Reconnaissance automatisée du couvert foliaire d¿une forêt semi-décidue d¿Afrique centrale (Luki, République démocratique du Congo) sur base d¿imagerie drone à très haute résolution.

Abstract

Les forêts tropicales jouent un rôle central dans les cycles biogéochimiques mondiaux, mais leur phénologie foliaire reste peu documentée, notamment en Afrique centrale. Dans ce contexte, la télédétection par drone offre une opportunité unique pour suivre la dynamique du couvert végétal à grande échelle et à haute résolution. Ce travail vise à évaluer la faisabilité d’un suivi phénologique du couvert foliaire à l’échelle des couronnes individuelles à partir d’images RGB drone, en mobilisant une méthode légère, reproductible et automatisable. À partir d’une série temporelle d’orthophotos RGB collectées sur le site de Luki (RDC), des couronnes ont été automatiquement segmentées puis labellisées manuellement pour estimer leur couvert foliaire. Deux hypothèses méthodologiques (liées à l’échantillonnage et à l’effet observateur) et trois hypothèses principales (variabilité temporelle, spatiale et l’application de la détection du couvert foliaire à l’échelle du paysage) ont été testées. Deux modèles Random Forest, un de régression et un de classification, ont été entraînés pour prédire le couvert à partir d’indices RGB (GCC, RCC, distance de Hellinger, percentiles, etc.) Les résultats valident la pertinence d’un seuil minimal de pixels échantillonnés au sein d’une couronne, quantifie l’effet inter-observateur, confirment une variabilité inter- et intra-spécifique du couvert liée aux stratégies foliaires, et révèlent un effet significatif des conditions locales de parcelle. Les modèles de prédicitons RGB, malgré des performances moyennes (R² = 0,53), permettent l’élaboration d’une classification du couvert foliaire et ainsi de cartographier automatiquement l’amplitude de la variabilité du couvert foliaire sur plusieurs dates. En conclusion, ce travail démontre la faisabilité d’un monitoring phénologique individuel par drone RGB en contexte tropical humide, en mobilisant des outils accessibles et peu coûteux. Il ouvre des perspectives concrètes pour le suivi interannuel, l’extension à d’autres sites tropicaux, et l’amélioration des prédictions par l’intégration d’indices dérivés du RGB dans des chaînes de traitement spatialisées.

Tropical forests play a central role in global biogeochemical cycles, but their leaf phenology remains poorly documented, particularly in Central Africa. In this context, drone-based remote sensing offers a unique opportunity to track the dynamics of vegetation cover at large scale and high resolution. This work aims to assess the feasibility of phenological monitoring of leaf cover at the scale of individual crowns from drone RGB imagery, using a lightweight, reproducible, and automatable method. Based on a time series of RGB orthophotos collected at the Luki site (DRC), crowns were automatically segmented and then manually labeled to estimate their leaf cover. Two methodological hypotheses (related to sampling and to the observer effect) and three main hypotheses (temporal variability, spatial variability, and the application of leaf-cover detection at the landscape scale) were tested. Two Random Forest models, one for regression and one for classification, were trained to predict cover from RGB indices (GCC, RCC, Hellinger distance, percentiles, etc.). The results validate the relevance of a minimal threshold of sampled pixels within a crown, quantify the inter-observer effect, confirm inter- and intra-specific variability of cover linked to foliar strategies, and reveal a significant effect of local plot conditions. The RGB prediction models, despite moderate performances (R² = 0.53), enable the development of a classification of leaf cover and thus the automatic mapping of the amplitude of leaf-cover variability across multiple dates. In conclusion, this work demonstrates the feasibility of individual phenological monitoring by RGB drone in a humid tropical context, using accessible and low-cost tools. It opens concrete perspectives for interannual monitoring, extension to other tropical sites, and improvement of predictions through the integration of RGB-derived indices into spatialized processing pipelines.