Qu'est-ce que la biomasse terrestre ?<\/h2>\n
La biomasse terrestre (la masse s\u00e8che totale de toute mati\u00e8re organique dans une zone d\u00e9finie) est mesur\u00e9e en unit\u00e9s m\u00e9triques telles que\u00a0: tonnes par hectare (t\/ha)<\/strong> ou m\u00e9gagrammes par hectare (Mg\/ha)<\/strong>, o\u00f9 1 Mg \u00e9quivaut \u00e0 1 tonne m\u00e9trique. Cela repr\u00e9sente le produit accumul\u00e9 de la photosynth\u00e8se \u2014 le carbone que les plantes, les arbres et autres organismes ont captur\u00e9 dans l'atmosph\u00e8re et fix\u00e9 dans la mati\u00e8re physique.<\/p>\n Il s'agit de l'un des indicateurs les plus puissants de la sant\u00e9 des \u00e9cosyst\u00e8mes, du stockage du carbone et de la productivit\u00e9 des cultures ; pourtant, les m\u00e9thodes de mesure traditionnelles au sol sont depuis longtemps trop lentes, co\u00fbteuses et spatialement limit\u00e9es pour r\u00e9pondre aux besoins de la gestion moderne des terres.<\/p>\n Les scientifiques divisent la biomasse en deux grandes cat\u00e9gories. La biomasse a\u00e9rienne (BA) comprend tout ce qui pousse au-dessus de la surface du sol\u00a0: tiges, troncs, branches, feuilles et bois mort sur pied. La biomasse souterraine (BS) comprend les syst\u00e8mes racinaires et autres mati\u00e8res organiques du sous-sol. Dans la plupart des \u00e9cosyst\u00e8mes forestiers, la BS repr\u00e9sente environ\u2026 20\u201330% de biomasse totale<\/strong>, et sa mesure reste bien plus difficile que l'estimation de la biomasse a\u00e9rienne.<\/p>\n La biomasse est \u00e9galement class\u00e9e en biomasse vivante (mati\u00e8re v\u00e9g\u00e9tale en croissance active et m\u00e9taboliquement active) et en biomasse morte (bois mort sur pied ou au sol, liti\u00e8re s\u00e8che). Ces deux types stockent du carbone et contribuent au stock total de carbone d'un paysage, mais ils r\u00e9agissent diff\u00e9remment aux incendies, aux maladies et aux interventions de gestion.<\/p>\n En tant qu'indicateur environnemental, la biomasse occupe une place particuli\u00e8rement importante. Des valeurs \u00e9lev\u00e9es de biomasse t\u00e9moignent d'\u00e9cosyst\u00e8mes productifs et sains, dot\u00e9s d'un fort potentiel de s\u00e9questration du carbone. Une diminution de la biomasse r\u00e9v\u00e8le la d\u00e9forestation, le stress hydrique, la d\u00e9gradation des sols ou la surexploitation. Pour les agriculteurs, la biomasse a\u00e9rienne est directement corr\u00e9l\u00e9e au potentiel de rendement c\u00e9r\u00e9alier, ce qui en fait l'un des indicateurs les plus pertinents en agriculture de pr\u00e9cision.<\/p>\n <\/p>\n L'estimation traditionnelle de la biomasse repose sur des mesures de terrain\u00a0: les chercheurs pr\u00e9l\u00e8vent des \u00e9chantillons sur des parcelles, s\u00e8chent la mati\u00e8re v\u00e9g\u00e9tale \u00e0 l'\u00e9tuve et la p\u00e8sent afin de d\u00e9terminer la masse s\u00e8che par unit\u00e9 de surface. Ce proc\u00e9d\u00e9 destructif et laborieux fonctionne \u00e0 l'\u00e9chelle de la parcelle, mais devient totalement impraticable lorsqu'il s'agit d'obtenir des donn\u00e9es de biomasse pour une for\u00eat nationale, un bassin hydrographique ou une zone agricole continentale. Principales limites des relev\u00e9s de terrain<\/p>\n 1. La couverture spatiale est fortement restreinte.<\/strong> Une \u00e9quipe de terrain peut mesurer la biomasse de mani\u00e8re r\u00e9aliste sur quelques dizaines de parcelles par saison. Un satellite couvre des millions d'hectares en un seul passage, rendant impossible la surveillance \u00e0 l'\u00e9chelle du paysage sans t\u00e9l\u00e9d\u00e9tection.<\/p>\n 2. Les enqu\u00eates de terrain sont co\u00fbteuses et lentes.<\/strong> Le d\u00e9ploiement de personnel form\u00e9 dans des for\u00eats recul\u00e9es ou sur de vastes \u00e9tendues agricoles n\u00e9cessite des budgets importants, une coordination logistique et du temps \u2013 autant d\u2019\u00e9l\u00e9ments qui s\u2019adaptent mal \u00e0 mesure que les zones d\u2019\u00e9tude s\u2019agrandissent.<\/p>\n 3. L\u2019\u00e9chantillonnage destructif endommage l\u2019\u00e9cosyst\u00e8me.<\/strong> La r\u00e9colte des parcelles pour peser la biomasse d\u00e9truit la v\u00e9g\u00e9tation m\u00eame \u00e9tudi\u00e9e, ce qui est incompatible avec les programmes de suivi \u00e0 long terme qui n\u00e9cessitent des mesures r\u00e9p\u00e9t\u00e9es au m\u00eame endroit.<\/p>\n 4. La fr\u00e9quence temporelle est trop basse.<\/strong> Les \u00e9quipes de terrain effectuent g\u00e9n\u00e9ralement au mieux une inspection par an d'un site. Les satellites, quant \u00e0 eux, peuvent revisiter le m\u00eame lieu tous les quelques jours, permettant ainsi un suivi continu des variations saisonni\u00e8res de la biomasse et une intervention rapide en cas d'\u00e9v\u00e9nements tels qu'un incendie ou une s\u00e9cheresse.<\/p>\n La t\u00e9l\u00e9d\u00e9tection permet de surmonter simultan\u00e9ment toutes ces limitations. Une seule image satellite Sentinel-2 couvre 290 km\u00b2 par sc\u00e8ne<\/strong> \u00e0 r\u00e9solution spatiale de 10 m\u00e8tres<\/strong>, fournissant des donn\u00e9es de v\u00e9g\u00e9tation reproductibles et exhaustives sans surco\u00fbt par hectare suppl\u00e9mentaire. Les applications qui d\u00e9pendent de donn\u00e9es pr\u00e9cises sur la biomasse terrestre sont nombreuses\u00a0:<\/p>\n <\/p>\n Tout syst\u00e8me de t\u00e9l\u00e9d\u00e9tection \u2013 qu\u2019il s\u2019agisse de satellites optiques, de radars ou de lasers \u2013 recueille des informations sur la v\u00e9g\u00e9tation en mesurant l\u2019interaction de l\u2019\u00e9nergie \u00e9lectromagn\u00e9tique avec la mati\u00e8re v\u00e9g\u00e9tale. Comprendre cette interaction est essentiel pour comprendre pourquoi la t\u00e9l\u00e9d\u00e9tection permet d\u2019estimer la biomasse.<\/p>\n Les plantes r\u00e9fl\u00e9chissent, absorbent et transmettent le rayonnement \u00e9lectromagn\u00e9tique diff\u00e9remment selon leur composition chimique interne, leur teneur en eau, la structure de leurs feuilles et l'architecture de leur canop\u00e9e. La chlorophylle (le pigment vert qui permet la photosynth\u00e8se) absorbe fortement les longueurs d'onde rouges et bleues tout en r\u00e9fl\u00e9chissant l'\u00e9nergie verte et proche infrarouge.<\/p>\n Une v\u00e9g\u00e9tation dense et saine pr\u00e9sente donc un spectre caract\u00e9ristique\u00a0: une faible r\u00e9flectance dans le rouge et une forte r\u00e9flectance dans le proche infrarouge. Ce spectre, appel\u00e9 signature spectrale, est mesurable depuis l\u2019espace, et son intensit\u00e9 est corr\u00e9l\u00e9e \u00e0 la quantit\u00e9 de mati\u00e8re v\u00e9g\u00e9tale par unit\u00e9 de surface.<\/p>\n Les capteurs capturent la signature spectrale et calculent des indices de v\u00e9g\u00e9tation (des rapports math\u00e9matiques qui quantifient l'intensit\u00e9 du signal de la v\u00e9g\u00e9tation dans une image donn\u00e9e). Ces indices sont ensuite associ\u00e9s \u00e0 la biomasse gr\u00e2ce \u00e0 des mod\u00e8les statistiques ou d'apprentissage automatique, calibr\u00e9s \u00e0 l'aide de mesures de biomasse collect\u00e9es sur le terrain. On obtient ainsi une carte de biomasse spatialement continue\u00a0: chaque pixel de l'image se voit attribuer une valeur de biomasse estim\u00e9e.<\/p>\n Le processus de traitement des donn\u00e9es suit une s\u00e9quence pr\u00e9cise. Les donn\u00e9es satellitaires brutes, pr\u00e9sentant des distorsions g\u00e9om\u00e9triques et des interf\u00e9rences atmosph\u00e9riques, sont re\u00e7ues. Le pr\u00e9traitement corrige ces erreurs. Les indices de v\u00e9g\u00e9tation sont calcul\u00e9s \u00e0 partir des images corrig\u00e9es. Des \u00e9chantillons de biomasse mesur\u00e9s sur le terrain servent de r\u00e9f\u00e9rence pour le calibrage du mod\u00e8le. Le mod\u00e8le valid\u00e9 est ensuite appliqu\u00e9 \u00e0 l'ensemble de l'image afin de produire une carte de biomasse finale.<\/p>\n Outre la r\u00e9flectance spectrale, d'autres signaux physiques fournissent des informations sur la biomasse. La hauteur de la canop\u00e9e (la hauteur de la v\u00e9g\u00e9tation) est un indicateur fiable de la biomasse a\u00e9rienne. La densit\u00e9 v\u00e9g\u00e9tale (nombre de tiges par hectare) d\u00e9termine la quantit\u00e9 de lumi\u00e8re intercept\u00e9e. La rugosit\u00e9 de surface (d\u00e9tect\u00e9e par radar) refl\u00e8te la complexit\u00e9 structurelle de la canop\u00e9e. Les capteurs qui mesurent ces propri\u00e9t\u00e9s structurelles, et non la seule r\u00e9flectance, offrent souvent une meilleure pr\u00e9cision dans l'estimation de la biomasse.<\/p>\n <\/p>\n Aucun capteur ne permet \u00e0 lui seul d'estimer la biomasse dans tous les \u00e9cosyst\u00e8mes et \u00e0 toutes les \u00e9chelles. Les scientifiques et les praticiens combinent plusieurs types de capteurs en fonction de la v\u00e9g\u00e9tation cibl\u00e9e, du budget, de la pr\u00e9cision requise et de la couverture g\u00e9ographique.<\/p>\n Les cartes de biomasse les plus pr\u00e9cises aujourd'hui ne sont pas construites \u00e0 partir d'un seul capteur, mais gr\u00e2ce \u00e0 la fusion intelligente de donn\u00e9es optiques, radar et LiDAR \u2014 chacune comblant les lacunes des autres.<\/p>\n Les capteurs optiques captent la lumi\u00e8re solaire r\u00e9fl\u00e9chie dans des bandes spectrales distinctes, couvrant g\u00e9n\u00e9ralement les longueurs d'onde visibles (bleu, vert, rouge) et le proche infrarouge (NIR). L'imagerie multispectrale (donn\u00e9es issues de 4 \u00e0 10 bandes spectrales) constitue la base de la plupart des programmes op\u00e9rationnels de cartographie de la biomasse \u00e0 travers le monde, notamment gr\u00e2ce aux flux de donn\u00e9es gratuits et continus des missions Sentinel-2 et Landsat.<\/p>\n L'imagerie hyperspectrale (donn\u00e9es issues de centaines de bandes spectrales \u00e9troites et contigu\u00ebs) offre une r\u00e9solution spectrale bien plus fine. Elle permet de distinguer les pigments v\u00e9g\u00e9taux, la teneur en eau et la composition chimique des feuilles \u00e0 un niveau inaccessible aux capteurs multispectraux.<\/p>\n Cela la rend particuli\u00e8rement utile pour d\u00e9tecter de subtiles diff\u00e9rences de densit\u00e9 de biomasse entre les prairies et les champs cultiv\u00e9s. La principale limite de l'imagerie hyperspectrale est la couverture nuageuse\u00a0: les capteurs optiques ne peuvent pas voir \u00e0 travers les nuages, ce qui entra\u00eene d'importantes lacunes dans les donn\u00e9es, notamment dans les r\u00e9gions tropicales humides o\u00f9 l'estimation de la biomasse est cruciale.<\/p>\n Les satellites couramment utilis\u00e9s pour la cartographie optique de la biomasse comprennent Landsat 8\/9 (r\u00e9solution de 30 m\u00e8tres, revisite tous les 16 jours), Sentinel-2 (r\u00e9solution de 10 m\u00e8tres, revisite tous les 5 jours) et PlanetScope (r\u00e9solution de 3 m\u00e8tres, revisite quotidienne pour les applications commerciales).<\/p>\n Le radar \u00e0 synth\u00e8se d'ouverture (SAR), un syst\u00e8me qui \u00e9met des impulsions micro-ondes et mesure l'\u00e9nergie r\u00e9fl\u00e9chie par la surface terrestre, r\u00e9sout enti\u00e8rement le probl\u00e8me de la couverture nuageuse. L'\u00e9nergie micro-ondes traverse les nuages et la brume sans interf\u00e9rence, faisant du SAR le capteur de choix pour la surveillance des for\u00eats tropicales o\u00f9 une couverture nuageuse persistante rend l'imagerie optique quasiment inutilisable.<\/p>\n Les signaux SAR p\u00e9n\u00e8trent \u00e9galement dans la canop\u00e9e, interagissant avec les tiges et les branches ligneuses et non seulement avec la surface des feuilles. Plus la longueur d'onde du radar est grande, plus le signal p\u00e9n\u00e8tre profond\u00e9ment. Le SAR en bande L (longueur d'onde d'environ 23 cm, utilis\u00e9 par ALOS-2 et PALSAR-2) p\u00e9n\u00e8tre dans la partie inf\u00e9rieure de la canop\u00e9e et interagit avec la biomasse ligneuse importante, ce qui le rend particuli\u00e8rement adapt\u00e9 \u00e0 l'estimation de la biomasse a\u00e9rienne des for\u00eats tropicales.<\/p>\n Le SAR en bande C (longueur d'onde d'environ 5 cm, utilis\u00e9 par Sentinel-1) est plus sensible \u00e0 la structure de la canop\u00e9e de surface et est largement utilis\u00e9 pour la surveillance de la biomasse des cultures.<\/p>\n Des recherches publi\u00e9es dans le Journal de recherche foresti\u00e8re<\/em> (Springer Nature, 2021) ont constat\u00e9 que les donn\u00e9es SAR en bande L d'ALOS-2 et en bande C de Sentinel-1 permettaient des estimations satisfaisantes des stocks de carbone, les stocks totaux de carbone dans la zone d'\u00e9tude de la for\u00eat m\u00e9diterran\u00e9enne atteignant environ 130 t\/ha<\/strong> sur l'ensemble des zones a\u00e9riennes, souterraines, du bois mort, de la liti\u00e8re et des flaques de sol.<\/p>\n Le LiDAR (Light Detection and Ranging) \u00e9met des impulsions laser et mesure avec pr\u00e9cision le temps qu'elles mettent \u00e0 revenir de la surface cible. Cette mesure temporelle est directement convertie en nuages de points tridimensionnels (cartes denses indiquant pr\u00e9cis\u00e9ment l'emplacement de chaque r\u00e9flexion d'une impulsion laser) qui r\u00e9v\u00e8lent la hauteur et la structure de la canop\u00e9e, ainsi que l'altitude du sol, avec une pr\u00e9cision centim\u00e9trique.<\/p>\n La hauteur des arbres est l'un des meilleurs indicateurs de la biomasse a\u00e9rienne\u00a0: les arbres les plus hauts pr\u00e9sentent une biomasse exponentiellement sup\u00e9rieure \u00e0 celle des arbres plus petits. Les mod\u00e8les de hauteur d\u00e9riv\u00e9s de donn\u00e9es LiDAR, combin\u00e9s \u00e0 des \u00e9quations allom\u00e9triques mesur\u00e9es sur le terrain (relations math\u00e9matiques sp\u00e9cifiques \u00e0 chaque esp\u00e8ce entre la hauteur, le diam\u00e8tre et la masse des arbres), produisent des estimations de biomasse syst\u00e9matiquement plus performantes que les m\u00e9thodes optiques ou radar en milieu forestier.<\/p>\n Frontiers in Plant Science a constat\u00e9 qu'un mod\u00e8le de for\u00eat al\u00e9atoire int\u00e9grant les empreintes LiDAR spatiales GEDI estimait la biomasse d'\u00e9pinettes et de sapins allant de 51,33 t\/hm\u00b2 \u00e0 179,83 t\/hm\u00b2<\/strong>, avec une moyenne de 101,98 t\/hm\u00b2<\/strong>, dans un \u00e9cosyst\u00e8me alpin de Shangri-La en Chine.<\/p>\n Ceci d\u00e9montre comment le LiDAR spatial, combin\u00e9 \u00e0 l'apprentissage automatique, peut fournir des valeurs de densit\u00e9 de biomasse op\u00e9rationnellement utiles dans des \u00e9cosyst\u00e8mes montagneux isol\u00e9s, sans acc\u00e8s \u00e0 une \u00e9quipe sur le terrain.<\/p>\n<\/div>\n La mission GEDI (Global Ecosystem Dynamics Investigation) de la NASA, qui utilise un instrument LiDAR \u00e0 faisceaux multiples install\u00e9 \u00e0 bord de la Station spatiale internationale, est le premier syst\u00e8me LiDAR spatial con\u00e7u sp\u00e9cifiquement pour l'estimation de la biomasse mondiale. GEDI collecte des donn\u00e9es entre 51,6\u00b0N et 51,6\u00b0S de latitude, couvrant les principales zones foresti\u00e8res tropicales et temp\u00e9r\u00e9es du globe.<\/p>\n Les v\u00e9hicules a\u00e9riens sans pilote (UAV), commun\u00e9ment appel\u00e9s drones, comblent le foss\u00e9 entre les mesures satellitaires et les mesures de terrain. Un drone \u00e9quip\u00e9 de cam\u00e9ras RVB capture des images \u00e0 r\u00e9solution centim\u00e9trique qui permettent de distinguer les plantes individuellement.<\/p>\n Les capteurs multispectraux des drones calculent des indices de v\u00e9g\u00e9tation pr\u00e9cis \u00e0 l'\u00e9chelle de la parcelle. Les drones \u00e9quip\u00e9s de LiDAR g\u00e9n\u00e8rent des nuages de points denses qui permettent d'estimer la biomasse avec la pr\u00e9cision structurelle du LiDAR a\u00e9roport\u00e9, \u00e0 un co\u00fbt bien moindre.<\/p>\n Pour les agriculteurs, la cartographie de la biomasse par drone est particuli\u00e8rement pratique. Un simple survol d'un champ de bl\u00e9 ou de ma\u00efs en phase de croissance v\u00e9g\u00e9tative permet d'obtenir une carte de densit\u00e9 de biomasse qui rep\u00e8re les zones limitant le rendement\u00a0: des zones \u00e0 faible biomasse qui peuvent n\u00e9cessiter un apport d'engrais ou une irrigation suppl\u00e9mentaire avant que les d\u00e9g\u00e2ts ne deviennent irr\u00e9versibles.<\/p>\n <\/p>\n Les indices de v\u00e9g\u00e9tation constituent le lien math\u00e9matique entre les valeurs brutes de r\u00e9flectance spectrale et les informations biologiques relatives \u00e0 la densit\u00e9 et \u00e0 la sant\u00e9 des plantes. Chaque indice exploite une partie sp\u00e9cifique du spectre \u00e9lectromagn\u00e9tique o\u00f9 la v\u00e9g\u00e9tation pr\u00e9sente un comportement particulier.<\/p>\n L'indice NDVI (Normalized Difference Vegetation Index) est le plus couramment utilis\u00e9. Il se calcule en divisant la diff\u00e9rence entre la r\u00e9flectance dans le proche infrarouge (NIR) et celle dans le rouge par leur somme\u00a0: NDVI = (NIR \u2013 Rouge) \/ (NIR + Rouge). Ses valeurs varient de -1 \u00e0 +1, une v\u00e9g\u00e9tation dense et saine pr\u00e9sentant g\u00e9n\u00e9ralement un NDVI compris entre 0,6 et 0,9.<\/p>\n L'indice NDVI est fortement corr\u00e9l\u00e9 \u00e0 l'indice de surface foliaire (LAI \u2014 la surface foliaire totale unilat\u00e9rale par unit\u00e9 de surface au sol) et donc \u00e0 la capacit\u00e9 photosynth\u00e9tique et \u00e0 l'accumulation de biomasse.<\/p>\n L'indice de surface foliaire (ISF) m\u00e9rite une attention particuli\u00e8re car il r\u00e9sulte \u00e0 la fois de l'acquisition de donn\u00e9es de t\u00e9l\u00e9d\u00e9tection et influence directement l'accumulation de biomasse. Les plantes pr\u00e9sentant un ISF \u00e9lev\u00e9 interceptent davantage de rayonnement solaire, fixent plus de carbone et produisent plus de biomasse. Les cartes d'ISF issues de la t\u00e9l\u00e9d\u00e9tection, g\u00e9n\u00e9r\u00e9es \u00e0 partir des s\u00e9ries temporelles MODIS ou Sentinel-2, alimentent directement les mod\u00e8les de croissance des cultures qui simulent la formation du rendement et la biomasse finale r\u00e9coltable.<\/p>\n <\/p>\n Le choix de la source de donn\u00e9es appropri\u00e9e d\u00e9pend de l'\u00e9chelle de l'\u00e9tude, du type de v\u00e9g\u00e9tation, de la r\u00e9solution spatiale requise et du budget disponible. Voici les principaux flux de donn\u00e9es actuellement utilis\u00e9s pour la cartographie op\u00e9rationnelle et de recherche de la biomasse. Les donn\u00e9es satellitaires gratuites et en libre acc\u00e8s des constellations Landsat et Sentinel ont d\u00e9mocratis\u00e9 la cartographie de la biomasse, la rendant accessible aux chercheurs et aux organismes ne disposant pas des budgets n\u00e9cessaires pour acqu\u00e9rir des images commerciales.<\/p>\n i. Landsat (NASA\/USGS) :<\/strong> Plus de 50 ans de donn\u00e9es continues, r\u00e9solution de 30 m\u00e8tres, acc\u00e8s libre. Les s\u00e9ries temporelles Landsat permettent une analyse historique de l'\u00e9volution de la biomasse depuis les ann\u00e9es 1970, offrant un contexte in\u00e9gal\u00e9 pour le suivi de la d\u00e9forestation et de la d\u00e9gradation des sols.<\/p>\n ii. Sentinel-2 (ESA) :<\/strong> R\u00e9solution de 10 m\u00e8tres dans les principales bandes spectrales, revisite tous les 5 jours, acc\u00e8s gratuit. Gr\u00e2ce \u00e0 sa r\u00e9solution et \u00e0 sa combinaison de fr\u00e9quences, Sentinel-2 est actuellement la r\u00e9f\u00e9rence pour le suivi de la biomasse des cultures et les \u00e9valuations foresti\u00e8res r\u00e9gionales.<\/p>\n iii. Sentinel-1 (ESA) :<\/strong> Radar \u00e0 synth\u00e8se d'ouverture (SAR) en bande C, op\u00e9rationnel par tous les temps, en acc\u00e8s libre. Sentinel-1 est la principale source radar pour la surveillance des zones tropicales affect\u00e9es par la couverture nuageuse et l'estimation de la biomasse agricole dans les r\u00e9gions o\u00f9 les lacunes en donn\u00e9es optiques constituent un probl\u00e8me persistant.<\/p>\n iv. MODIS (NASA) :<\/strong> R\u00e9solution de 250 m \u00e0 1 km, couverture mondiale quotidienne. Les s\u00e9ries temporelles MODIS sont id\u00e9ales pour la d\u00e9tection des changements de biomasse \u00e0 l'\u00e9chelle continentale et la surveillance saisonni\u00e8re, bien que leur faible r\u00e9solution limite leur utilit\u00e9 dans les paysages fragment\u00e9s.<\/p>\n v. PlanetScope :<\/strong> R\u00e9solution de 3 m\u00e8tres, revisite quotidienne, abonnement commercial. PlanetScope assure le suivi de la biomasse \u00e0 l'\u00e9chelle de la parcelle, facilitant ainsi les applications d'agriculture de pr\u00e9cision o\u00f9 la variabilit\u00e9 spatiale \u00e0 l'\u00e9chelle de la sous-parcelle est cruciale.<\/p>\n vi. LiDAR GEDI de la NASA\u00a0:<\/strong> Avec un diam\u00e8tre d'empreinte de 25 m\u00e8tres, une couverture mondiale des zones tropicales et temp\u00e9r\u00e9es et des donn\u00e9es gratuites, GEDI est la principale source spatiale de donn\u00e9es sur la hauteur de la canop\u00e9e et la densit\u00e9 de biomasse a\u00e9rienne \u00e0 l'\u00e9chelle mondiale.<\/p>\n vii. ICESat-2 (NASA) :<\/strong> LiDAR \u00e0 comptage de photons avec couverture mondiale, particuli\u00e8rement performant pour mesurer la hauteur de la canop\u00e9e dans les for\u00eats de haute latitude et d\u00e9tecter les variations de hauteur \u00e0 fine \u00e9chelle.<\/p>\n <\/p>\n L'estimation de la biomasse terrestre \u00e0 partir de donn\u00e9es de t\u00e9l\u00e9d\u00e9tection suit un processus structur\u00e9. Chaque \u00e9tape d\u00e9pend de la pr\u00e9cision de la pr\u00e9c\u00e9dente. N\u00e9gliger le pr\u00e9traitement ou la validation sur le terrain entra\u00eene des erreurs en cascade dans la carte de biomasse finale.<\/p>\n i. S\u00e9lectionner les images appropri\u00e9es\u00a0:<\/strong> Choisissez le capteur, la r\u00e9solution spatiale et la p\u00e9riode d'observation en fonction de l'\u00e9cosyst\u00e8me cible et de l'objectif de votre \u00e9tude. Le suivi de la biomasse foresti\u00e8re n\u00e9cessite g\u00e9n\u00e9ralement des donn\u00e9es Sentinel-1 ou GEDI\u00a0; le suivi de la biomasse des cultures utilise couramment Sentinel-2 ou des images multispectrales de drones.<\/p>\n ii. Pr\u00e9traitement des images\u00a0:<\/strong> Appliquez une correction atmosph\u00e9rique pour convertir les valeurs num\u00e9riques brutes en valeurs de r\u00e9flectance de surface. Effectuez une correction g\u00e9om\u00e9trique pour garantir un alignement pr\u00e9cis de l'image avec les coordonn\u00e9es r\u00e9elles. Supprimez les pixels contamin\u00e9s par les nuages et remplacez-les par composition temporelle si n\u00e9cessaire.<\/p>\n iii. Calculer les indices de v\u00e9g\u00e9tation\u00a0:<\/strong> Calculer l'indice NDVI, EVI, SAVI, GNDVI ou tout autre indice pertinent \u00e0 partir des bandes de r\u00e9flectance de surface corrig\u00e9es. Pour les donn\u00e9es LiDAR, extraire les param\u00e8tres de hauteur de la canop\u00e9e (hauteur maximale, hauteur au 95e percentile, hauteur moyenne) \u00e0 partir du nuage de points.<\/p>\n iv. Collecter des \u00e9chantillons de biomasse sur le terrain\u00a0:<\/strong> Mesurer la biomasse a\u00e9rienne dans des parcelles repr\u00e9sentatives de la zone d'\u00e9tude par r\u00e9colte destructive ou \u00e0 l'aide d'\u00e9quations allom\u00e9triques appliqu\u00e9es aux mesures du diam\u00e8tre et de la hauteur des arbres. Ces valeurs de terrain constituent la r\u00e9f\u00e9rence pour le mod\u00e8le.<\/p>\n v. \u00c9laborer des mod\u00e8les de pr\u00e9diction\u00a0:<\/strong> Effectuez une r\u00e9gression des mesures de biomasse de terrain en fonction des variables de t\u00e9l\u00e9d\u00e9tection associ\u00e9es (indices de v\u00e9g\u00e9tation, hauteur de la canop\u00e9e, valeurs de r\u00e9trodiffusion SAR). Utilisez une analyse de r\u00e9gression, une for\u00eat al\u00e9atoire, une machine \u00e0 vecteurs de support ou un r\u00e9seau de neurones selon la complexit\u00e9 de la relation et la quantit\u00e9 de donn\u00e9es d'apprentissage disponibles.<\/p>\n vi. Valider les r\u00e9sultats du mod\u00e8le\u00a0:<\/strong> Utilisez un jeu de donn\u00e9es de validation ind\u00e9pendant (parcelles non utilis\u00e9es pour l'entra\u00eenement du mod\u00e8le) afin d'\u00e9valuer la pr\u00e9cision des pr\u00e9dictions. Indiquez l'erreur quadratique moyenne (RMSE), le coefficient de d\u00e9termination (R\u00b2) et le biais. Affinez le mod\u00e8le si sa pr\u00e9cision est insuffisante.<\/p>\n vii. G\u00e9n\u00e9rer des cartes de biomasse\u00a0:<\/strong> Appliquez le mod\u00e8le valid\u00e9 \u00e0 l'ensemble de l'image, produisant une carte de densit\u00e9 de biomasse spatialement continue o\u00f9 chaque pixel contient une valeur de biomasse pr\u00e9dite en Mg\/ha ou t\/ha.<\/p>\n L'International Journal of Remote Sensing, publi\u00e9 en f\u00e9vrier 2024, a constat\u00e9 que la combinaison des empreintes LiDAR GEDI avec des donn\u00e9es optiques et radar en libre acc\u00e8s (Sentinel-1\/2) produisait des cartes de densit\u00e9 de biomasse a\u00e9rienne spatialement continues des for\u00eats indiennes, la configuration optimale du mod\u00e8le r\u00e9duisant consid\u00e9rablement l'incertitude de pr\u00e9diction par rapport aux approches \u00e0 source unique.<\/p>\n Pour les praticiens, cela confirme que l'int\u00e9gration de plusieurs flux de donn\u00e9es \u2014 plut\u00f4t que de s'appuyer sur un seul capteur \u2014 am\u00e9liore syst\u00e9matiquement la fiabilit\u00e9 des cartes op\u00e9rationnelles de biomasse.<\/p>\n<\/div>\n <\/p>\n Le choix du mod\u00e8le influence consid\u00e9rablement la pr\u00e9cision et la g\u00e9n\u00e9ralisabilit\u00e9 d'un syst\u00e8me d'estimation de la biomasse. Les mod\u00e8les simples sont plus transparents et leur applicabilit\u00e9 \u00e0 de nouveaux sites est plus fiable. Les mod\u00e8les d'apprentissage automatique complexes, bien qu'utiles pour obtenir une plus grande pr\u00e9cision \u00e0 partir de vastes ensembles de donn\u00e9es d'entra\u00eenement, peuvent \u00eatre suradapt\u00e9s aux conditions locales.<\/p>\n Les mod\u00e8les de r\u00e9gression empiriques \u00e9tablissent une relation math\u00e9matique directe entre la biomasse des cultures et les variables de t\u00e9l\u00e9d\u00e9tection\u00a0; par exemple, une r\u00e9gression lin\u00e9aire entre l\u2019indice NDVI et le rendement en mati\u00e8re s\u00e8che des cultures. Ces mod\u00e8les sont faciles \u00e0 interpr\u00e9ter et rapides \u00e0 calculer, mais leurs performances sont m\u00e9diocres lorsque la relation spectrale-biomasse est non lin\u00e9aire ou lorsque les valeurs de biomasse couvrent une tr\u00e8s large gamme.<\/p>\n Les m\u00e9thodes d'apprentissage automatique surmontent ces limitations en apprenant des relations complexes et non lin\u00e9aires \u00e0 partir des donn\u00e9es. La for\u00eat al\u00e9atoire (un ensemble d'arbres de d\u00e9cision qui effectue une moyenne des pr\u00e9dictions de centaines d'arbres individuels) est actuellement l'algorithme le plus utilis\u00e9 pour l'estimation de la biomasse en foresterie et en agriculture.<\/p>\n Une \u00e9tude publi\u00e9e dans Fronti\u00e8res de la science v\u00e9g\u00e9tale<\/em> (d\u00e9cembre 2024) a d\u00e9montr\u00e9 que la m\u00e9thode Random Forest appliqu\u00e9e aux donn\u00e9es GEDI et aux donn\u00e9es de t\u00e9l\u00e9d\u00e9tection multi-sources produisait des estimations de biomasse foresti\u00e8re d'\u00e9pinettes et de sapins avec un R\u00b2 sensiblement sup\u00e9rieur aux approches de r\u00e9gression \u00e0 capteur unique.<\/p>\n <\/p>\n M\u00eame la meilleure combinaison de capteurs et de mod\u00e8les produit des cartes de biomasse peu fiables lorsque la qualit\u00e9 des donn\u00e9es sous-jacentes est m\u00e9diocre ou lorsque l'environnement physique introduit des sources de bruit. Il est donc essentiel pour toute personne concevant un programme de cartographie de la biomasse de comprendre ces facteurs limitant la pr\u00e9cision.<\/p>\n 1. Saturation du signal en for\u00eat dense\u00a0:<\/strong> Dans les for\u00eats tropicales \u00e0 forte biomasse, les signaux optiques et SAR en bande C atteignent un seuil de saturation\u00a0: ils cessent d\u2019augmenter malgr\u00e9 la croissance continue de la biomasse. L\u2019indice NDVI atteint un seuil de saturation pour des valeurs de biomasse a\u00e9rienne sup\u00e9rieures \u00e0 environ [valeur manquante]. 150\u2013200 Mg\/ha<\/strong>, Ce qui le rend peu fiable dans les for\u00eats tropicales anciennes o\u00f9 la biomasse peut atteindre 400 \u00e0 600 Mg\/ha. Les technologies SAR en bande L et LiDAR atteignent la saturation \u00e0 des niveaux de biomasse beaucoup plus \u00e9lev\u00e9s et sont donc pr\u00e9f\u00e9rables dans ces environnements.<\/p>\n 2. Variation saisonni\u00e8re :<\/strong> La r\u00e9flectance de la v\u00e9g\u00e9tation varie consid\u00e9rablement selon les saisons. L'indice NDVI d'un champ de bl\u00e9 en avril refl\u00e8te un \u00e9tat de biomasse fondamentalement diff\u00e9rent de celui du m\u00eame champ en ao\u00fbt. Les mod\u00e8les doivent tenir compte de cette dynamique saisonni\u00e8re ou \u00eatre calibr\u00e9s s\u00e9par\u00e9ment pour chaque stade ph\u00e9nologique.<\/p>\n 3. Interf\u00e9rence due \u00e0 la couverture nuageuse\u00a0:<\/strong> Les capteurs optiques perdent des donn\u00e9es en pr\u00e9sence de nuages. Dans les r\u00e9gions tropicales humides, la pr\u00e9sence de nuages peut affecter plus de 70% d'acquisitions d'images<\/strong> au cours d'une ann\u00e9e donn\u00e9e, n\u00e9cessitant des alternatives radar ou LiDAR ou des strat\u00e9gies de composition pluriannuelles.<\/p>\n 4. Pixels mixtes\u00a0:<\/strong> \u00c0 des r\u00e9solutions spatiales moyennes (30 \u00e0 250 m), un pixel d'image unique contient souvent un m\u00e9lange de cultures, de sol nu et d'eau. Le signal spectral refl\u00e8te la moyenne de toutes ces surfaces, ce qui dilue le signal de la v\u00e9g\u00e9tation et introduit une erreur syst\u00e9matique dans les pr\u00e9dictions de biomasse.<\/p>\n 5. Effets du terrain :<\/strong> Le relief accident\u00e9 modifie la g\u00e9om\u00e9trie de l'\u00e9clairage solaire et l'angle de vis\u00e9e du capteur, ce qui alt\u00e8re les valeurs de r\u00e9flectance enregistr\u00e9es. Une correction topographique est donc indispensable en zone montagneuse pour toute application fiable d'un mod\u00e8le de biomasse.<\/p>\n Une \u00e9tude a r\u00e9v\u00e9l\u00e9 que le produit GEDI L4A de densit\u00e9 de biomasse a\u00e9rienne pr\u00e9sentait des biais allant de -54,24 \u00e0 +106,23 Mg\/ha<\/strong> dans diff\u00e9rents types de for\u00eats au Laos, par rapport aux donn\u00e9es de r\u00e9f\u00e9rence de l'Inventaire forestier national.<\/p>\n Cela confirme que m\u00eame les produits LiDAR spatiaux valid\u00e9s \u00e0 l'\u00e9chelle mondiale n\u00e9cessitent un recalibrage local pour fournir des estimations de biomasse op\u00e9rationnellement acceptables dans des contextes nationaux ou r\u00e9gionaux sp\u00e9cifiques.<\/p>\n<\/div>\n <\/p>\n Les cartes de biomasse terrestre g\u00e9n\u00e9r\u00e9es \u00e0 partir de donn\u00e9es de t\u00e9l\u00e9d\u00e9tection alimentent la prise de d\u00e9cision pratique dans un \u00e9ventail remarquablement large de secteurs, allant des rapports gouvernementaux sur le climat \u00e0 la gestion individuelle des exploitations agricoles.<\/p>\n organismes de gestion foresti\u00e8re<\/strong> Utilisez des cartes de biomasse pour prioriser les parcelles de r\u00e9colte, estimer le rendement durable et documenter la conformit\u00e9 aux normes de certification. Les cartes de biomasse exhaustives remplacent les inventaires forestiers co\u00fbteux bas\u00e9s sur des pr\u00e9l\u00e8vements d'\u00e9chantillons dans les r\u00e9gions o\u00f9 l'acc\u00e8s au terrain est difficile sur le plan logistique ou prohibitif.<\/p>\n Estimation des stocks de carbone<\/strong> est l'une des applications les plus importantes sur le plan \u00e9conomique. Chaque Mg de biomasse a\u00e9rienne contient environ 0,47 Mg de carbone<\/strong> (Le facteur de conversion standard du GIEC). Des cartes de biomasse pr\u00e9cises permettent donc d'\u00e9tablir directement des inventaires de carbone v\u00e9rifi\u00e9s, qui sous-tendent les paiements REDD+ et les cr\u00e9dits carbone sur le march\u00e9 volontaire. Une carte de biomasse v\u00e9rifi\u00e9e couvrant une concession foresti\u00e8re tropicale de 500\u00a0000 hectares peut repr\u00e9senter des centaines de millions de dollars d'actifs carbone.<\/p>\n <\/p>\n La cartographie de la biomasse par t\u00e9l\u00e9d\u00e9tection offre des capacit\u00e9s qu'aucune approche terrestre ne peut \u00e9galer. Ces avantages expliquent pourquoi cette technologie est pass\u00e9e du stade exp\u00e9rimental au stade op\u00e9rationnel dans des dizaines de pays au cours de la derni\u00e8re d\u00e9cennie.<\/p>\n La mesure non destructive est sans doute son principal atout. La t\u00e9l\u00e9d\u00e9tection permet de recueillir des informations sur la v\u00e9g\u00e9tation sans la r\u00e9colter, la couper ni la perturber. Ceci autorise des mesures r\u00e9p\u00e9t\u00e9es au m\u00eame endroit, ce qui est essentiel pour d\u00e9tecter l'\u00e9volution de la biomasse au fil du temps \u2013 l'indicateur le plus important pour la comptabilisation du carbone et le suivi des \u00e9cosyst\u00e8mes.<\/p>\n <\/p>\n La cartographie de la biomasse par t\u00e9l\u00e9d\u00e9tection est un outil puissant, mais elle pr\u00e9sente de r\u00e9elles limitations techniques que les praticiens doivent comprendre avant de se fier aux r\u00e9sultats pour des d\u00e9cisions cruciales.<\/p>\n La saturation du signal dans les for\u00eats denses demeure un probl\u00e8me non r\u00e9solu pour les capteurs optiques et radar en bande C. Lorsque la canop\u00e9e se referme et que la biomasse s'accumule au-del\u00e0 d'un seuil sp\u00e9cifique au capteur, le signal spectral ou de r\u00e9trodiffusion n'augmente plus avec la biomasse.<\/p>\n Le LiDAR \u00e9vite ce probl\u00e8me car il mesure la structure physique plut\u00f4t que la r\u00e9flectance spectrale, mais la collecte de donn\u00e9es LiDAR a\u00e9roport\u00e9es reste co\u00fbteuse, et le LiDAR spatial comme GEDI fournit des empreintes \u00e9parses et non contigu\u00ebs plut\u00f4t qu'une couverture int\u00e9grale.<\/p>\n <\/p>\n Le paysage technologique de la cartographie de la biomasse terrestre \u00e9volue rapidement. Plusieurs tendances convergentes devraient am\u00e9liorer consid\u00e9rablement la pr\u00e9cision, l'accessibilit\u00e9 et l'extensibilit\u00e9 op\u00e9rationnelle de l'estimation de la biomasse au cours des cinq \u00e0 dix prochaines ann\u00e9es.<\/p>\n La cartographie de la biomasse par intelligence artificielle repr\u00e9sente l'avanc\u00e9e la plus transformatrice en cours. Les architectures d'apprentissage profond \u2014 notamment les mod\u00e8les convolutionnels et de type transformeur \u2014 traitent simultan\u00e9ment l'ensemble des informations spectrales, spatiales et temporelles des s\u00e9ries temporelles satellitaires, extrayant ainsi des signaux de biomasse que les mod\u00e8les plus simples ne peuvent d\u00e9tecter.<\/p>\n L'int\u00e9gration de l'IA et de l'apprentissage automatique dans la t\u00e9l\u00e9d\u00e9tection s'est d\u00e9velopp\u00e9e par 35% entre 2021 et 2026<\/strong>, selon Business Research Insights, remodelant fondamentalement la fa\u00e7on dont les donn\u00e9es sur la v\u00e9g\u00e9tation sont analys\u00e9es \u00e0 grande \u00e9chelle.<\/p>\n La mission BIOMASS de l'Agence spatiale europ\u00e9enne, lanc\u00e9e en 2024, embarque le premier radar \u00e0 synth\u00e8se d'ouverture (SAR) en bande P a\u00e9roport\u00e9, con\u00e7u sp\u00e9cifiquement pour la surveillance de la biomasse des for\u00eats tropicales. Les signaux en bande P (longueur d'onde d'environ 70 cm) p\u00e9n\u00e8trent profond\u00e9ment dans la canop\u00e9e foresti\u00e8re, atteignant les tiges ligneuses et les grosses branches inaccessibles aux radars \u00e0 longueur d'onde plus courte.<\/p>\n Recherche publi\u00e9e dans Rapports scientifiques<\/em> (Avril 2023) a d\u00e9montr\u00e9 que le TomoSAR en bande P (SAR tomographique \u2014 une technique qui reconstruit la structure tridimensionnelle de la for\u00eat \u00e0 partir de plusieurs passages radar) a produit des estimations prometteuses de la biomasse a\u00e9rienne dans les for\u00eats tropicales denses de Guyane fran\u00e7aise, offrant un aper\u00e7u de ce que la mission BIOMASS fournira op\u00e9rationnellement.<\/p>\n Des recherches ont montr\u00e9 que la combinaison de mod\u00e8les Random Forest avec des donn\u00e9es de t\u00e9l\u00e9d\u00e9tection multimodales provenant de Sentinel-1, Sentinel-2 et LiDAR a\u00e9roport\u00e9 permettait d'obtenir des estimations de la biomasse a\u00e9rienne dans les for\u00eats temp\u00e9r\u00e9es mixtes avec une incertitude de pr\u00e9diction nettement inf\u00e9rieure \u00e0 celle de toute approche utilisant un seul capteur, d\u00e9montrant ainsi la valeur op\u00e9rationnelle de la fusion de capteurs m\u00eame avec des donn\u00e9es satellitaires gratuites standard.<\/p>\n Pour les praticiens, cela souligne que la combinaison de sources de donn\u00e9es gratuites existantes avec des pipelines d'apprentissage automatique bien con\u00e7us offre d\u00e9j\u00e0 une capacit\u00e9 de cartographie de la biomasse de niveau recherche sans n\u00e9cessiter de nouveau mat\u00e9riel co\u00fbteux.<\/p>\n 1. Quel satellite est le plus adapt\u00e9 \u00e0 l'estimation de la biomasse ? <\/strong>Il n'existe pas de satellite id\u00e9al pour toutes les situations. Sentinel-2 est le plus utilis\u00e9 pour la cartographie des cultures et de la biomasse foresti\u00e8re \u00e0 r\u00e9solution moyenne. Le LiDAR GEDI fournit les donn\u00e9es les plus pr\u00e9cises sur la hauteur de la canop\u00e9e pour la biomasse a\u00e9rienne foresti\u00e8re. Le radar \u00e0 synth\u00e8se d'ouverture (SAR) Sentinel-1 est privil\u00e9gi\u00e9 dans les zones tropicales nuageuses. La meilleure approche op\u00e9rationnelle combine plusieurs capteurs.<\/p>\n 2. Les drones peuvent-ils estimer la biomasse avec pr\u00e9cision\u00a0?<\/strong> Oui. Les drones \u00e9quip\u00e9s de cam\u00e9ras multispectrales ou de capteurs LiDAR permettent d'estimer la biomasse des cultures et des petites for\u00eats avec une tr\u00e8s haute r\u00e9solution spatiale. Les estimations de biomasse des cultures r\u00e9alis\u00e9es par drone pr\u00e9sentent g\u00e9n\u00e9ralement des corr\u00e9lations de R\u00b2 comprises entre 0,80 et 0,95 avec les mesures de terrain, lorsque les vols sont programm\u00e9s en fonction des stades de croissance appropri\u00e9s et que les capteurs spectraux sont correctement calibr\u00e9s.<\/p>\n 3. Quelle est la pr\u00e9cision de l'estimation de la biomasse par t\u00e9l\u00e9d\u00e9tection\u00a0?<\/strong> La pr\u00e9cision varie consid\u00e9rablement selon le type de capteur, l'\u00e9cosyst\u00e8me et le mod\u00e8le utilis\u00e9. Dans les for\u00eats temp\u00e9r\u00e9es b\u00e9n\u00e9ficiant d'une bonne couverture LiDAR, les cartes de biomasse peuvent atteindre des valeurs RMSE de 20 \u00e0 40 Mg\/ha. Dans les for\u00eats tropicales denses, les approches optiques seules peuvent pr\u00e9senter des valeurs RMSE de 60 \u00e0 100 Mg\/ha en raison de la saturation du signal. Les mod\u00e8les de fusion multisenseurs surpassent syst\u00e9matiquement les approches monosenseurs.<\/p>\n 4. Pourquoi l'estimation de la biomasse est-elle importante pour le changement climatique ?<\/strong> Les for\u00eats et les paysages agricoles stockent d'\u00e9normes quantit\u00e9s de carbone dans leur biomasse. La d\u00e9forestation et la d\u00e9gradation des sols lib\u00e8rent ce carbone stock\u00e9 sous forme de CO\u2082 dans l'atmosph\u00e8re, acc\u00e9l\u00e9rant ainsi le changement climatique. Des cartes pr\u00e9cises de la biomasse sont essentielles pour v\u00e9rifier les stocks de carbone, suivre la perte de for\u00eats et quantifier l'efficacit\u00e9 des programmes de reboisement et de conservation dans le cadre d'accords climatiques internationaux tels que REDD+.<\/p>\n 5. La t\u00e9l\u00e9d\u00e9tection peut-elle estimer la biomasse souterraine ? <\/strong>La t\u00e9l\u00e9d\u00e9tection ne permet pas de mesurer directement la biomasse souterraine. Cependant, on estime g\u00e9n\u00e9ralement la biomasse souterraine (BGB) \u00e0 partir de la biomasse a\u00e9rienne (AGB) gr\u00e2ce aux coefficients du rapport racine\/partie a\u00e9rienne, obtenus par des \u00e9tudes de terrain et publi\u00e9s par des organismes comme le GIEC. Dans la plupart des \u00e9cosyst\u00e8mes forestiers, les rapports racine\/partie a\u00e9rienne sp\u00e9cifiques \u00e0 chaque esp\u00e8ce varient de 0,15 \u00e0 0,40, ce qui permet une estimation indirecte de la BGB l\u00e0 o\u00f9 des cartes de biomasse a\u00e9rienne sont disponibles.<\/p>\n <\/p>\n Le calcul de la biomasse terrestre par t\u00e9l\u00e9d\u00e9tection est pass\u00e9 d'une technique de recherche sp\u00e9cialis\u00e9e \u00e0 une capacit\u00e9 op\u00e9rationnelle ayant des implications directes pour la production alimentaire, la gestion foresti\u00e8re et les politiques climatiques. La convergence de donn\u00e9es satellitaires gratuites, de plateformes de calcul en nuage accessibles et d'outils d'apprentissage automatique de plus en plus performants a rendu la cartographie de la biomasse \u00e0 l'\u00e9chelle du paysage possible pour un nombre croissant d'organisations dans le monde.<\/p>\n Le r\u00f4le de la t\u00e9l\u00e9d\u00e9tection dans la surveillance du climat ne fera que cro\u00eetre \u00e0 mesure que les march\u00e9s du carbone se d\u00e9veloppent, que les engagements en mati\u00e8re de surveillance de la d\u00e9forestation s'intensifient et que la demande de donn\u00e9es v\u00e9rifi\u00e9es sur les stocks de carbone augmente dans l'ensemble de l'\u00e9conomie mondiale. Gr\u00e2ce \u00e0 la mission satellitaire BIOMASS d\u00e9sormais op\u00e9rationnelle, \u00e0 l'enrichissement continu de la base de donn\u00e9es mondiale de GEDI et aux mod\u00e8les d'IA qui am\u00e9liorent consid\u00e9rablement la pr\u00e9cision des estimations issues de la fusion de donn\u00e9es multisensorielles, il est d\u00e9sormais possible de savoir pr\u00e9cis\u00e9ment o\u00f9 la biomasse s'accumule, diminue ou reste stable \u00e0 la surface des terres \u00e9merg\u00e9es.<\/p>","protected":false},"excerpt":{"rendered":" Les technologies de t\u00e9l\u00e9d\u00e9tection ont fondamentalement transform\u00e9 notre fa\u00e7on de mesurer, de surveiller et de g\u00e9rer la biomasse terrestre. La biomasse terrestre calcul\u00e9e \u00e0 l'aide de la t\u00e9l\u00e9d\u00e9tection\u2026<\/p>","protected":false},"author":210157960,"featured_media":13943,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13941","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nBiomasse a\u00e9rienne (AGB) et biomasse souterraine (BGB)<\/h3>\n
Pourquoi calculer la biomasse terrestre \u00e0 l'aide de la t\u00e9l\u00e9d\u00e9tection ?<\/h2>\n
![\"Pourquoi](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Why-Calculate-Land-Biomass-Using-Remote-Sensing.png?resize=583%2C583&ssl=1\")
<\/p>\n\n
Comment la t\u00e9l\u00e9d\u00e9tection mesure la biomasse terrestre\u00a0: les principes physiques<\/h2>\n
Des signaux spectraux aux valeurs de biomasse<\/h3>\n
Types de t\u00e9l\u00e9d\u00e9tection utilis\u00e9s pour l'estimation de la biomasse<\/h2>\n
1. Imagerie optique satellitaire\u00a0: multispectrale et hyperspectrale<\/h3>\n
![\"Types](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Types-of-Remote-Sensing-Used-for-Biomass-Estimation.png?resize=568%2C568&ssl=1\")
<\/p>\n2. Radar (SAR) : Voir \u00e0 travers les nuages et dans la canop\u00e9e<\/h3>\n
3. LiDAR\u00a0: la r\u00e9f\u00e9rence en mati\u00e8re de cartographie structurale de la biomasse<\/h3>\n
4. T\u00e9l\u00e9d\u00e9tection par drone\u00a0: \u00e9chelle de terrain \u00e0 haute r\u00e9solution<\/h3>\n
Indices de v\u00e9g\u00e9tation utilis\u00e9s pour estimer la biomasse<\/h2>\n
\n
Principales sources de donn\u00e9es pour l'estimation de la biomasse terrestre<\/h2>\n
\u00c9tapes du calcul de la biomasse terrestre par t\u00e9l\u00e9d\u00e9tection<\/h2>\n
![\"\u00c9tapes](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Steps-to-Calculate-Land-Biomass-Using-Remote-Sensing.png?resize=595%2C595&ssl=1\")
<\/p>\nMod\u00e8les et m\u00e9thodes utilis\u00e9s pour l'estimation de la biomasse<\/h2>\n
\n
Facteurs affectant la pr\u00e9cision de l'estimation de la biomasse<\/h2>\n
![\"Facteurs](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Factors-Affecting-Biomass-Estimation-Accuracy.png?resize=648%2C648&ssl=1\")
<\/p>\nApplications de la cartographie de la biomasse terrestre dans diff\u00e9rents secteurs<\/h2>\n
\n
Avantages de la t\u00e9l\u00e9d\u00e9tection pour le calcul de la biomasse<\/h2>\n
\n
Limites et d\u00e9fis de l'estimation de la biomasse par t\u00e9l\u00e9d\u00e9tection<\/h2>\n
\n
Tendances futures en mati\u00e8re d'estimation de la biomasse par t\u00e9l\u00e9d\u00e9tection<\/h2>\n
\n
Questions fr\u00e9quemment pos\u00e9es<\/h2>\n<\/div>\n
Conclusion<\/h2>\n