FA 6.1 - Caractérisation de la structure et modélisation de la dynamique des forêts tropicales d'Afrique centrale

Enjeux, contexte

Les pays d'Afrique Centrale se sont engagés depuis le Sommet de Rio à mettre en place des plans d’aménagement pour gérer les forêts de production avec, notamment, des objectifs de conservation et réduction de l'impact des exploitations. La prise en compte récente dans les négociations sur le climat de la question de la réduction des émissions de carbone dues à la déforestation et à la dégradation des forêts (i.e. REDD), et la probable mise en place de mécanismes associés de compensation financière, sont susceptibles de créer de nouvelles opportunités de valorisation économique. Démontrer la faisabilité technique du suivi de la dégradation est un enjeu important pour les pays du bassin du Congo où le rythme de déforestation est relativement faible. Il s'agit de se mettre en capacité de caractériser l’état des forêts denses de manière répétée et fiable à l’échelle d'un territoire et d'en prévoir les évolutions à moyen terme sous différents scénarios de gestion ou de forçage climatique. Compte tenu de la complexité et de l’étendue des forêts, ainsi que des moyens limités pour les suivis de terrain, il importe d'acquérir des connaissances sur les propriétés émergentes des peuplements pour mettre au point des modèles d'extrapolation/prédiction à grande échelle d'espace et de temps.

Objectifs:

L'objectif de notre action est de modéliser les processus fondamentaux et de capturer les propriétés émergentes de la dynamique de structuration des peuplements forestiers d'Afrique Centrale. Il s'agit : 1) de modéliser la dynamique locale (démographie des arbres et croissance dans l’espace 3D) pour comprendre les propriétés générales des peuplements forestiers telles que les distributions spatio-temporelles des individus ou de la biomasse, ou les modalités de coexistence de certaines espèces ; 2) de déterminer dans quelle mesure ces propriétés permettent d’inférer des paramètres de structure ou de fonctionnement caractéristiques à partir d'observations restreintes (inventaires simplifiés, séries temporelles courtes, images optiques de canopée) dans un but d'extrapolation/prédiction à grande échelle des bilans de biomasse et de carbone, de leur variabilité spatio-temporelle ou de la réaction des écosystèmes aux actions de récolte ou aux forçages environnementaux.

Démarches/méthodes:

Différentes approches de modélisation seront mises en oeuvre pour réaliser des prédictions à des échelles variées d'espace et de temps :

  • Le couplage entre modèle structure 3D des peuplements (Allostand, Barbier et al. 2011) et modèle physique de rétrodiffusion (DART, Gastellu-Etchegorry 2008) permet de comprendre et valider l’information susceptible d’être extraite des différents types de signaux de télédétection très haute résolution (optique, lidar, radar ; méthode  FOTO Couteron et al. 2005, Barbier et al. 2010a). Par inversion, on peut ensuite inférer les paramètres de structure des forêts (dont la biomasse épigée) sur de grandes surfaces à partir d'images de canopée (Proisy et al. 2007 ; Barbier et al. 2010b).
  • La modélisation en classes d'âge (ou de taille) des processus démographiques par catégories d'espèces et une prise en compte des évènements ponctuels (écarts climatiques, chutes d'arbres, etc.) permettent d'explorer la dynamique du système forê (succession, secondarisation, stockage du carbone, etc.).
  • La modélisation individu centrée spatialement explicite (e.g. modèle Stretch, Vincent et Harja 2008) permet une représentation détaillée des trajectoires de développement des individus et des interactions entre voisins pour prédire l'accroissement des tiges, l'allocation de biomasse et la production ligneuse à l'échelle de quelques années (Clark et al. 2010, Moravie et al. 1999, Gourlet-Fleury and Houllier 2000, Vincent et al. 2002).

Les données pour la calibration des modèles constituent un point crucial. Le projet s'appuiera:

  • Sur la mise en place d'un réseau de parcelles permanentes dans le cadre de l'observatoire forestier de la zone TRIDOM (dispositifs) ; sur des données d'inventaires forestiers d'aménagement (accords avec les exploitants et les bureaux d’études-conseils). Celles-ci viendront complémenter les données collectées depuis 1982 par le dispositif expérimental de Mbaïki en RCA (accord avec le MEFCP centrafricain et le CIRAD), et celles qui seront mise en place dans le cadre du projet ATIBT/CIRAD/GxAbt DynAfFor en République du Congo. Par ailleurs, on s'attachera à tester une métrologie innovante centrée sur le scanner lidar terrestre utilisé en forêts tempérées et boréales (cf. conférence "Silvilaser 2010" : http://www.silvilaser.de/), encore peu développé pour des applications tropicales.
  • Sur l’utilisation de données de télédétection à très haute résolution spatiale (optique, LiDAR, RADAR) permettant de quantifier la structure forestière, et d’aborder ses variations à une échelle régionale.

Résultats attendus:

  • Validation à l’échelle régionale du potentiel de l'analyse de texture de canopée (signaux optiques et radar peu pénétrants) et de leur complémentarité avec des signaux pénétrants (Radar bande P, LiDAR) pour estimer et spatialiser structure forestière, biomasse épigée et bilans de carbone.
  • Meilleure compréhension de la dynamique des peuplements forestiers d'Afrique Centrale (succession, secondarisation, monodominance).
  • Mise en place de modèles et d'outils de prédiction à long terme de la réaction des écosystèmes aux actions de gestion ou aux forçages environnementaux, à travers notamment le développement de logiciels d'inférence et de simulation de la dynamique forestière en forêt tropicale (Capsis).

Contribution à la capitalisation d'information sur la structure et la dynamique des forêts d'Afrique Centrale dans le cadre de l'observatoire forestier de la zone TRIDOM et de celui mis en place par le projet DynAfFor.

Références fiche: 

Barbier N., Couteron P., Proisy C., Gastellu-Etchegorry J.-P. 2011 Linking forest canopy images to fieldinventory data: a simulation approach using 3D stand structure and radiative transfer models. Annals ofForest Science . Submitted.

Barbier N., Proisy C., Véga C., Sabatier D. & Couteron P. 2010a. Bidirectional texture function of LiDARhillshade models of tropical forest canopy. Remote Sensing of Environment doi:10.1016 /j.rse.2010.08.015.

Barbier N., Couteron P., Proisy C. & Malhi Y. 2010b. The variation of apparent crown size and canopy heterogeneity across lowland Amazonian forests. Global Ecology and Biogeography , 19: 72-84

.Clark, J. et al. 2010. Ecological Monographs , in press.

Couteron P, Pelissier R, Nicolini E. A. & Paget D. 2005. Predicting tropical forest stand structure parameters from Fourier transform of very high-resolution remotely sensed canopy images. Journal of Applied Ecology , 42: 1121-1128.

Gastellu-Etchegorry, J.-P. 2008. 3D modeling of satellite spectral images, radiation budget and energy budget ofurban landscapes. Meteorology and Atmospheric Physics , 102:187–207.

Gourlet-Fleury, S. & Houllier, F. 2000. Modelling diameter increment in a lowland evergreen rain forest in French Guiana. Forest Ecology and Management , 131: 269-289.

Moravie, M., Durand, M. & Houllier, F. 1999. Ecological meaning and predictive ability of social status, vigour and competition indices in a tropical rain forest (India). Forest Ecology and Management , 117: 221-240.

Proisy C., Couteron P. & Fromard F. 2007. Predicting and mapping mangrove biomass from canopy grain analysis using Fourier-based textural ordination of IKONOS images. Remote Sensing of Environment , 109: 379-392.

Vincent, G. & Harja, D. 2008. Exploring ecological significance of tree crown plasticity through threedimentional modelling. Annals of Botany , 101: 1221-1231.

Vincent, G., De Foresta, H. & Mulia, R. 2002. Predictors of tree growth in a Dipterocarp-based agroforest: a critical assessment. Forest Ecology and Management , 161: 39-52.

Axe: 
Axe 3 - Origine, Fonctionnement et Evolution de la Biodiversité
Axe 6 - Rôle de la végétation dans les cycles biogéochimiques (carbone, nutriments, métaux) et le cycle hydrologique