Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale1
Module 2.8 Progrès technologiques :
présentation générale et état des lieux
Auteurs :
Brice Mora, Université de Wageningen.
Erika Romijn, Université de Wageningen.
Au terme du cours, les participants devraient être à même de :
• Citer et caractériser les progrès technologiques
accomplis dans le domaine de la télédétection, dans le
contexte des besoins REDD+ en matière de mesure et
de surveillance, faire le point sur l’état actuel de la
technique et appréhender les évolutions à court
terme.
• Décrire les techniques de mesure faisant appel aux
données LIDAR et RADAR.
US Forest Service
V2, Février 2017
Creative Commons License
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale2
Plan du cours
1. Rôle des observations LIDAR dans la caractérisation des forêts
et activités de surveillance avec la technologie LIDAR.
2. Le recours à la technologie RADAR pour la surveillance des
forêts.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale3
Plan du cours
1.Rôle des observations LIDAR dans la caractérisation
des forêts et activités de surveillance avec la
technologie LIDAR.
2. Le recours à la technologie RADAR pour la surveillance des
forêts.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale4
Documents de référence LIDAR
GOFC-GOLD Sourcebook, 2014. Chapitre 2.10 http://www.gofcgold.wur.nl/redd/index.php
GFOI MGD, 2014. Chapitres 3.2.4 et 3.2.5 http://www.gfoi.org/methods-guidance-documentation
De Sy, V., Herold, M., Achard, F., Asner, G.P., Held, A., Kellndorfer, J., and Verbesselt, J. (2012) Synergies of multiple remote sensing data sources for REDD+ monitoring. Current Opinion in Environmental Sustainability. 1-11.
McRoberts, R.E., Andersen, H.-E., & Næsset, E. (2014). Using airborne laser scanning data to support forest sample surveys. In: Maltamo, M., Næsset, E., & Vauhkonen, J. (Eds.). Forestry applications of airborne laser scanning. Springer.
McRoberts, R.E., Bollandsås, O.M. (2014). Modeling and estimating change. In: Maltamo, M., Næsset, E., & Vauhkonen, J. (Eds.). Forestry applications of airborne laser scanning.
Næsset E. (1997) Estimating timber volume of forest stands using airborne laser scanner data. Remote Sens Environ 51: 246-253.
Vauhkonen, J., Maltamo, M., McRoberts, R.E., & Næsset, E. (2014). Introduction to forest applications of airborne laser scanning. In: Maltamo, M., Næsset, E., & Vauhkonen, J. (Eds.). Forestry applications of airborne laser scanning. Springer.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale5
LIDAR : présentation générale et caractéristiques
La technologie LIDAR (LIght Detection And Ranging) a recours à des capteurs actifs.
Les lasers fournissent des informations permettant d’estimer la répartition tridimensionnelle des couverts végétaux, ainsi que la topographie des sous-couverts.
On classe les systèmes LIDAR en deux catégories, le système d’échantillonnage à retour d’onde complète et le système à retour discret, elles-mêmes subdivisées en systèmes de profilage et de balayage.
Les capteurs LIDAR sont capables d’estimer la hauteur des arbres/du peuplement, les volumes, la biomasse et la fermeture du couvert forestier.
Ussyshkin 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale6
Activités de surveillance (1/3)
Les estimations de hauteur obtenues à partir de données de télédétection aéroportées LIDAR offrent un degré de précision identique ou supérieur à celui des estimations réalisées au sol.
Les erreurs de mesure LIDAR peuvent être < 1,0 m pour des hauteurs d’arbres individuels d’une espèce donnée.
Les mesures LIDAR ne souffrent pas d’effet de saturation.
Des mesures au sol sont nécessaires pour estimer les relations entre les propriétés tridimensionnelles du nuage de points LIDAR, la hauteur et la densité de la canopée par exemple, et les propriétés biophysiques cibles présentant un intérêt, la biomasse par exemple, au moyen de techniques statistiques paramétriques ou non paramétriques.
A : onde satellitaireB : onde aéroportéeC : LIDAR de balayage à retour discretD : LIDAR de profilage à retour discret(Wulder et al., 2012)
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale7
Activités de surveillance (2/3)
On peut choisir entre le modecartographie complète et le modeéchantillonnage pour surveiller degrandes étendues.
Prendre en compte les sources d’erreurdans les modèles allométriques deterrain.
Des études plus approfondies sontnécessaires pour mieux évaluer/prendre en compte les erreurs dumodèle associées aux méthodesd’échantillonnage en trois temps LIDAR.
Erreurs de co-enregistrement entre lesplacettes au sol et les données LIDAR :les plus grandes placettes (rayon>= 25 m) améliorent la précision de la
biomasse.
Frazer et al. 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale8
Activités de surveillance (3/3)
Coûts : très variables, en fonction de la superficie à surveiller (économies d’échelle possibles).En Europe : 0,5-1,0 $/hectare, plus cher en Amérique du Sud en faisant appel aux sociétés locales.
Pour une couverture LIDAR complète destinéeà une démonstration REDD+ en Tanzanie, desfournisseurs de données européens ontrécemment proposé des offres de l’ordre de0,5-1,0 $/ha.
La technologie aéroportée LIDAR peut serévéler plus économique que les autrestechnologies de télédétection, même lorsqueles données sont obtenues gratuitement :moins d’observations sur le terrainpourront se révéler nécessaires poursatisfaire le niveau de précision.
Photo avec la permission de Spies
and Olsen, Oregon State U.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale9
Conception, modélisation et estimation pour une étude LIDAR (1/5)
Des modèles s’appuyant sur les relations entre lescaractéristiques forestières et les données LIDAR sontcouramment élaborés en associant des observations deplacettes et des indicateurs LIDAR géoréférencés.
Peu d’informations empiriques sont disponibles sur lesconfigurations de placettes et les plans d’échantillonnage.
Les résultats des études portant sur les forêts boréales ettempérées ne font pas nécessairement autorité pour lesapplications tropicales, mais peuvent donner desorientations utiles sur :
● La précision de la localisation GPS.
● L’erreur de positionnement.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale10
Conception, modélisation et estimation pour une étude LIDAR (2/5)
Forme des placettes :
● Forêts boréales et tempérées : placettes circulaires.
● Pays tropicaux : placettes rectangulaires.
Densité d’impulsions :
● Forêts boréales et tempérées : >0,1 impulsion/m2 ; surfacedes placettes >200 m2 ; densité d’impulsions 100-225 parplacette.
● Peut constituer un seuil minimal pour les pays tropicaux.
Échantillonnage au sol :
● Onéreux.
● Utiliser les programmes d’échantillonnage existants(inventaires nationaux des forêts par exemple) pouracquérir les données d’apprentissage et d’évaluation de laprécision (données de terrain).
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale11
Conception, modélisation et estimation pour une étude LIDAR (3/5)
La conception des bandes LIDAR peut s’appuyer sur unedistribution systématique des placettes de terrain (d’aprèsles inventaires nationaux des forêts par exemple).
Les bandes peuvent également être distribuées, soit demanière aléatoire, soit de manière systématique sur lazone d’étude, et les placettes de terrain peuvent êtreétablies exclusivement dans les fauchées LIDAR.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale12
Conception, modélisation et estimation pour
une étude LIDAR (4/5)
Il est possible de conjuguer les scénarios.
On peut également moduler la production de données lelong des transects pour atténuer l’autocorrélation spatialedes mesures.
Avec la permission de
Ressources Naturelles
Canada.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale13
Conception, modélisation et estimation pour une étude LIDAR (5/5)
L’échantillonnage aléatoire stratifié utilisant des strates(hauteurs, carte de la biomasse de plus faible résolution parexemple) :
• Peut donner lieu à des erreurs quadratiques moyennes (RMSE)inférieures entre la biomasse et les indicateurs LIDAR.
• Nécessite moins d’extrapolations au-delà du spectre desdonnées d’échantillon LIDAR lorsque le modèle est appliqué àtoute la population.
Des intervalles de confiance pour les estimations fondées sur lesdonnées LIDAR sont nécessaires pour les superficies importantes,en plus des mesures de l’exactitude des cartes pour lesvariables des attributs forestiers catégoriels ou de la RMSE dumodèle pour les variables continues.
Voir Module 2.7 sur l’estimation des incertitudes.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale14
Disponibilité des données et capacités nationales indispensables (1/2)
Des données LIDAR satellitaires sont disponibles partout dans le monde,reposant sur les données GLAS librement mises à disposition par leNational Snow and Ice Data Center (NSIDC) (période opérationnelle :2003–2009).
In 2018 les missions spatiales GEDI et ICESat-2 démarreront.
Il est possible d’acquérir des données LIDAR aéroportées pour toute partiedu monde, avec couverture à la demande, auprès des agencescommerciales.
En théorie, il est possible de recueillir des données aéroportées où que cesoit, mais les coûts sont généralement plus élevés pour les régions plusinhabituelles et où la mise en œuvre de l’étude est plus difficile. Celle-cipeut nécessiter l’autorisation/la participation des agences nationales.
On peut recueillir des données au moyen de divers instruments, avecdifférents réglages, avec pour résultat des données de qualité variable.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale15
Disponibilité des données et capacités nationales indispensables (2/2)
Mora et al. 2013.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale16
État de la technique, évolutions prévues à court terme et viabilité à long terme
Aucun laser spatial n’est opérationnel actuellement.
La NASA travaille à la mise au point d’une nouvelle missionLIDAR satellitaire embarquée sur ICESat II, qui permettrad’estimer la structure et la hauteur de la végétation et labiomasse inconnue à ce jour.
Le lancement d’ICESat II est prévu en 2017(http://icesat.gsfc.nasa.gov/icesat2/mission_overview.php).
La NASA prévoit également de lancer dans les années 2020une mission de relevé topographique LIDAR (LIST),destinée à recueillir des données LIDAR mondiales sur unedurée de 5 ans.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale17
Applicabilité de la technologie LIDAR à la surveillance des forêts (1/2)
LIDAR est une toute nouvelle technologie pour ce qui est de lasurveillance de zones étendues, pour REDD+ notamment.
Cette technologie est cependant solidement établie comme sourcede données utiles à la réalisation des objectifs gestionnels etscientifiques dans le domaine forestier.
La capacité de la technologie LIDAR à caractériser la biomasse etson évolution dans le temps la place en bonne position pourrépondre aux besoins informationnels REDD+.
« Il faut mettre en regard d’une part les coûts associés à unprogramme et d’autre part les informations acquises, la façondont ces informations répondent aux besoins spécifiques et ledegré dans lequel la réduction des incertitudes permise par lesestimations reposant sur les données LIDAR compense les coûtsde départ » (Wulder et al. 2012).
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale18
Applicabilité de la technologie LIDAR à la
surveillance des forêts (2/2)
De Sy et al. 2012.
Très adapté
Adapté
Utile
Limité à
aucune
capacité
technique
Capacités techniques des capteurs de télédétection pour la création de produits informationnels REDD+ (nationaux).
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale19
LIDAR Terrestre (1/5)
Connu aussi sous le nom de Terrestrial Laser Scanning (TLS)
Système de mesure au sol qui permet de mesurer la structure de la végétation en trois dimensions
Enregistre des scans à partir d’une position fixe au sol
Possibilité d’estimer des paramètres tels que la hauteur d’arbres, diamètre à hauteur de poitrine, volume, biomasse, fermeture du couvert forestier
A 3D TLS point cloud
Calders et al., dans REDD Sourcebook, 2015
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale20
LIDAR Terrestre (2/5)
Calders et al., dans REDD Sourcebook, 2015
Liste des LIDAR terrestres commerciaux communément utilisés
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale21
LIDAR Terrestre (3/5)
Statut et réflexions
Il a été montré que les estimations de paramètres forestiers dérivés d’un LIDAR terrestre fournissent une meilleure exactitude que les méthodes traditionnelles, en particulier pour la hauteur des arbres.
Cependant des méthodes plus pratiques pour l’acquisition et l’exploitation des données de LIDAR terrestres sont nécessaires pour faciliter l’utilisation de cette technologie.
Les relations entre la probabilité d’espace (gap probability) et les paramètres structuraux restent empiriques et ne sont pas encore bien comprises.
Les méthodes de modélisation géométriques fournissent une caractérisation claire, précise, et détaillée de la structure d’arbres individuels. Un effort de R&D est encore nécessaire pour fournir des estimations performantes à l’échelle de la placette.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale22
LIDAR Terrestre (4/5)
Statut et réflexions
Les données issues de LIDAR terrestres ont le potentiel de fournir un volume d’information pour un coût réduit lorsque comparé à des méthodes destructives traditionnelles.
Les données issues de LIDAR terrestres ont le potentiel de réduire l’incertitude des estimations de biomasse lorsque comparées à celles dérivées de méthodes allométriques qui sous-tendent les estimations basées sur les mesures de terrain traditionnelles et dérivées de l’imagerie satellitaire.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale23
LIDAR Terrestre (5/5)
Références
Anderson, K., Hancock, D., Disney, M. I. and Gaston, K. J. (2016) Is waveform worth it? A comparison of LiDAR approaches for vegetation characterization. Remote Sensing for Ecology and Conservation, 2:5-15.
Calders, K., Armston, J., Newnham, G., Herold, M. and Goodwin, N. (2014) Implications of sensor configuration and topography on vertical plant profiles derived from terrestrial LiDAR. Agricultural and Forest Meteorology 194: 104-117.
Calders, K., Newnham, G., Burt, A., Murphy, S., Raumonen, P., Herold, M., Culvenor, D., Avitabile, V., Disney, M., Armston, J. and Kaasalainen, M. (2015), Nondestructive estimates of above-ground biomass using terrestrial laser scanning. Methods Ecol Evol, 6: 198–208.
Jupp, D. L. B., Culvenor, D. S., Lovell, J. L., Newnham, G. J., Strahler, A. H. and Woodcock, C. E. (2009). Estimating forest lai profiles and structural parameters using a ground-based laser called echidna. Tree physio
Newnham, G., Armston, J., Muir, J., Goodwin, N., Tindall, D., Culvenor, D., Puschel, P., Nystrom, M., &
Johansen, K. (2012). Evaluation of terrestrial laser scanners for measuring vegetation structure. CSIRO
Sustainable Agriculture Flagship.
Ni-Meister, W., Lee, S., Strahler, A. H., Woodcock, C. E., Schaaf, C., Yao, T., Ranson, K. J., Sun, G. and Blair,
J. B. (2010). Assessing general relationships between aboveground biomass and vegetation structure
parameters for improved carbon estimate from lidar remote sensing. Journal of Geophysical Research, 115:
G00E11.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale24
Récapitulatif
La technologie LIDAR a recours à des capteurs actifs.
Les capteurs LIDAR sont capables d’estimer la hauteur desarbres/du peuplement, le volume, la biomasse la structure dupeuplement, et la fermeture du couvert forestier.
Les mesures LIDAR offrent un degré de précision élevé,comparable à celui des mesures de terrain.
Des relations sont établies entre les propriétéstridimensionnelles du nuage de points LIDAR (hauteur etdensité de la canopée) et les propriétés biophysiques(biomasse), au moyen d’équations allométriques.
LIDAR est une technologie émergente en matière desurveillance des grandes étendues boisées, pour REDD+notamment.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale25
Plan du cours
1. Rôle des observations LIDAR dans la caractérisation des forêts
et activités de surveillance avec la technologie LIDAR.
2.Le recours à la technologie RADAR pour la surveillance
des forêts.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale26
Documents de référence RADAR
De Sy, V., Herold, M., Achard, F., Asner, G.P., Held, A., Kellndorfer, J., and Verbesselt, J. (2012) Synergies of multiple remote sensing data sources for REDD+ monitoring. Current Opinion in Environmental Sustainability. 1-11.
GOFC-GOLD Sourcebook, chapitre 2.10 http://www.gofcgold.wur.nl/redd/index.php
Gibbs HK, Brown S, Niles JO, Foley JA (2007) Monitoring and estimating tropical forest carbon stocks: making REDD a reality. Environ Res Lett, 2:045023. Synthèse des différents moyens d’estimer les stocks de carbone de la biomasse forestière au niveau national dans les pays en développement et proposition de méthodes pour établir un lien entre l’estimation du carbone forestier et celle du déboisement.
Sarker, L. R., Nichol, J., & Mubin, A. (2013). Potential of Multiscale Texture Polarization Ratio of C-band SAR for Forest Biomass Estimation. In A. Abdul Rahman, P. Boguslawski, C. Gold, & M. N. Said (Eds.), Developments in Multidimensional Spatial Data Models (Springer., pp. 69–83). Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-36379-5.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale27
Technologie radar à synthèse d’ouverture (RSO)
On utilise des capteurs radar à synthèse d’ouverture (RSO)depuis les années 1960 pour produire des images de lasurface terrestre selon les principes de la réflectivitéradar (RAdio Detection And Ranging).
La technologie RSO utilise le mouvement relatif entrel’antenne du capteur et la cible et est le plus souvent miseen œuvre à partir d’une plateforme mobile (aéronef,navette spatiale, satellite).
Le radar est un système actif : il est la source de sapropre énergie électromagnétique.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale28
Mécanismes de rétrodiffusion radar (1/3)
Source : Lopez-Dekker 2011.
• Le radar transmet une impulsion (voyageant à la vitesse de la lumière).
• Une partie de l’énergie de l’impulsion radar est réfléchie vers le radar.
• C’est ce que le radar mesure et que l’on l’appelle la rétrodiffusion radar σ0.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale29
Mécanismes de rétrodiffusion radar (2/3)
Source : Thiel 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale30
Mécanismes de rétrodiffusion radar (3/3)
Source : Lopez-Dekker 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale31
Localisation du radar dans le spectreélectromagnétique (1/2)
Tandis que les capteurs optiques fonctionnentprincipalement dans le spectre visible et infrarouge (autourde 0,4-15,0 μm) du spectre électromagnétique, lescapteurs radar fonctionnent dans la régionhyperfréquence (autour de 3-70 cm).
Les ondes électromagnétiques du spectre visible etinfrarouge sont diffusées par les particulesatmosphériques (la brume, la fumée et les nuages parexemple), alors que le plus souvent les signauxhyperfréquence traversent ces particules :
=> valeur ajoutée pour l’imagerie des forêts tropicalesrecouvertes par les nuages.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale32
Localisation du radar dans le spectre
électromagnétique (2/2)
Source : http://canadiansubsurface.com/ir.html
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale33
Technologie radar à synthèse d’ouverture(RSO)
Les ondes hyperfréquence traversent les couverts forestiers. L’intensité del’énergie rétrodiffusée dépend en partie des :
● Paramètres du système :
- angle d’incidence
- longueur d’onde
- polarisation
● Propriétés de la surface :
- rugosité
- forme géométrique
- propriétés diélectriques de la cible
=> Le signal rétrodiffusé donne des informations utiles sur les attributsstructurels des forêts, y compris le type de couvert forestier structurel et labiomasse aérienne.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale34
Rugosité de la surface
L’intensité de l’énergie rétrodiffusée augmente généralement
avec la rugosité de la surface, pour une longueur d’onde
donnée.
La surface semble lisse avec une grande longueur d’onde=> La rétrodiffusion est faible.
La surface semble rugueuse avec une longueur d’onde courte.=> La rétrodiffusion augmente.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale35
Constante diélectrique
Source : Walker
n.d.
Dépend de la teneur en humidité de la cible.
Varie couramment entre 1 et 100. Par exemple :
matériaux naturels secs : 3-8 ; eau : 80.
La teneur en humidité de la végétation et du sol influencela rétrodiffusion radar.
Une forte teneur en humidité atténue la pénétration dusignal radar.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale36
Prétraitement du signal radar
Le signal radar nécessite un prétraitement pour prendre encompte :
● Les distorsions géométriques telles que l’effet derapprochement et de repliement.
● Les effets topographiques résultant des différentesconditions d’illumination de la scène.
● Le chatoiement.
Des logiciels commerciaux et libres sont disponibles.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale37
Distorsions géométriques (1/3)
Source : Radiotuorial n.d., http://www.radartutorial.eu/20.airborne/ab07.en.html.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale38
Distorsions géométriques (2/3)
Rapprochement
Source : Radiotutorial n.d., http://www.radartutorial.eu/20.airborne/ab07.en.html.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale39
Distorsions géométriques (3/3)
Repliement
Source: Radiotutorial n.d., http://www.radartutorial.eu/20.airborne/ab07.en.html.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale40
Effets topographiques
Occultation
Source : Radiotutorial n.d., http://www.radartutorial.eu/20.airborne/ab07.en.html.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale41
Prétraitement du signal radar (suite)
Le chatoiement affecte les images radar, et limite la séparabilitéspectrale des catégories.
Résulte de fluctuations aléatoires dans le signal réfléchi par unobjet.
Le prétraitement est nécessaire pour filtrer les images et limiter aumieux la perte d’informations.
Image RSO originaleRSO aéroporté AeS-1
Après filtrage du chatoiementMéthode fondée sur un modèle
Source : Lopez-Dekker, 2011
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale42
Chaîne de prétraitement
Image RSO SLC de niveau 1
Image d’intensité
Processus multivisée
Étalonnage radiométrique
Géo-encodage avec MNE
Filtrage du chatoiement
Normalisation topographique avec MNE
Extraction des caractéristiques
(cartographie de la couverture, détection des
variations, etc.)
Image d’intensité RSO prétraitée
Importation avec extraction des informations
d’en-tête
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale43
Caractéristiques des bandes radar (1/4)
BandeFréquence courante
(GHz)
Longueur d’onde (cm)
P 0,350 85
L 1,3-1,4 23-21
C 5,3-5,4 5,6-5,5
X 9,65 3,1
Ku 12-18 2,5-1,6
Ka 35 0,8
Systèmes actifs : les radars illuminent lacible de manière à pouvoir fonctionner jouret nuit.
Hyperfréquences :
● Les ondes électromagnétiquestraversent les objets dans unecertaine mesure.
● À la plupart des fréquences, lesnuages sont transparents.
Interaction complexe avec l’objet ou lacible : une image radar n’est pas une photo.
Résolution spatiale fondamentalementlimitée :
● Ne pas s’attendre à des images RSOde résolution 1 cm dans la bande C.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale44
Caractéristiques des bandes radar (2/4)
Source : Lopez-Dekker 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale45
Caractéristiques des bandes radar (3/4)
Avec la permission de Thuy
Le Toan.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale46
Caractéristiques des bandes radar (4/4)
Bande C Bande L
Forêt à des fréquences différentes
Source : Thiel 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale47
Techniques RSO : polarimétrie
Les ondes radar sont polarisées.
Les matériaux anisotropes peuvent réfléchir les ondes avecdes polarisations et intensités différentes.
Certains matériaux peuvent convertir une polarisation(entrante) en une autre (sortante).
Plusieurs images peuvent être produites à partir de la mêmesérie d’impulsions.
Polarisation verticale Polarisation horizontale
Source : Thiel 2011.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale48
La technologie radar pour la surveillance des
forêtsMosaïque en couleur mondiale ALOS PALSAR.(Rouge : HH, vert : HV, bleu : HH/HV), espacement des pixels 25 m, 70 000 scènes, données acquises entre juin et octobre 2009.
Source : JAXA 2009.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale49
La technologie radar pour la surveillance des
forêts
La technologie RSO — données SRTM (Shuttle Radar Topography Mission) — a démontré sa capacité à mesurer la hauteur des forêts sur des superficies importantes :
La mission RSO JERS-1 a fourni les premièresobservations pantropicales et panboréalescohérentes ; les données RSO de bande L à grandelongueur d’onde ont prouvé leur utilité pour la classificationforêt/non-forêt et pour l’identification de la croissancesecondaire.
Les données de bande L ont également facilité lacartographie temporelle de l’eau stagnante sous les forêts àcouvert fermé au moyen de séries temporelles.=> Différentiation plaine inondable/forêt marécageuse.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale50
Missions RSO précédentes, actuelles etfutures (1/3)
Satellites/ capteurs
Période de fonctionnement Bande
Longueur d’onde (cm)
PolarisationRésolution
spatiale (m)
Répétitionorbitale (jours)
ERS-1 1991–2000 C 5,6 Simple (VV) 26 3–176
JERS-1 1992–1998 L 23,5 Simple (HH) 18 44
ERS-2 1995–2011 C 5,6 Simple (VV) 26 35
RADARSAT 1 1995-2013 C 5,6 Simple (HH) 8–100 3-24
ENVISAT/
ASAR2002–2012 C 5,6 Simple, double 30-1000 35
ALOS/
PALSAR2006–2011 L 23,6
Simple, double,
quadruple10–100 46
RADARSAT 2 2007– C 5,6Simple, double,
quadruple3–100 24
TerraSAR-X
TanDEM-X
2007–
2010–
X 3,1Simple, double,
interférométrique1–16 11
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale51
Missions RSO précédentes, actuelles et futures (2/3)
Satellites/ capteurs
Période de fonctionnement Bande
Longueur d’onde (cm)
PolarisationRésolution
spatiale (m)
Répétitionorbitale (jours)
COSMO- SkyMed 2007– X 3,1 Simple, double 1–100 16
RISAT-1 2012– C 5,6Simple, double,
quadruple1–50 25
ALOS-2/ PALSAR-2
2014– L 23,8Simple, double,
quadruple1–100 14
Sentinel-1A Sentinel-1B
1A : 2014–
1B : prévue pour 2015
C 5,6Simple, double,
quadruple91–5 12
SAOCOM-1A SAOCOM-1B
Prévues pour 2015, 2016 L 23,5
Simple, double, quadruple
101–00 16
NovaSARPrévue pour 2015
S 9,4Simple, double, triple, quadruple 6–30 14
RADARSAT Constellation 1/2/3
Prévues pour 2018C 5,6
Simple, double, quadruple
1–100 12
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale52
Missions RSO précédentes, actuelles et futures (3/3)
Satellites/ sensors
Period ofoperation Band
Wave-length (cm)
PolarisationSpatialresolution (m)
Orbital repeat (days)
NISARPrévue pour
2020L, S 24 cm,12 cm Pol multiple ?
BIOMASSPrévue pour 2020
P 69.0 Quad 50 Varie
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale53
Capacités des données RSO pour la surveillance du couvert forestier et l’estimation de la biomasse
Les données RSO sont utiles dans les régions à fortecouverture nuageuse et pluviométrie.
La technologie RSO fournit des informations qui complètentles données optiques sur le couvert forestier/l’affectationdes terres.
Possibilités d’amélioration de la surveillance des forêts et del’estimation de la biomasse par intégration des donnéesRSO, optiques et LIDAR.
La technologie RSO a prouvé sa capacité aux niveauxinfranational et régional.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale54
Capacités de la technologie RSO pour la
surveillance des forêts
Bande P (R&D) : mise au point pour l’estimation de la biomasse forestière et
de la hauteur des peuplements. Voir la mission BIOMASS de l’ESA prévue
pour 2020.
RSO bande L : a démontré son potentiel pour la surveillance du couvert
forestier et de son évolution au moyen de données à double polarisation à
séries temporelles (la polarisation croisée est particulièrement sensible à la
structure forestière).
Recours à JERS-1 pour produire une référence historique, par rapport à
laquelle il est possible de surveiller l’évolution du couvert forestier au moyen
des données ALOS PALSAR plus récentes (et d’assurer une surveillance
continue au moyen d’ALOS-2).
Bande C (R&D) : série temporelle dense d’observations généralement
nécessaires à la détection précise de l’évolution du couvert forestier.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale55
Capacités de la technologie RSO pour la
surveillance des forêts
Bande X (R&D) : application à l’évaluation de la dégradation des forêts ;
par exemple, exploitation forestière sélective lorsque l’élimination partielle ou
totale de la canopée est identifiée ; sert également à l’estimation de la
hauteur des forêts au moyen de TanDEM-X.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale56
Capacités de la technologie RSO pourl’estimation de la biomasse (1/2)
Méthodes d’estimation de la BA : inversion fondée sur un modèle
et extraction de la hauteur de la canopée.
Technique InSAR pour extraire la hauteur de la canopée, associée
à des mesures allométriques et à des données de terrain pour
estimer la biomasse.
Saturation du signal :
● Bande C : < 50 t/ha
● Bande L : jusqu’à 100 t/ha
● Bande P : > 300 t/ha
● Association avec des données optiques : jusqu’à 400 t/ha
L’association de polarisations différentes (ratio C-HV/C-HH par
exemple) peut améliorer les estimations de la biomasse.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale57
Capacités de la technologie RSO pour
l’estimation de la biomasse(2/2)
L’extraction des données RSO peut être affectée par le terrain, la pluviométrie, l’humidité
du sol, le développement d’algorithmes au niveau local, les niveaux de saturation.
L’étalonnage des algorithmes nécessite des données de terrain fiables.
L’extraction de la biomasse aérienne par technologie RSO donne de meilleurs résultats
dans les forêts boréales et tempérées que dans les forêts tropicales (espèce moins
nombreuses, moins de biomasse).
Les méthodes multicapteurs (SAR-LiDAR, SAR-LiDAR-optique) sont prometteuses et
ont fait leurs preuves aux États-Unis, en Amazonie, en Australie, au Népal et à Bornéo.
Estimation de l’évolution de la biomasse :
● Deux observations dans le temps pour modéliser l’évolution.
● Modélisation de la biomasse lors de chaque observation et calcul de la différence.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale58
Applicabilité de la technologie radar à la
surveillance des forêts
De Sy et al. 2012.
Très adapté
Adapté
Utile
Limité à aucune
capacité
technique
Capacités techniques des capteurs de télédétection pour lafourniture de produits informationnels REDD+ (nationaux).
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale59
Récapitulatif
Le radar est un système actif qui repose sur les principes de la
réflectivité radar : rétrodiffusion de la canopée, du volume et de la
surface.
Les capteurs radar fonctionnent dans la région hyperfréquence et
sont capables de traverser les nuages.
Les paramètres du système et les caractéristiques de la surface
influencent l’intensité de l’énergie rétrodiffusée.
Un prétraitement est indispensable pour éliminer les distorsionsgéométriques, telles que les effets de rapprochement et derepliement, les effets topographiques et le chatoiement.
Les systèmes RSO actuellement utilisés fonctionnent dans leslongueurs d’onde appartenant aux bandes X et C-L, avec desfonctionnalités différentes.
L’intégration des systèmes RSO, optiques et LIDAR ouvre despossibilités d’améliorer la surveillance des forêts et l’estimationde la biomasse.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale60
Exemples nationaux
Surveillance du déboisement tropical au Kalimantan par radar.
Recours aux données LiDAR et InSAR comme données auxiliaires pour estimer
la biomasse forestière dans une zone de forêt boréale.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale61
Modules de suivi et exercices recommandés
Modules 3.1 à 3.3 pour en savoir plus sur l’évaluation et la
notification REDD+.
Exercices disponibles sur: https://saredu.dlr.de/
Avec la permission de : ESA ; GEO GFOI Method and Guidance Report (http://gfoi.org/)
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale62
Bibliographie
Berger, A., T. Gschwantner, R. E. McRoberts, and K. Schadauer. 2014. “Effects of Measurement Errors on
Individual Tree Stem Volume Estimates for the Austrian National Forest Inventory.” Forest Science 60
(1): 14–24.
Böttcher H., K. Eisbrenner, S. Fritz, G. Kindermann, F. Kraxner, I. McCallum, M. Obersteiner. 2009. “An
assessment of monitoring requirements and costs of ‘Reduced Emissions from Deforestation and
Degradation.’” Carbon Balance Management 4 (7).
Breidenbach, J., C. Antón-Fernández, H. Petersson, R. Astrup, and R. E McRoberts. 2014. “Quantifying
the Contribution of Biomass Model Errors to the Uncertainty of Biomass Stock and Change Estimates in
Norway.” Forest Science 60 (1): 25–33.
Cartus, O., Santoro, M., Kellndorfer, J., 2012. Mapping forest aboveground biomass in the northeastern
united states with alos palsar dual polarization l-band. Remote Sensing of Environment 124: 466–478.
Cutler, M. E. J., D. S. Boyd, G. M. Foody, and A. Vetrivel. 2012. “Estimating Tropical Forest Biomass with
a Combination of SAR Image Texture and Landsat TM data: An Assessment of predictions between
Regions.” ISPRS Journal of Photogrammetry and Remote Sensing 70: 66–77.
doi:10.1016/j.isprsjprs.2012.03.011
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale63
De Sy, V., M. Herold, F. Achard, G. P. Asner, A. Held, J. Kellndorfer, and J. Verbesselt. 2012. “Synergies of
Multiple Remote Sensing Data Sources for REDD+ Monitoring.” Current Opinion in Environmental
Sustainability 4,6: 696–706.
Ene, L.T., E. Næsset, T. Gobakken, T. G. Gregoire, G. Ståhl, and S. Holm. 2013. “A Simulation Approach
for Accuracy Assessment of Two-phase Post-stratified Estimation in Large-area LiDAR Biomass Surveys.”
Remote Sensing of Environment 133: 210–224.
Frazer, G. W., S. Magnussen, M. A. Wulder, and K. O. Niemann. 2011. “Simulated Impact of Sample Plot
Size and Co-registration Error on the Accuracy and Uncertainty of LiDAR-derived Estimates of Forest
Stand Biomass.” Remote Sensing of Environment 115 (2): 636–649. doi:10.1016/j.rse.2010.10.008.
GFOI (Initiative mondiale pour l’observation des forêts). 2014. Intégration des données de télédétection
et d’observation au sol pour l’estimation des sources et des puits de gaz à effet de serre dans les forêts :
Méthodes et pratiques recommandées par l’Initiative mondiale pour l’observation des forêts. (Souvent
GFOI MGD.) Chapitres 3.2.4 et 3.2.5. Genève (Suisse) : Groupe sur l’observation de la Terre, version 1.0.
http://www.gfoi.org/methods-guidance/.
Gibbs, H. K., S. Brown, J. O. Niles, and J. A. Foley. 2007. “Monitoring and Estimating Tropical Forest
Carbon Stocks: Making REDD a Reality.” Environmental Research Letters 2:045023.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale64
GOFC-GOLD (Observation globale du couvert forestier et de la dynamique de la couverture des terres).
2014. A Sourcebook of Methods and Procedures for Monitoring and Reporting Anthropogenic Greenhouse
Gas Emissions and Removals Associated with Deforestation, Gains and Losses of Carbon Stocks in
Forests Remaining Forests, and Forestation. (Souvent GOFC-GOLD Sourcebook.) Pays-Bas : GOFC-GOLD
Bureau des projets sur la couverture des terres , Université de Wageningen.
http://www.gofcgold.wur.nl/redd/index.php.
Gold, P., and M. N. Said, eds. 2013. Developments in Multidimensional Spatial Data Models. Springer.
Berlin, Heidelberg: Springer Berlin Heidelberg.
Gregoire, T. G., G. Ståhl, E. Næsset, T. Gobakken, R. Nelson, and S. Holm. 2011. “Model-assisted
Estimation of Biomass in a LiDAR Sample Survey in Hedmark County, Norway.” Canadian Journal of
Forest Research 41: 83–95.
Lopez-Dekker, 2011. PECS SAR Remote Sensing Course - Introduction to SAR I. ESA/University of
Szeged/ DLR 13–17 June 2011, Szeged, Hungary.
Lucas, R., Armston, J., Fairfax, R., Fensham, R., Accad, A., Carreiras, J., Kelley, J., Bunting, P., Clewley,
D., Bray, S., Metcalfe, D., Dwyer, J., Bowen, M., Eyre, T., Laidlaw, M., and Shimada, M., 2010. An
Evaluation of the ALOS PALSAR L ‐ Band Backscatter-Above Ground Biomass Relationship Queensland,
Australia: Impacts of Surface Moisture Condition and Vegetation Structure. IEEE Journal of Selected
Topics in Applied Earth Observation and Remote Sensing, 3, 576 ‐ 593.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale65
Magnussen, S., and P. Boudewyn. 1998. “Derivations of Stand Heights from Airborne Laser Scanner
Data with Canopy-Based Quantile Estimators.” Canadian Journal of Forest Research 1031: 1016–1031.
McRoberts, R. E., E. Næsset, and T. Gobakken. 2012. “Inference for Lidar-assisted Estimation of Forest
Growing Stock Volume.” Remote Sensing of Environment 128: 268–275.
McRoberts, R. E., H. -E. Andersen, and E. Næsset. 2014. “Using airborne laser scanning data to support
forest sample surveys. “ In M. Maltamo, E. Næsset, and J. Vauhkonen, eds., Forestry Applications of
Airborne Laser Scanning. Berlin: Springer.
McRoberts, R. E., and O. M. Bollandsås. 2014. “Modeling and Estimating Change.” In M. Maltamo, E.
Næsset, J. Vauhkonen, eds., Forestry Applications of Airborne Laser Scanning. Berlin: Springer.
McRoberts, R. E., and J. A. Westfall. 2014. “The Effects of Uncertainty in Model Predictions of Individual
Tree Volume on Large Area Volume Estimates.” Forest Science 60 (1): 34–42.
Minh, D. H. T., T. Le Toan, F. Rocca, S. Tebaldini, M. M. D’Alessandro, and L. Villard. 2014. “Relating P-
Band Synthetic Aperture Radar Tomography to Tropical Forest Biomass. Geoscience and Remote
Sensing.” IEEE Transactions on Geoscience and Remote Sensing 52 (2): 967–979.
Mora, B., M. A. Wulder, J. C. White, and G. Hobart. 2013. “Modeling Stand Height, Volume, and Biomass
from Very High Spatial Resolution Satellite Imagery and Samples of Airborne LiDAR.” Remote Sensing 5:
2308–2326. doi:10.3390/rs5052308.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale66
Næsset, E. 1997a. “Determination of Mean Tree Height of Forest Stands Using Airborne Laser Scanner
Data.” ISPRS Journal of Photogrammetry and Remote Sensing 52: 49–56.
Næsset, E. 1997b. “Estimating Timber Volume of Forest Stands Using Airborne Laser Scanner Data.”
Remote Sensing of Environment 51: 246–253.
Næsset, E. 2002. “Predicting Forest Stand Characteristics with Airborne Scanning Laser Using a Practical
Two-Stage Procedure and Field Data.” Remote Sensing of Environment 80: 88–99.
Næsset, E., T. Gobakken, S. Solberg, T. G. Gregoire, R. Nelson, G. Ståhl, and D. Weydahl. 2011. “Model-
assisted Regional Forest Biomass Estimation Using LiDAR and In SAR as Auxiliary Data: A Case Study
from a Boreal Forest Area.” Remote Sensing of Environment 115: 3599–3614.
Reiche, J., and M. Herold. 2012. “Concepts and Processing Techniques for a Global Sentinel 1–3 Land
Cover Dynamics and Change (LCDC) Product.” In European Space Agency, ed., Proceedings of the First
Sentinel-2 Preparatory Symposium, 1–8. Frascati, Italy.
Reiche, J.; Souza, C.; Hoekman, D.H.; Verbesselt, J.; Haimwant, P.; Herold, M. 2013. “Feature level
fusion of multi-temporal ALOS PALSAR and Landsat data for mapping and monitoring of tropical
deforestation and forest degradation”. IEEE Journal of Selected Topics in Applied Earth Observation and
Remote Sensing 6,5: 2159 - 2173.
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale67
Santoro et al. 2011. Retrieval of growing stock volume in boreal forest using hyper-temporal series of
Envisat ASAR ScanSAR : mesures de rétrodiffusion. Remote Sensing of Environment 115: 490-507.
Sarker, L. R., J. Nichol, H. B. Iz, B. Ahmad, and A. A. Rahman. 2013. “Forest Biomass Estimation Using
Texture Measurements of High-Resolution.” IEEE Transactions on Geoscience and Remote Sensing 51
(6): 3371–3384.
Sarker, L. R., J. Nichol, and A. Mubin. 2013. “Potential of Multiscale Texture Polarization Ratio of C-band
SAR for Forest Biomass Estimation.” In A. Abdul Rahman, P. Boguslawski, C. Gold, and M. N. Said, eds.,
Developments in Multidimensional Spatial Data Models. (69–83). Berlin, Heidelberg: Springer Berlin
Heidelberg. doi:10.1007/978-3-642-36379-5.
Ståhl, G., S. Holm, T. G. Gregoire, T. Gobakken, E. Næsset, and R. Nelson. 2011. “Model-based
Inference for Biomass Estimation in a LiDAR Sample Survey in Hedmark County, Norway.” Canadian
Journal of Forest Research 41: 96–107.
Thiel, 2011. PECS SAR Remote Sensing Course - SAR Theory and Applications to Forest Cover and
Disturbance Mapping and Forest Biomass Assessment. ESA / University of Szeged / DLR, 13–17 June
2011, Szeged, Hungary.
Ussyshkin, V., 2011. “Enhanced discrete return technology for 3D vegetation mapping.” 13 June 2011,
SPIE Newsroom. DOI: 10.1117/2.1201105.003734
Module 2.8 – Progrès technologiques : présentation générale et état des lieux
Matériels de formation à REDD+ mis au point par GOFC-GOLD, Université de Wageningen, FCPF de la Banque mondiale68
Vauhkonen, J., M. Maltamo, R. E. McRoberts, and E. Næsset. 2014. “Introduction to forest applications
of airborne laser scanning.” In M. Maltamo, E. Næsset, and J. Vauhkonen, eds., Forestry Applications of
Airborne Laser Scanning. Berlin: Springer.
Wulder, M. A., J. C. White, R. F. Nelson, E. Næsset, H. O. Ørka, C. Coops, and T. Gobakken. 2012. “Lidar
Sampling for Large-Area Forest Characterization: A Review.” Remote Sensing of Environment 121: 196–
209. doi:10.1016/j.rse.2012.02.001.