Structure aérienne des forêts anciennes et secondaires de la République démocratique du Congo par la télédétection (LiDAR et optique).

Abstract

Les forêts d'Afrique centrale contiennent des milliers de tonnes de carbone ainsi que de nombreuses espèces de plantes et d'animaux. Elles sont aujourd’hui largement défrichées pour laisser place à l’agriculture artisanale sur abattis-brûlis. Les champs sont abandonnés après exploitation et la forêt qui repousse naturellement est appelée forêt secondaire. Après plusieurs décennies de croissance, les forêts secondaires sont difficilement différenciables des forêts anciennes. Or, les forêts secondaires ne stockent pas les mêmes quantités de carbone ni n’ont la même qualité conservatoire que les forêts plus anciennes. Il est donc primordial de pouvoir les différencier afin de les étudier, adapter leur gestion et justifier leur conservation. Il n’existe aujourd’hui aucune technique permettant de distinguer les forêts secondaires et les forêts anciennes sans réaliser un travail de terrain. Ce travail de fin d’études cherche à différencier les forêts secondaires et les forêts anciennes de République démocratique du Congo selon leur structure aérienne grâce à la télédétection. Un échantillon de 16 scans de 2.000 hectares, distribué sur l’ensemble du pays, est analysé. Il est composé de forêts sempervirentes, décidues et inondables, trois grands types de végétation largement retrouvés à travers le pays. Les outils de recherche sont le LiDAR aérien, des images optiques (RGB) et des images aériennes historiques Corona. Les images Corona (prises entre 1962 et 1972) et les images optiques (prises en 2014) sont comparées pour identifier des forêts « anciennes », de plus de 50 ans et des forêts « secondaires », de moins de 50 ans. Diverses métriques de structure sont calculées à travers 1.755 hectares de forêts anciennes et secondaires. RandomForest détermine l’importance de ces métriques pour distinguer les forêts secondaires et les forêts anciennes. Une extrapolation sur plusieurs forêts permet de vérifier l’efficacité des métriques dans la distinction des forêts anciennes et secondaires. Sept métriques se démarquent. Elles permettent de cartographier les forêts secondaires sempervirentes avec un rappel (recall) de 35% et les forêts décidues avec un rappel de 78,8%. La modélisation est optimale lorsque le contexte des pixels est considéré, lorsque la proportion entre les forêts secondaires et anciennes dans les données d’entrainement est équilibrée et lorsque les forêts sempervirentes, décidues et inondables sont analysées une à une. Le rappel des forêts secondaires sempervirentes est alors de 97% et celui des forêts décidues est de 89,3%. La cartographie des forêts secondaires d’Afrique centrale est donc possible à l’aide de la télédétection. A partir de cette cartographie, il est possible d’étudier les différences fonctionnelles, structurales et floristiques entre les forêts anciennes et secondaires, de déterminer les forêts subissant le plus de défrichage et d’y concentrer les efforts de conservation et protection des forêts appropriés.

Central African forests hold thousands of tons of carbon and numerous species of plants and animals. They are cut down and are replaced through slash-and-burn agricultural practices. The fields are deserted after exploitation, and trees grow again. After a few decades, it becomes difficult to distinguish between those young, secondary forests and older forests. However, secondary forests don’t hold as much carbon and biodiversity as the older ones. They need to be differentiated to be studied, to adapt their management, and to justify their conservation. As for now, there exists no time and cost-efficient technique to differentiate them. This work aims to differentiate secondary forests and old-growth forests of the Democratic Republic of Congo through their aerial structure and with the use of remote sensing. 16 sections of 2000 hectares are analysed. They are spread around the country and are composed of the main floristic groups: evergreen forests, deciduous forests, and flooded forests. LiDAR, optical RGB images, and the historical, aerial Corona images are used. The Corona images (taken between 1962 and 1972) are compared with the 2014 RGB images to identify secondary forests and old-growth forests. Therefore, secondary forests are here younger than 50 years old, and old-growth forests are older than 50 years old. Various structural features are computed on 1755 hectares of secondary and old-growth forests spread around the country. RandomForest estimates its efficiency to distinguish secondary and old-growth forests per pixel. The model is then extrapolated and its accuracy is evaluated. Seven features are selected. Evergreen secondary forests are mapped with a recall of 35% and deciduous secondary forests with a recall of 78.8%. The model is improved when the context of each pixel is taken into account, when evergreen, deciduous, and flooded forests are analysed separately, and when secondary and old-growth forests are (close to) evenly represented in the training data. The recall of secondary, evergreen forests turns into 97% and the recall of secondary, deciduous forests turns into 89.3%. It is therefore possible to map central African secondary forests with remote sensing. From those maps, functional, structural, and floristic differences between secondary and old-growth forests can be studied. In the regions more inclined to deforestation, the efforts of conservation and protection can be concentrated.