Fiche article :

RÉSUMÉ. L’estimation de la biomasse aérienne reste une question ouverte dans le cadre de la Réduction des Emissions dues à la Déforestation et la Dégradation des forêts (cadre REDD de CNUCC). Cette estimation est particulièrement difficile pour les pays tropicaux en raison de l’absence de données sur les inventaires forestiers et de la complexité des forêts. Dans ce contexte, la télédétection peut contribuer à la résolution de ce problème compte tenu de la disponibilité croissante d’images à très haute résolution spatiale. Les méthodes basées sur l’analyse de la texture du grain de la canopée de ces images permettent d’obtenir des informations sur la structure de la forêt et de prédire les valeurs de la biomasse. Par exemple la méthode FOTO (Fourier Texture Ordination) s’est révélée pertinente pour la prédiction de la biomasse forestière dans plusieurs régions tropicales. Elle utilise l’analyse en composantes principales et la régression linéaire pour estimer les valeurs de biomasse. Dans ce papier, nous proposons l’application de méthodes non linéaires de régression tels que k-NN (k plus proches voisins), SVM (Séparateur à Vaste Marge) et les Forêts Aléatoires sur des descripteurs de texture extraits à partir d’images au travers des spectres de Fourier. Nous appliquons et comparons les résultats obtenus par ces méthodes non linéaires sur des images simulées de scènes forestières produites par le logiciel DART (Discrète Anisotrope Radiative Transfert). Les simulations ont été faites en référence à des maquettes 3D basées sur des informations de terrain provenant des forêts de la RDC (République Démocratique du Congo), de la RCA (République CentrAfricaine) et du Congo. Les résultats obtenus montrent que l’utilisation des techniques de régression non linéaires permettent d’obtenir un gain de précision de 18 à 20% sur la prédiction de la biomasse.

ABSTRACT. The aboveground biomass estimation is an important question in the scope of Reducing Emission from Deforestation and Forest Degradation (REDD framework of the UNCCC). It is particularly challenging for tropical countries because of the scarcity of accurate ground forest inventory data and of the complexity of the forests. Satellite-borne remote sensing can help solve this problem considering the increasing availability of optical very high spatial resolution images that provide information on the forest structure via texture analysis of the canopy grain. For example, the FOTO (FOurier Texture Ordination) proved relevant for forest biomass prediction in several tropical regions. It uses PCA and linear regression and, in this paper, we suggest applying classification methods such as k-NN (k-nearest neighbors), SVM (support vector machines) and Random Forests to texture descriptors extracted from images via Fourier spectra. Experiments have been carried out on simulated images produced by the software DART (Discrete Anisotropic Radiative Transfer) in reference to information (3D stand mockups) from forests of DRC (Democratic Republic of Congo), CAR (Central African Republic) and Congo. On this basis, we show that some classification techniques may yield a gain in prediction accuracy of 18 to 20%.

MOTS-CLÉS : Biomasse forestière, apprentissage supervisé, regression, machines à vecteurs support, forêts aléatoires, k plus proches voisins.

KEYWORDS: Aboveground biomass, estimation, supervised learning, regression, support vector machines, random forests, k-nearest neighbor.