temps consacr aux runions de pilotage Montpellier. Merci particulirement Nadine Dessay, Maude Loireau et Eric Delaitre pour leur lecture avise du document.

Cette tude naurait t possible sans laccueil et la collaboration de nombreuses personnes Madagascar. Merci Lilia Rabearisoa, Tantely Razafimbelo et les techniciens du Laboratoire des Radio-Isotopes pour leur chaleureux accueil pendant mon sjour Antananarivo.

Mes penses les plus reconnaissantes vont galement aux agents du WWF, agents du Parc National dAndohahela et les personnes des villages de Ranopiso, Tsimelahy et Malio qui mont aid dans les travaux de terrain.

Enfin, merci aux collgues du SILAT pour les moments studieux et moins studieux partags pendant les six premiers mois de formation.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

32

Rfrences
Beven K., Kirby M.J., 1979. A physically based variable contributing area model of basin hydrology, Hydrological Sciences Bulletin 24 (1979), pp. 303325. Boenttinger J.L., Howell, D.W., Moore, A.C., Hartemink, A.E., Kienast-Brown, S. 2010. Digital Soil Mapping, Bridging Research, Environmental Application, and Operation, Progress in Soil Science, Springer, 439p. Breiman, L., Friedman, J., Olshen, R., Stone, C., 1984. Classification and Regression Trees. Wadsworth International, Belmont (CA). Breiman, L., 2001. Random forests. Machine Learning 45, 532. Cornet A., 1972. Carte bioclimatique de Madagascar au 1/200 000me. ORSTOM, Antananarivo, Madagascar Dobos, E., Carr, F., Hengl, T., Reuter, H.I., Tth, G. 2006. Digital Soil Mapping as a support to production of functional maps. EUR 22123 EN, Office for Official Publications of the European Communities, Luxemburg 68 p. ESRI, 2009. Earth Science and Ressource Institute, ArcGIS, URL : www.esri.com DigitalGlobe, 2010. http://www.digitalglobe.com/index.php/85/QuickBird IEFN, 1997. Carte d Inventaire Ecologique et Floristique National, Rpublique de Madagascar, Madagascar Faramalala, 1988. Carte de Vgtation de Madagascar, Universit dAntananrivo. Madagascar Furlanello, C., Neteler, M., Merler, S., Menegon, S., Fontanari, S., Donini, A., Rizzoli, A., Chemini, C. 2003. GIS and the Random Forest Predictor : Integration un R for Tick-Borne Disease Risk Assessment, Proceeding of the 3rd International Workshop and Distributed Statistical Computing, Vienna, Austria, 11p. GLC2000, 2000. Global Land Cover Mapping Project. URL : http://bioval.jrc.ec.europa.eu/products/glc2000/glc2000.php Girard M.C., Girad C.M., 1999. Traitements des donnes de tldtection. Dunod, Paris, 530p. Grunwald, 2009. Mutli-criteria characterization of recent digital soil mapping and modeling approaches, Geoderma, 151, 195-207. GRASS Development Team. Geographic resources analysis support system (grass gis) software, 2010. URL : http ;//grass.osgeo.org Grimm, R., Behrens, T., Marker, M., Elsenbeer, H., 2008, Soil organic carbon concentration and stocks on Barro Colorado IslandDigital Soil Mapping using Random Forest analysis. Geoderma, 146, 102-113. Hervieu J. 1960. Notice de la carte pdologique de reconnaissance au 1/200 000me, Fort-Dauphin, feuille N65. IRSM, 51p. Hijmans, R.J., S.E. Cameron, J.L. Parra, P.G. Jones and A. Jarvis, 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology 25: 1965-1978. ITT, 2009. ITT Visual Studio Information, http://www.ittvis.com Jeanny, H., 1941. Factors of Soil Formation. McGraw-Hill, New York, NY. Lagacherie, P. 2008. Digital Soil Mapping : A state of the art. In Hartemink, A.E., McBratney, A.B. , and Mendoa-Santos, M.L. (eds), Digital Soil Mapping with Limited Data. Springer, Dordrecht. Leica Geosystems, 2009. ERDAS Imagine V8.6. Leica Geosystmes, Atlanta, GA, http://www.erdas.com/ Lo Seen, D., Ramesh B.R., Nair, K.M., Martin M., Arrouays, D., Bourgeon, G. 2010. Soil carbon stocks, deforestation and landcover changes in the Western Ghats biodiversity hotspot (India), Global Change Biology, 16, 1777-1792. McBratney, A.B., Mendona, M.L., Minasny, B., 2003. On digital Soil Mapping. Geoderma 117, 352 Mc Bratney, A.B., Minasny, B., Viscarra Rossel, R.A. 2006. Spectral soil analysis and inference systems: A powerful combination for solving the soil data crisis. Geoderma, 126, 272-278. Moat J. and Smith P. 2007 - Atlas of the Vegetation of Madagascar, Royal Botanic Gardens, Kew. UK.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

33

Minasny B., McBratney, A.B., Murray Lark, R. 2008. Digital soil mapping technologies for countries with sparse Data Infrasctructures. Chapter 2 in Digital Soil Mapping with Limited Data, Hartemink et al, Pages, 15-30 Petit M., 2005. LHomme et la Fort Madagascar, quatre sicles dvolution du paysage forestier. Universit dAntananarivo, srie travaux et documents n28, 328p PostgreSQL Development Team 2009. PostgreSQL, URL: www.postgresql.org PRDR, 2007. Plan de Rgional de Dveloppement Rural, Rgion Anosy. Rpublique de Madagascar, Antananarivo, Madagascar QGIS Development Team, QGIS, URL: www.qgis.org R Development Core Team, 2010. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL http:// www.R-project.org. Rakotovao J.,L., 2010. Teledetection THR pour lvaluation du carbone forestier en milieu tropical semi-aride. Application a un projet pilote REDD+, rgion dAnosy et de lAndroy, Madagascar. DEA, Dpartement de Physique, University dAntananarivo, Madagascar, 79p. Rakotonarivo, S. 2010. Les stocks de carbone de la biomasse arienne et du sol selon la distribution altitudinale et le mode dusage des terres en climat tropical humide et semi-aride. Cas de la rgion de Taolagnaro, Madagascar. Mmoire de DEA, Ecole Suprieure des Sciences Agronomiques, Dpartement des Eaux et Forts, Universit dAntananarivo, Madagascar, 96p. Springate-Baginski, O. Wollenberg, E. (eds.) 2010. REDD, forest governance and rural livelihoods: the emerging agenda. CIFOR, Bogor, Indonesia. Synthse de l'atelier Rgional, 2008. Les satellites d'observation de la terre au service du dveloppement durable dans la zone de l'ocan Indien : outil et perspectives, Saint-Denis de la Runion, 26,27 et 28 novembre. UNESCO, 2009. Suivi des sites patrimoniaux UNESCO par tldtection spatiale. Convention de recherche IRD Espace S140CNES, 160p. Viscarra Rossel R.A. Walvoort D.J.J. McBratney A.B. Janick L.J. Skjemstad J.O. 2006. Visible, near infrared, mid infrared or combined diffuse rflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, 131, 59-75. Walkley A., Black J.A., 1934 - An examination of the Degtjareff method for determining soil organic matter and a proposed modification of the chromic titration method. Soil Sci. 37, pp. 29-38. Wilford J., Minty, B., 2006. The use of airborne gamma-ray imagery for mapping soils and understanding landscape processes. Chapter 16 in Digital Soil Mapping - An Introductory Perspective, Hartemink A.E., McBratney, A., volume 31, Pages 207-218, 609-610 Wilford J.R., Bierwirth P.N., Craig, M.A., 1997. Application of airborne gamma-ray spectroscopie in soil/regolith mapping and applied geomorphology. Journal of Australian Geology and Geophysics, 17, 201-216. Zeng X. Dickinson, R.E., Walker, A., Shaikh, M. DeFries, R.S., Qi, J. 2000. Derivation and evaluation of global 1-km fractional vegetation cover data for land modelling. Journal of Applied Meteorology 39(6), 826-839

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

34

Listes des figures et tableaux


Figure 1 : Carte de localisation de la zone dtude .......................................................................................................... 8 Tableau 1 : Liste des donnes spatiales utilises ............................................................................................................. 9 Figure 2: Diagramme des flux de traitements complet de la mthodologie mise en place. ........................................... 12 Figure 3 : Diagramme des flux de traitements pour le calcul des stocks de carbone (phase 1) ..................................... 12 Figure 4 : Valeurs de Corg prdites par MIRS en fonction des valeurs Corg mesures en laboratoire ......................... 14 Tableau 2 : Stocks de carbone dans le sol (0-30 cm) par association sol-vgtation. Les chiffres en gras correspondent au stock moyen en t.ha-1, le premier chiffre entre parenthse le nombre de placettes et le deuxime le coefficient de variation (cart-type/moyenne)...................................................................................................................................... 16 Figure 5 : Diagramme des flux pour la prparation des donnes spatiales (phase 2)..................................................... 17 Tableau 3 : Indices spectraux calculs ........................................................................................................................... 18 Tableau 4 : Liste des variables spatiales utilises comme dterminants des stocks de carbone..................................... 21 Figure 6 : Localisation des placettes dentranement de lalgorithme et de validation. ................................................. 23 Les points en bleu correspondent aux 90 placettes dentranement ; elles sont localises sur et entre les parcelles 1 et 2 du Parc correspondant la zone pilote du projet (cf figure 1). Elles incluent de la fort dense humide lest est de la fort sche louest. ...................................................................................................................................................... 23 Les points en rouge correspondent aux 26 placettes de test (Rakotonarivao, 2010) ; elles sont localises sur la parcelle 2 du Parc proche de la zone pilote et sur la partie septentrionale du Parc en limite de zone tendue (cf figure 1)........ 23 Tableau 5 : Paramtres de la modlisation (phase 3) ..................................................................................................... 24 Figure 7: Botes moustache reprsentant les variations des RMSE obtenus pour la modlisation des Stock C-sol (30 cm) avec les trois modles tests sur 100 itrations....................................................................................................... 25

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

35

Liste des acronymes


GES : Gaz effet de serre REDD : Rduction des Emission de gaz effet de serre lies la Dforesation et Dgradation de la fort GPS : Global Positionning System MIRS : Midle Infrared Reflectances Spectroscopie PHCF : Programme Holistique de Conservation de la Fort Madagascar WWF : World Wildlife Fund SILAT : Systme dInformations Localiss pour lAmnagement du Territoire LAI : Leaf Area Index LIDAR : Light Detection and Ranging IRD : Institut de Recherche pour le Dveloppement SEAS : Surveillance Environnementale Assist par Satellite LRI : Laboratoire des Radio-Isotopes MNT : Modle Numrique de Terrain SRTM : Shutlle Radar Topographic Mission GDEM : Global Digital Elevation Map PGRM : Programme de Gouvernance des Ressources Minires Madagascar FTM : Foiben Toasaritanini Madagasikara (Institut Gographique de Madagascar) FPT : Fonction de Pdo-Transfert RMSE : Root Mean Square Error NDVI : Normalized Difference Vegetation Index IRI : Infra Red Index NDWI : Noramlized Difference Water Index CTI : Compound Topographic Index IEFN : Inventaire Ecologique et Floristique National IOGA : Institut dObservatoire Geophysique dAntananarivo

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

36

ANNEXES
Annexe 1 : Tableau rcapitulatif des stocks de carbone calculs pour chaque placette

Rf. Placette

Latitude

Longitude

Altitude (m)

Pente (%)

Climat

Occupation du sol en juillet 2010

Stock C-Sol 30 cm (t.ha-1 ) 32 53 61 52 25 50 40 36 52 42 61 49 27 17 30 23 11 45 25 15 27 21 42 27 40 42 29 26 18 23 26 33 46 62 110 72 62 38 43 38 43 53 29

Stock CSol 100 cm (t.ha-1 ) 43 72 84 69 49 75 70 68 85 80 65 46 26 42 43 26 63 33 32 39 52 56 49 80 53 23 32 56 50 79 100 163 102 86 44 77 59 57 76

1-1 1-2 1-3 1-4 1-5 1-6 2-1 2-2 2-3 2-4 2-5 2-6 3
-1

-24,950000 -24,952180 -24,954710 -24,954890 -24,957550 -24,961090 -24,963000 -24,956820 -24,952970 -24,949510 -24,949890 -24,946970 -24,974430 -24,971190 -24,966450 -24,962050 -24,960930 -24,960480 -24,906360 -24,912810 -24,917280 -24,920420 -24,918290 -24,981880 -24,982530 -24,981960 -24,977510 -24,986150 -24,987910 -24,988590 -24,986030 -24,984090 -24,986350 -24,939480 -24,939990 -24,940800 -24,941550 -24,940380 -24,938920 -24,940210 -24,935810 -24,932010 -24,928080

46,635700 46,637730 46,637980 46,641820 46,645870 46,647020 46,653470 46,652440 46,649150 46,644810 46,649940 46,649230 46,608570 46,605430 46,606540 46,604320 46,601660 46,604940 46,639740 46,641350 46,640520 46,637530 46,632580 46,601040 46,596890 46,592910 46,589000 46,606160 46,619930 46,624510 46,628490 46,632890 46,638030 46,675300 46,673900 46,672900 46,670550 46,659130 46,662350 46,655320 46,624820 46,622100 46,618670

208 249 255 267 252 280 366 314 291 251 270 267 146 150 169 184 160 183 462 361 305 237 276 140 169 133 151 151 140 145 219 267 363 751 660 594 492 300 382 288 185 214 250

25 38 11 22 35 23 22 38 40 20 20 25 17 10 21 5 4 3 40 25 30 3 26 15 30 15 15 3 3 18 15 40 35 45 60 55 35 35 30 15 3 15 11

Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec Sec

Fort sche Fort sche Fort sche Fort sche Savane arbustive Savane arbustive Savane herbace Savane herbace Fort sche Fort sche Fort sche Fort sche Savane arbustive Savane arbustive Fort sche Savane arbustive Fort sche Savane arbustive Savane herbace Savane herbace Culture/Jachre Fort sche Fort sche Fort sche Fort sche Fort sche Fort sche Fort sche Savane arbustive Savane arbustive Fort sche Savane arbustive Savane herbace Savane arbustive Fort de transition Fort de transition Fort de transition Fort de transition Fort de transition Fort de transition Fort sche Fort sche Savane arbore

3-2 3-3 3-4 3-5 3-6 4-1 4-2 4-3 4-4 4-5 5-1 5-2 5-3 5-4 5-5 6-1 6-2 6-3 6-4 6-5 7-1 7-2 7-3 7-4 8-1 8-2 8-3 9-1 9-2 9-3

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

37

9-4 9-5 9-6 10-1 10-2 10-3 10-4 10-5 11-1 11-2 11-3 11-4 11-5 12-1 12-2 12-3 12-4 13-1 13-2 13-3 13-4 13-5 14-1 14-2 14-3 14-4 14-5 15-1 15-2 15-3 15-4 15-5 16-1 16-2 16-3 16-4 16-5 16-6 17-1 17-2 17-3 17-4 18-2 18-2 18-3 18-4 18-5 18-6 19-1 19-2 19-3 19-4

-24,927610 -24,927690 -24,931460 -25,006520 -25,003410 -24,999470 -24,996230 -24,992840 -25,011740 -25,009690 -25,007610 -25,006380 -25,005440 -25,000470 -24,998010 -24,997340 -25,003280 -25,007440 -25,009650 -25,011500 -25,011680 -25,010750 -24,938910 -24,937390 -24,933110 -24,930660 -24,928110 -24,958660 -24,955330 -24,950380 -24,952860 -24,948620 -24,965680 -24,967960 -24,970510 -24,971860 -24,972760 -24,975190 -24,905590 -24,909460 -24,909290 -24,910640 -24,912350 -24,913120 -24,913520 -24,915080 -24,918220 -24,929080 -24,934760 -24,935500 -24,936100 -24,938820

46,617530 46,611850 46,613630 46,649010 46,645750 46,644290 46,644880 46,643770 46,646000 46,644430 46,642180 46,644030 46,646360 46,680870 46,678170 46,674690 46,675010 46,676110 46,677860 46,677920 46,675440 46,673440 46,764680 46,760250 46,755130 46,751110 46,748660 46,769360 46,768510 46,765600 46,766680 46,764100 46,766030 46,767880 46,769630 46,773000 46,777040 46,779220 46,732350 46,735490 46,739300 46,742310 46,746240 46,751460 46,756740 46,760970 46,764030 46,771120 46,778040 46,777970 46,777580 46,778610

261 273 283 214 286 332 370 481 150 150 145 210 248 650 565 517 543 487 420 393 355 432 118 154 206 281 324 443 313 133 202 117 444 470 464 351 188 60 859 845 751 654 595 479 308 205 159 78 144 119 103 74

9 5 17 20 30 21 30 42 48 25 27 45 33 25 40 30 40 30 55 45 38 53 5 7 40 18 30 45 55 32 48 1 45 45 48 41 30 40 50 50 49 32 39 43 50 25 5 2 47 45 35 18

Sec Sec Sec Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Transition Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide Humide

Savane arbore Savane arbustive Fort sche Fort de transition Fort de transition Savane arbustive Savane arbustive Savane herbace Fort de transition Fort de transition Fort de transition Culture/Jachre Savane arbustive Fort dense humide Fort dense humide Fort dense humide Savane herbace Fort dense humide Fort dense humide Savane herbace Fort dense humide Fort dense humide Savane herbace Savane arbustive Fort dense humide Fort dense humide Fort dense humide Savane herbace Fort dense humide Fort dense humide Fort dense humide Savane herbace Fort dense humide Fort dense humide Savane herbace Savane herbace Culture/Jachre Culture/Jachre Fort dense humide Fort dense humide Fort dense humide Fort dense humide Fort dense humide Savane herbace Savane herbace Fort dense humide Fort dense humide Savane herbace Fort dense humide Culture/Jachre Savane herbace Culture/Jachre

20 29 64 58 47 106 46 54 57 66

40 46 105 81 82 89 183 83 72 69 93

56 96 65 59 53 39 47 47 78 92 57 80 76 148 56 118 70 71 84 138 160 61 62 57 107 77 44 86 138 49 40 60 71 37 53

78 136 124 99 92 66 69 82 122 267 108 132 141 213 101 254 114 111 143 204 198 107 95 92 155 145 61 240 193 85 70 109 120 68 92

86

154

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

38

Annexe 2 : Dfinition des classes doccupation du sol

CLASSE

couleur/code SOUS CLASSE

Description/Caratristiques Terre vgtation ligneuse dont la superficie est suprieur 0.1 ha, recouvre plus de 10% de la surface et avec des hauteurs suprieurs 5 mtres. Climat humide subhumide, espces caractristiques des forts humides. Fort humide avec couvert abor suprieur 50% Fort humide avec couvert de 10 50%

Terres Forestires

Fort humide

Fort dense humide Fort claire humide

Fort secondaire Fort humide avec couvert suprieur 50%, espces secondaires humide Terre vgtation ligneuse dont la superficie est suprieur 0.1 ha, recouvre plus de 10% de la surface et avec des hauteurs suprieures 2 mtres. Climat sec aride et espces caractristiques des forts sches. Fort humide ou sche de peuplements exotiques (pin, eucalyptus, forts ripicoles, manguiers, tamariniers, raphires, etc.) Toutes les cultures incluant les rizires et les systmes agro-forestiers dont la structure vgtale n'atteint pas les seuils utiliss dans les catgories forestires.

Fort sche

Autres peuplements Terres Cultives

Champ de culture

3 4

Culture irrigue Culture irrigue non

Champ de culture submerge une partie de l'anne ou faisant l'objet d'apport d'eau Champ de culture ne faisant pas l'objet d'apport d'eau

Prairie (savane)

Cette zone inclut toutes les surfaces recouvertes essentiellement par des gramines, Mosaque de terrains en friche, zones de pturages, systmes vgtation ligneuse et autre savane herbace vgtation non herbace telles que les broussailles dont la structure vgtale n'atteint et arbore pas les seuils utiliss dans la catgorie forestire. Pairie compose d'un mlange d'espces herbaces, de broussailles et d'espces ligneuses.

Savane arbore

Savane herbace Pairie compose plus de 90% d'espces herbaces (gramines) Zone en eau Zone anthropise Affleurement rocheux 7 6 zone en eau Cette zone inclut toutes les terres submerges (lac, rivires, plan d'eau, mer, etc.) Cette zone inclut toutes les terres dveloppes, y compris l'infrastructure des transports et les tablissements humains de toutes dimensions. Roche nu

zone anthropise Affleurement rocheux

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

39

Annexe 3 : Comparaison des performances des algorithmes de classification supervise *

Mthode de Classifation supervise Distance Minimum Distance de Mahalanobis Maximum de vraisemblance Distance Minimum Distance de Mahalanobis Maximum de vraisemblance

Donnes 4 canaux SPOT 4 canaux SPOT 4 canaux SPOT 4 canaux SPOT + 3 indices 4 canaux SPOT + 3 indices 4 canaux SPOT + 3 indices

Prcision Globale (%) 77,6 77,6 72,9 78,0 75,4 79,7

Indice Kappa 0,66 0,66 0,61 0,67 0,64 0,70

* Prcision globale = nombre de pixel bien class / nombre de pixel total. Indice Kappa, indice standard en tldtection permettant de retirer la portion alatoire entre deux rsultats qualitatifs (ici les placettes de validation et la carte doccupation du sol produite).

Annexe 4 : Matrice de confusion issue de la classification doccupation du sol *


Fort Placettes de validation dense humide Classification Fort dense humide Fort sche Culture irrigue Mosaque de savane Culture non irrigue Eau Roche Nb de pixel total pour les placettes de validation Nb de pixel total pour limage de classification 92 (37 218) 3 (1 034) 0 0 0 0 5 (2 101) 40 523 37 218 0 95 (4 063) 0 0 0 0 5 (192) 4 265 7 769 0 3 (92) 63 (2 091) 12 (38) 22 (733) 0 0 3 299 2 935 0 17 (2 161) 0 61 (7 852) 17 (2 155) 0 4 (562) 12 778 12 989 0 2 (320) 5 (618) 31 (4 096) 61 (8 253) 0 1 (136) 13 425 11 361 0 1 (4) 42 (146) 5 (16) 3 (10) 48 (166) 1 (5) 347 171 0 30 (95) 5 (16) 10 (31) 19 (59) 0 37 (117) 318 3 115 0 48 29 37 27 3 96 Prcision Globale Indice Kappa 8 5 37 39 39 52 63 80% 0,70 Fort sche Culture irrigue Mosaque de savane Culture non irrigue Eau Roche Erreur de Commission Erreur d'Omission

* Les valeurs du tableau sont en pourcentage est correspondent la prcision utilisateur (nombre de pixel bien class sur le nombre de pixel de la classe dans les parcelles de validation). Le nombre entre parenthses correspond aux nombre de pixel bien class..

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

40

Annexe 5 : Carte doccupation du sol du Parc National dAndohahela et sa priphrie *

* Obtenue par lalgorithme de maximum de vraisemblance sur les canaux bruts combines avec les indices spectraux.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

41

Annexe 6 : Rsultats de modlisation par lalgorithme Random-Forest *


Calibration n Stock C-sol (30 cm) R
2

Validation 27 0,47 [0,21 - 0.68] 22 [15 - 22] 25 0,44 [0,1 - 0.67] 38 [24 - 57]

Test 26 0,74 [0,64 - 0.83] 26 [22 - 32] 26 0,77 [0,69 - 0.85] 85 [75 - 100]

63 0,92 [0,88 - 0.94] 10 [7 - 13] 59


2

RMSE (t.ha-1 ) n

Stock C-sol (100 cm)

0,92 [0,90 - 0.94] 18 [12 - 24]

RMSE (t.ha-1 )

* Indicateurs de qualit du modle Random-Forest pour modliser les stocks de C-sol sur 30 cm et 100 cm. Les valeurs en gras sont les moyennes obtenues, entre crochets les minimum et maximum respectivement.

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

42

Annexe 7 : Importance relative des variables dans le modle *

Prcipitation annuelle

a)
Occupation du sol NDVI IRI Temprature moyenne annuelle Nombre de mois sec Altitude Thorium

Prcipitation annuelle

b)

Occupation du sol NDVI IRI Altitude

Temprature moyenne annuelle Nombre de mois sec Thorium

* Les valeurs en ordonnes sont des mesures de variations de lerreur Out-of-bag suite une permutation de la variable. Cette mesure est issue dune fonction implante dans le package R ddi lalgorithme Random-Forest. Ce rsultat correspond la modlisation des stocks de carbone sur 30 cm (graphique a) et sur 1 mtre (graphique b).

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

43

Annexe 8 : Cartes des estimations de stocks de carbone sur 30 cm et des erreurs

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

44

Annexe 9 : Cartes des estimations de stocks de carbone sur 100 cm et des erreurs

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

45

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

46

Rsum
Ce projet s'inscrit dans un contexte global de rflexions autour des mcanismes de Rduction des Emissions de gaz effet de serre lies la Dforestation et la Dgradation de la fort (REDD), et dans le cadre du Programme Holistique de Conservation de la Fort Madagascar (PHCF). La quantification et le suivi du carbone dans les cosystmes forestiers est un enjeu clef Les outils statistiques rcents et les donnes disponibles amliorent notre capacit les caractriser. Le sol, rservoir important de carbone, est une ressource difficile daccs. Lobjectif de ce travail est de spatialiser les stocks de carbone du sol selon diffrents usages lis la dforestation. Le parc national dAndohahela et sa priphrie (sud-est de Madagascar) ont t choisis comme zone pilote pour le dveloppement de la mthodologie. Trois phases ont t identifies et appliques : (i) linventaire carbone et le calcul des stocks, (ii) le traitement des donnes spatiales et (iii) la modlisation et la production de cartes. Les rsultats montrent quil est possible de raliser une spatialisation des stocks de carbone dans de sol aen mettant profit la richesse et la diversit des donnes spatiales. Le modle dinfrence Random-Forest a t particulirement utile pour extraire les relations Sol/Tldtection et produire des estimations satisfaisantes. Une mthode simple a t applique pour spatialiser les erreurs lies ces estimations. Lapproche mise en place dans cette tude est hautement reproductible sur dautres zones et pour dautres pas de temps. Malgr certaines limitations dusage, les cartes du carbone produites peuvent tre utilises pour rpondre des problmatiques environnementales fortes (changement climatique, dsertification, production agricole). Mots-clefs : Fort, REDD, sol, stock de carbone, tldtection, modlisation;, Changement climatique

Summary
In the worldwide reflection about the definition of Reduction of greenhouse gas emissions due to Deforestation and forest Degradation mechanism, the quantification and monitoring of carbon in forest ecosystems is a key issues in its operational application. The recent statistical tools and available datasets improve our capacity to characterise this ecosystem. The soil as an important pool of carbon and unavoidable stakeholder in terrestrial ecosystem is a resource difficult to access. The objective of this work is to map soil carbon stocks within different land use in relation to deforestation. The Andohahela National Parc and its surrounding (South-Est Madagascar) were selected as a pilot area for the development of the method. A three step approach was defined and applied : (i) carbon inventory and stock calculation, (ii) spatial data processing and (iii) modelling and mapping. Results shows that it is possible to map soil carbon stock with minimum data and leverage the richness and diversity for spatial data. The inference model Random-Forest was particularly useful for extracting soil/remote sensing relation and for producing satisfactory estimates. A simple method was applied to map estimate errors. The approach set up is highly reproducible over other area and for other time period. Tough some use limitations, carbon map produced can be used to answer strong environmental issues (climate change, desertification, agriculture production) Key-words : Forest, soil, carbon stocl, remote sensing, REDD, Climate change

Mthode de spatialisation des stocks de carbone dans le sol Clovis Grinand Mastre SILAT

47

Vous aimerez peut-être aussi