Les avancées du projet RECONFORT

Zone d’étude

La zone d’étude du projet RECONFORT correspond à la région Centre-Val de Loire et ses environs. Les données proviennent de placettes (20 arbres) labellisées entre les année 2017 et 2022 à l’aide du protocole DEPERIS, utilisé par le Département de la santé des forêts (DSF) en France. En prenant en compte le taux de mortalité de branches et le manque de ramification, ce protocole associe à un arbre une note allant de A (sain) à F (mort). Une note de D correspond à un arbre dépérissant et traduit une perte de plus de 50% de son houppier. Les placettes ont ensuite été séparées en 3 catégories :

  • Saines (moins de 20% d’arbres dépérissants),
  • Dépérissantes (entre 20 et 50% d’arbres dépérissants),
  • Très dépérissantes (+50% d’arbres dépérissants).

Au total, plus de 2700 placettes de référence ont été utilisées, la moitié ayant été labellisées en 2020 lors d’une enquête nationale menée par le DSF.

La région d’étude est délimitée par la zone grise. La frontière de la région Centre-Val de Loire et de ses départements est en blanc. Enfin, les points de couleur localisent les données de référence, chaque couleur représentant une année de notation. L’arrière-plan utilise des images S2 sans nuage (Mouret et al., 2023).

Méthode

Un système de suivi opérationnel du dépérissement du chêne (sessile ou pédonculé) à partir d’images satellitaires a été mis au point par l’Université d’Orléans (laboratoire P2E) et le CESBIO. Ce suivi est réalisé à l’aide d’images satellites Sentinel-2, qui présentent deux avantages majeurs: des prises de vue fréquentes (environ une image tous les 5 jours) et une résolution spatiale adaptée à des détections fines (pixels de 10 ou 20 m).

Le modèle de classification utilisé est appelé Random Forest. Il s’agit un algorithme d’intelligence artificielle permettant de classer des exemples en plusieurs catégories de manière automatique. Les données d’entrée utilisées dans ce projet sont des séries temporelles sur deux années consécutives de deux indices de végétation issus d’image Sentinel-2. Ces deux indices spectraux ont été calculés à partir d’images Sentinel-2 et sont complémentaires : le premier est lié au contenu en chlorophylle et le deuxième en lien avec le contenu en eau de la végétation analysée.

Pour améliorer la stabilité de ce modèle de prédiction (et donc ses performances), les données d’apprentissage ont été augmentées en utilisant une technique simple et intuitive qui peut se résumer avec les deux règles suivantes :

  • Règle 1: une placette saine l’année Y était très probablement saine les années Y-1 et Y-2,
  • Règle 2 : une placette dépérissante l’année Y va très probablement continuer à dépérir l’année Y+1 et Y+2.

La chaîne de traitement créée et utilisée dans cette étude est basée sur iota2 (développée au CESBIO). L’utilisation de iota2 permet d’avoir une chaîne de production facilement transférable et/ou utilisable par différents utilisateurs. Un package de production de cartes de dépérissement a notamment été conçu pour ce projet et est en accès libre. La chaîne de traitement élaborée pour l’apprentissage d’un modèle de détection du dépérissement sur le chêne est détaillée dans la figure ci-dessous.

Chaîne de traitement proposée pour prédire le dépérissement forestier en région Centre-Val de Loire (Mouret et al., 2023)

Une des particularités de cette approche est l’élaboration d’une base d’apprentissage permettant d’obtenir un modèle de prédiction utilisable sur plusieurs années différentes. Cette approche multi-annuelle est motivée par la volonté de 1) mettre à profit la disponibilité de références terrain acquises sur plusieurs années et 2) continuer les prédictions dans les années à venir sans avoir besoin de recalibrer le modèle appris.

Résultats

Les résultats de validation montrent qu’il est possible de détecter avec précision le dépérissement du chêne (Taux de bonne classification = 80 %). La figure suivante par exemple, montre la carte produite pour l’année 2022 pour la région et ses environs.

Cartographie de l’état sanitaire des peuplements feuillus pour l’année 2022. En cyan, orange et en rouge les pixels sains, dépérissants et fortement dépérissants.

Elle met en avant l’hétérogénéité de l’état sanitaire au sein de la région : la Sologne au centre de l’image est par exemple très dépérissante alors que le nord-ouest est peu affecté. Ces résultats sont à considérer avec précaution et sont probablement pessimistes, puisque l’identification des peuplements de chênes est faite avec des données anciennes et que les coupes rases n’ont pas pu être enlevées.

Évolution du dépérissement prédit entre 2017 et 2022 sur une partie de la forêt d’Orléans (nord-ouest). Des parcelles homogènes (en rouge) sont visibles et correspondent en général à des coupes.

Les figures ci-dessus permettent d’apprécier plus en détail la finesse spatiale de l’analyse et l’évolution temporelle des dépérissements dans des zones situées dans les forêts domaniales d’Orléans. En particulier, nous pouvons constater l’évolution parfois très rapide et étendue des dépérissements d’une année à l’autre.

Perspectives

Ces travaux mettent en avant l’intérêt de l’imagerie Sentinel-2 pour le suivi systématique de la santé des forêts. De nombreuses perspectives et pistes d’amélioration sont possibles. En particulier, il serait intéressant d’automatiser l’étape d’augmentation de données afin de remplacer les règles appliquées actuellement. Un passage à l’échelle nationale pourrait être envisageable compte tenu de la relative robustesse du modèle pour la prédiction sur plusieurs années et sur des zones en dehors de la région d’apprentissage. Passer à un modèle feuillu et non spécifique au chêne pourrait également permettre de fournir un produit plus généraliste. Enfin, l’ajout d’images Sentinel-1 est une autre piste de recherche intéressante afin d’évaluer si la complémentarité entre les deux satellites est pertinente pour notre cas d’usage.

Pour plus de détails sur les résultats de ce projet, un article scientifique a été publié et une note a été mise en ligne sur le site de notre partenaire CESBIO

Remerciements

Nous remercions chaleureusement l’équipe iota2 du CESBIO (A. Vincent, H. Touchais, M. Fauvel, J. Inglada, etc.) et le CNES. Nous remercions également les divers participants du projet RECONFORT (liste non exhaustive) : ONF (J. Mollard, A. Jolly, M. Boulogne), CNPF (M. Chartier, J. Rosa), Unisylva (E. Cacot, M. Bastien), DSF (T. Belouard, FX. Saintonge, S. Laubray), INRAE (JB. Féret, S. Perret) et l’EI de Purpan (V. Cheret et JP. Denux).