L’effet de variables photo-interprétées sur l’estimation du volume commercialisable à l’échelle du peuplement dans la province du Québec.

2010

Date Source: 

François Labbé of the Quebec Ministry of Natural Resources and Wildlife

Organizer: 

Gaetan Daigle or Louis-Paul Rivest at the Department of Mathematics and Statistics at Laval University

 

Contexte

Un plan d’échantillonnage stratifié est présentement utilisé pour effectuer un inventaire forestier du Québec. On prend d’abord des photos aériennes de l’unité d’aménagement forestier (UAF) cible. La surface d’une telle UAF varie de 160 à 27,000 km2. Les photo-interpréteurs divisent le territoire en polygones homogènes et dans chacun de ces polygones, estiment la valeur de variables biologiques et physiques spécifiques. Une fois la photo-interprétation terminée, les polygones avec des caractéristiques photo-interprétées similaires sont groupés en strates. Il peut y avoir plus de 1000 strates dans une UAF. La stratification est utilisée pour effectuer l’inventaire sur le terrain dans lequel des parcelles de 400 m2 sont établies dans la strate et dans laquelle les propriétés forestières comme la surface terrière et le volume commercialisable par espèce sont mesurées. La taille cible est de 15 parcelles par strate, mais seulement une fraction des parcelles exigées peut être sélectionnées dans l’UAF cible. Plusieurs parcelles sont alors sélectionnées dans d’autres UAF ou dans des inventaires précédents en utilisant des règles heuristiques. Les parcelles sont assignées aux strates et les propriétés forestières au niveau des strates sont amputées à partir de moyennes sur les parcelles. Des mesures sur le terrain sont prises sur les parcelles sélectionnées comme la surface terrière et le volume de bois par espèce.
 

Comme on peut le lire dans la description synthèse de la pratique courante d’inventaire forestier au Québec, les variables photo-interprétées ne servent qu’à construire les strates. Est-ce que ces variables peuvent être utilisées pour estimer le volume commercialisable total au niveau du peuplement et le volume par espèce ?


Objectifs
 

Objectif principal
 

L’objectif primaire est de prévoir le volume commercialisable total au niveau du peuplement en utilisant l’information disponible dans les variables de classification climatique, géographique et écologique photo-interprétées.
 

Objectifs secondaires
 

Il est aussi intéressant de voir

  1. Comment peut-on utiliser les variables explicatives pour prédire le volume total de résineux et de feuillus ?
  2. Comment les variables explicatives peuvent-elles être utilisées pour prédire le volume de chaque espèce ?
     

Research Question: 

Dans quelle mesure est-ce que les variables photo-interprétées expliquent le volume commercialisable total au niveau du peuplement et le volume de bois par espèce?
 

 

Variables: 

Variables explicatives potentielles:

 

Groupe

Num

Nom

Unités

Description

 

1

ID _ PET _ MES

 

Identifiant temporaire du lot

2

Tenure

0/1

0=Terrain public, 1=Terrain privé

Photo-interpretées

3

Pert

0/1

0 = Lot distribué, 1 = Lot non distribué

4

h _ moy

m

Hauteur du peuplement

5

pct _ couv

%

Densité du peuplement exprimée comme la proportion de la surface du lot occupée par la projection de la couronne de l’arbre sur le terrain.

6

pct _ RES

%

Type de forêt exprimé comme la proportion de la surface terrière occupée par les résineux.

7

Pct _ EB

%

Proportion de la surface terrière occupée par l’épinette blanche

8

Pct _ EN

%

Proportion de la surface terrière occupée par l’épinette noire

9

Pct _ EP

%

Proportion de la surface terrière occupée par les Epicéas Rouge et Noir.

10

Pct _ ML

%

Proportion de la surface terrière occupée par Tamarack

11

Pct _ PG

%

Proportion de la surface terrière occupée par le pin gris

12

Pct _ RX

%

Proportion de la surface terrière occupée par les résineux indéterminé

13

Pct _ SB

%

Proportion de la surface terrière occupée par le sapin baumier

14

Pct _ SE

%

Proportion de la surface terrière occupée par le sapin baumier et l’épinette blanche

15

Pct _ TO

%

Proportion de la surface terrière occupée par cèdre blanc

16

Pct _ BJ

%

Proportion de la surface terrière occupée par le bouleau jaune

17

Pct _ BP

%

Proportion de secteur basal occupé par Bouleau Blanc

18

Pct _ EO

%

Proportion of basal area occupied by Red Maple

19

Pct _ ER

%

Proportion de secteur basal occupé par Érable Rouge

20

Pct _ ES

%

Proportion de secteur basal occupé par Érable de Sucre

21

Pct _ FI

%

Proportion de secteur basal occupé par bois durs intolérants

22

Pct _ FH

%

Proportion de secteur basal occupé par bois durs sur stations humides

23

Pct _ FN

%

Proportion de secteur basal occupé par espèce d’arbres non commercialisables

24

Pct _ FO

%

Proportion de secteur basal occupé par Cendre Noire

25

Pct _ FT

%

Proportion de secteur basal occupé par bois durs tolérants

26

Pct _ FX

%

Proportion de secteur basal occupé par bois durs indéterminés

27

Pct _ PE

%

Proportion de secteur basal occupé par Peupliers

28

Age _ moy

Year

Age moyen de la classe

29

Age _ structure

0/1

0=même age, 1=âge différent

30

Dep _ epais

cm

Épaisseur de depot modale

31

Drainage

 

Indice de Drainage

Climatiques

32

Deg _ jr

°C

Température du jour en degrés

33

Ptot

mm

Précipitation annuelle totale moyenne

34

Aridite

cm

Indice d’aridité

Géographiques

35

latitude

° decimal

Latitude

36

longitude

° decimal

Longitude

37

ALTITUDE

m

Altitude

38

PENTE

%

Pente

39

EXPOSITION

°

Aspect

40

potentiel

 

Indice de la productivité potentielle du site

41

topex

 

Indice d’exposition au vent

Ecological Land Classification Hierarchy

42

sous _ dom

 

Sous-domaine bioclimatique

43

reg _ ecol

 

Région

44

sous _ reg

 

Sous région

45

unit _ pays

 

Paysage régional

46

dist _ eco

 

Terre distincte

 

Variables dépendantes:

 

Num

Nom

Unités

Description

1

ID _ PET _ MES

 

Identificateur temporaire de la parcelle

2

V _ BJ

m3/ha

Volume de Bouleau Jaune

3

V _ BP

m3/ha

Volume de Bouleau Blanc

4

V _ EB

m3/ha

Volume de Sapin Blanc

5

V _ SB

m3/ha

Volume de Sapin Baumier

6

V _ TO

m3/ha

Volume de Cèdre blanc Oriental

7

V _ PE

m3/ha

Volume de peupliers

8

V _ EP

m3/ha

Sapin Noir et volume de Sapin Rouge

9

V _ FEU

m3/ha

Volume de bois dur

10

V _ RES

m3/ha

Volume de bois tendre

11

V _ TOT

m3/ha

Volume Total

 

Data Access: 

Un jeu de données de pratique avec 5479 parcelles est disponible pour construire les différents modèles. Ce jeu de données inclut toutes les variables photo-interprétées et quelques variables géophysiques et climatiques. Le volume total dans chaque parcelle est aussi disponible. La prédiction de volumes doit être faite pour les parcelles incluses dans le jeu de données test (UAF=012-54 avec 1214 parcelles).
 

Data Files: 

References: 

  • Bernier PY, Guindon L, Kurz WA, Stinson G. Reconstructing and modelling 71 years of forest growth in a Canadian boreal landscape: testing the CBM-CF3 carbon accounting model. Canadian Journal of Forest Research [In review].
  • Borders BE, Harrison WM,Clutter ML, Shiver BD, Souter RA. The value of timber inventory information for management planning. Canadian Journal of Forest Research 2008, 38: 2287 – 2294.
  • Coulombe S, Bernier PY, Raulier F. Uncertainty in detecting climate change impact on the projected yield of black spruce (Picea mariana). Forest Ecology and Management 2009 [In press].
  • Franco-Lopez H, Ek AR, Bauer ME. Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method. Remote Sensing of Environment 2001, 77: 251 – 274.
  • Gjertsen AK, Tomppo E, Erkki, Tomter S. National forest inventory in Norway: using sample plots, digital maps, and satellite images. Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS) 2 1999, 729 – 731.
  • Lemay V, Temesgen H. Comparison of nearest neighbour methods for estimating basal area and stems per hectare using auxiliary variables. Forest Science 2005, 51: 109 – 119.
  • McRoberts RE, Nelson MD, Wendt DG. Stratified estimation of forest area using satellite imagery, inventory data and the k-nearest neighbors technique. Remote Sensing of Environment 2002, 82: 457 – 468.
  • McRoberts RE, Tomppo E, Finlay AO, Heikkine J. Estimating areal means and variances of forest attributes using the k-nearest neighbors technique and satellite imagery. Remote Sensing of Environment 2007, 111: 466 – 480.
  • McRoberts RE. A two-step nearest neighbors algorithm using satellite imagery for predicting forest structure within species composition class. Remote Sensing of Environment 2009, 113: 532 – 545.
  • Miranda M, Ung C-H, Guindon L, Condal A, Bernier P, Beaudoin A, Patry A. A simple Mahalanobis distance in the kNN method using aerial photograph for predicting stand table in a boreal mixed forest. In R Fournier and R McRoberts (editors) Extended forest inventory. Proceedings of the IUFRO- Division 4 Conference, Quebec City, 19 – 22 May 2009, 5 p.
  • Temesgen H, Lemay VM, Froese KL, Marshall PL. Imputing tree lists from areal attributes for complex stands of south-eastern British Columbia. Forest Ecology and Management 2003, 177: 277 – 285.
  • Tomppo E. Recent status and further development in the Finnish multi-source inventory. Lectures given at the 1997 Marcus Wallenburg Prize Symposium, Stockholm, Sweden, 14 October 1997, pp. 53 – 68.
  • Tomppo E, Goulding C, Katila M. Adapting Finnish multi-source forest inventory techniques to the New Zealnd preharvest inventory. Scandinavian Journal of Forest Research 1999, 14: 182 – 192.
  • Tomppo E, Korhonen KT, Heikkinen J, Yli-Kojola H. Multi-source inventory of the forests of the Hebei Forestry Bureau, Heilongjiang, China. Silva Fennica 2001, 35: 309 – 328.
  • Tuominen S and Pekkarinen A. Performance of different spectral and textural aerial photograph features in multi-source forest inventory. Remote Sensing of Environment 2004, 94: 256 – 268.