=>

On ne vous rappelle pas tous les dommages collatéraux liés à la déforestation ni les services éco-systémiques que nous rendent les forêts, puisqu’on en a déjà parlé dans ce blog (, et là aussi). Pourtant, les forêts disparaissent à un rythme alarmant. Entre 1990 et 2020, une surface de forêt équivalente à plus de trois fois celle de la France métropolitaine a disparu. La forêt tropicale, comptant pour la moitié des forêts du monde, est gravement menacée: en 2019, l’équivalent d’un stade de football y est détruit toutes les deux secondes (FAO, 2020).

Or, la France est sur le point de se doter d’un outil de surveillance de la déforestation grâce au projet TropiSCO qui vient d’être labellisé par l’Observatoire Spatial du Climat que nous appelons maintenant le SCO. Dans le cadre de ce projet, la méthode de détection de la déforestation développée par le CESBIO, GlobEO et le CNES (Bouvet et al., 2018 ; Ballère et al., 2021) va être appliquée aux forêts humides de tous les tropiques, et possiblement aux forêts tempérées et boréales. Cet outil d’observation sera prêt d’ici 18 mois et les données produites seront publiques.

Cette méthode de détection de la déforestation est surtout adaptée aux tropiques puisqu’elle est basée sur les données du satellite radar Sentinel-1, presque insensibles aux nuages qui obstruent la plupart des images optiques dans ces régions. La déforestation est donc détectée chaque semaine quelles que soient les conditions météorologiques, le tout à 10 mètres de résolution. D’après Ballère et al. (2021), dans un tiers des cas, notre méthode détecte les zones déforestées avec plus de 3 mois d’avance par rapport à la méthode de l’équipe GLAD du Maryland (Hansen et al., 2016) basée sur les données optiques issues de Landsat. Notre méthode a déjà été appliquée sur différentes zones des tropiques (Guyane, Pérou, Gabon, Vietnam, Laos et Cambodge) et validée avec succès. C’est donc un système d’alerte rapide qui va être développé, mais pas seulement, puisque les résultats peuvent être utilisés pour calculer de façon fiable des statistiques annuelles de déforestation.

Les données produites sont susceptibles d'intéresser de nombreux utilisateurs, notamment les gouvernements, les ONG, les universités, le grand public mais également les entreprises qui souhaitent réduire le risque de déforestation dans leurs chaînes d'approvisionnement ou encore les acteurs de la surveillance des incendies.

Il est important de noter que des initiatives similaires basées sur l’utilisation des données Sentinel-1 émergent actuellement, comme le système d’alertes RADD de l’université de Wageningen (Reiche et al., 2021) et le système d’alertes Brésilien (Doblas et al., 2020). Cependant, notre méthode basée sur la détection des ombres radar présente l'avantage d’éviter efficacement les fausses alarmes.

La labellisation du projet par le SCO nous assure un financement pour définir précisément l’architecture du système de production et finaliser les maquettes de démonstration pour distribuer les premières données et obtenir un retour des utilisateurs. En parallèle, et avec l’assistance de l’équipe du SCO au CNES, nous finaliserons rapidement le financement du développement du projet et de la production pendant trois ans.

Suivi de coupes d'hévéas au nord d'Hô Chi Minh-Ville au Vietnam entre 2018 (jaune) et 2020 (rouge). En gris, les zones n'ayant pas subi de coupes durant la période.

 

 

Références :

Ballère, M., Bouvet, A., Mermoz, S., Le Toan, T., Koleck, T., Bedeau, C., ... & Lardeux, C. (2021). SAR data for tropical forest disturbance alerts in French Guiana: Benefit over optical imagery. Remote Sensing of Environment, 252, 112159.

Bouvet, A., Mermoz, S., Ballère, M., Koleck, T., & Le Toan, T. (2018). Use of the SAR shadowing effect for deforestation detection with Sentinel-1 time series. Remote Sensing, 10(8), 1250.

Doblas, J., Shimabukuro, Y., Sant’Anna, S., Carneiro, A., Aragão, L., & Almeida, C. (2020). Optimizing Near Real-Time Detection of Deforestation on Tropical Rainforests Using Sentinel-1 Data. Remote Sensing, 12(23), 3922.

FAO : State of the World’s Forests 2020. http://www.fao.org/state-of-forests/en/

Hansen, M. C., Krylov, A., Tyukavina, A., Potapov, P. V., Turubanova, S., Zutta, B., ... & Moore, R. (2016). Humid tropical forest disturbance alerts using Landsat data. Environmental Research Letters, 11(3), 034008.

Reiche, J., Mullissa, A., Slagter, B., Gou, Y., Tsendbazar, N. E., Odongo-Braun, C., ... & Herold, M. (2021). Forest disturbance alerts for the Congo Basin using Sentinel-1. Environmental Research Letters, 16(2), 024005.

 

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.