SSC Études de cas 2010
L’effet de variables photo-interprétées sur l’estimation du volume commercialisable à l’échelle du peuplement dans la province du Québec.
Dernière modification : 2010-03-16
Vérifiez régulièrement cette page pour d’éventuelles mises à jour, corrections et réponses à vos questions.
Sommaire
Remerciements
Francois Labbé du Ministère des Ressources naturelles a fourni les données de cette étude de cas.
Pour toute question relative aux données, veuillez contacter Gaetan Daigle ou Louis-Paul Rivest du département de mathématiques et de statistique de l’Université Laval.
Question d’intérêt
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?
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
- Comment peut-on utiliser les variables explicatives pour prédire le volume total de résineux et de feuillus ?
- Comment les variables explicatives peuvent-elles être utilisées pour prédire le volume de chaque espèce ?
Données
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).
Variables explicatives potentielles:
Groupe 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:
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
Fichiers de données
Fichier de données en format Excel.
Foire aux questions
Vérifiez régulièrement cette page pour d’éventuelles mises à jour.
Références
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.