Estimation and upscaling of above-ground biomass in tropical forest landscape using field, airborne lidar and multiresolution satellite data
Estimation et mise à l'échelle de la biomasse aérienne dans un paysage forestier tropical à l'aide de données de terrain, de données lidar aéroportées et de données satellitaires multi-résolution
Résumé
Tropical forests store half of all the carbon stored in the world’s forests and thus play critical role in the global carbon cycle. Accurate estimations of forests carbon stock and its recovery are thus extremely important, especially to meet the guidelines of international programs aimed at reducing greenhouse gas emissions in tropical areas, such as the United Nations Reducing Emissions from Deforestation and Forest Degradation (REDD+). The study is concentrated to a forest landscape of area of ca. 6,400 ha, which is part of Khao Yai National Park in central Thailand (latitude: 14° 25' 20.4'' N, longitude: 101° 22' 36). Khao Yai is the first national park in Thailand, established in 1962 that is home to numerous endangered plant and animal species. Combining recent field and concomitant airborne LiDAR system (ALS) derived data, a high-resolution AGB map was built over 64 km2 of the forest landscape. Random forest (RF) algorithm and Landsat time-series (LTS) data was used to classify landscape patches as non-forested versus forested on an almost annual basis from 1972 to 2017. ALS-AGB model predicted AGB with an error of 14% at 0.5-ha resolution (RMSE = 45 Mg ha−1) using the mean top-of-canopy height as a single predictor. The mean AGB over the landscape was of 291 Mg ha–1 showing a high level of carbon storage despite past disturbance history. The result shows that the AGB recovery of the landscape varies non-linearly in the first 42 years of the succession, with an increasing rate of accumulation through time. The predicted mean AGB recovery rate is 6.9 Mg ha−1yr–1, with a mean AGB gain of 143 and 273 Mg ha−1 after 20 and 40 years, respectively. The derived AGB rate (20 year) estimates are similar to the prescribed IPCC 2006 rates for young secondary tropical rainforest (≤ 20years) in Asian ecozone which is about 50% larger than the new 2019 refinement to the 2006 IPCC guidelines. The estimated results are within the range of those reported for the well-studied Latin American secondary forests under similar climatic conditions. For estimating the uncertainties in AGB map, AGB errors were propagated from tree level measurements to the LiDAR landscape estimate using the Monte Carlo scheme. With this method, the errors are propagated at different spatial scales, range from 0.1 to 2 ha and with a constant number of calibration plot (n=15). The result shows that at a 0.5-ha spatial resolution, the overall error was of 15% and 23% considering the “site-independent” and “site-dependent” biases respectively.
Also with the increase in plot size from 0.1 to 2 ha, the decrease in error is almost 37% to 20% in scenario of “site-dependent biases” while in the scenario of “siteindependent” case the decrease in error is almost 33% to 9% showing the phenomenon of averaging out of error more rapidly in later case. The result showed the incongruity with many studies that underestimated the effect field estimate errors in the final AGB map.
Using the high-resolution AGB maps obtained through LiDAR data, the assessment of the extent of different satellite products, such as Landsat 8 (L8;30-m resolution), Sentinel 2 (S2; 10-m) and Worldview 3 (WV3; ca 2-m) to predict AGB was done and test if these products are complementary or not. RF algorithm was used along with forward step selection of variables with a cross-validation framework to assess model accuracy independently. The approach provided information on the saturation point of passive optic products, i.e. the AGB value above which the products fail to capture AGB variation and provide a recommendation on the best products to be used. The result show that the predictive power of Sentinel-2 is as good as Landsat 8 and is less accurate than that of Worldview 3. Overall, the predicted AGB saturated at ~190 Mg ha−1 for Landsat 8 image and Sentinel 2 and at 247 ha−1 for Worldview 3 images. Here,
using a robust and blind automatized procedure, we show that four to five variables in each sensor were retained from a set of 20-28 variables. The selected predictors strongly varied from one sensor to another one. The best predictor of AGB was Green band from Landsat 8, SWIR band from Sentinel 2, and NDRE variable from the Worldview 3. Only the green band and the CVI metrics were commonly retained for two different sensors. When predictors were selected according to their inter-sensor potential the three best predictors were the raw Green, Blue and Red bands. The prediction of AGB for full Khao Yai using the predictors from the selected sensors shows that the AGB in the landscape ranged from 17-489 Mg ha−1 with a mean of the landscape of 249 Mg ha−1.
Overall, the study illustrates the potential of ALS data not only for scaling up field AGB measurements but also for predicting AGB recovery dynamics when combined with long-term satellite data. The potential use of LIDAR derived AGB estimates for upscaling biomass estimates using several passive optical remote sensing data was demonstrated in the study. The result illustrates that tropical forest landscapes that were disturbed in the past are of utmost importance for the regional carbon budget and thus for implementing international programs such as REDD+.
Les forêts tropicales stockent la moitié de l'ensemble du carbone stocké dans les forêts du monde et jouent donc un rôle essentiel dans le cycle mondial du carbone. Des estimations précises du stock de carbone des forêts et de sa reconstitution sont donc extrêmement importantes, notamment pour répondre aux directives des programmes internationaux visant à réduire les émissions de gaz à effet de serre dans les zones tropicales, tels que le programme des Nations unies pour la réduction des émissions dues à la déforestation et à la dégradation des forêts (REDD+). L'étude se concentre sur un paysage forestier d'une superficie d'environ 6 400 ha, qui fait partie du parc national de Khao Yai, dans le centre de la Thaïlande (latitude : 14° 25' 20,4'' N, longitude : 101° 22' 36). Khao Yai est le premier parc national de Thaïlande, créé en 1962, qui abrite de nombreuses espèces végétales et animales menacées. En combinant des données récentes sur le terrain et des données concomitantes dérivées du système LiDAR aéroporté (ALS), une carte AGB à haute résolution a été établie sur 64 km2 du paysage forestier. L'algorithme Random forest (RF) et les données de la série chronologique Landsat (LTS) ont été utilisés pour classer les parcelles de paysage comme non boisées ou boisées sur une base quasi annuelle de 1972 à 2017. Le modèle ALS-AGB a prédit l'AGB avec une erreur de 14 % à une résolution de 0,5 ha (RMSE = 45 Mg ha-1) en utilisant la hauteur moyenne du sommet de la canopée comme unique prédicteur. L'AGB moyen sur le paysage était de 291 Mg ha-1, ce qui montre un niveau élevé de stockage du carbone malgré les perturbations passées. Les résultats montrent que la récupération de l'AGB du paysage varie de manière non linéaire au cours des 42 premières années de la succession, avec un taux d'accumulation croissant au fil du temps. Le taux de récupération AGB moyen prédit est de 6,9 Mg ha-1an-1, avec un gain AGB moyen de 143 et 273 Mg ha-1 après 20 et 40 ans, respectivement. Les estimations du taux AGB dérivé (20 ans) sont similaires aux taux prescrits par le GIEC 2006 pour les jeunes forêts tropicales humides secondaires (≤ 20 ans) dans l'écozone asiatique, qui est environ 50 % plus grande que le nouveau raffinement 2019 des directives 2006 du GIEC. Les résultats estimés sont dans la fourchette de ceux rapportés pour les forêts secondaires d'Amérique latine bien étudiées dans des conditions climatiques similaires. Pour estimer les incertitudes de la carte AGB, les erreurs AGB ont été propagées des mesures au niveau des arbres à l'estimation du paysage LiDAR en utilisant le schéma de Monte Carlo. Avec cette méthode, les erreurs sont propagées à différentes échelles spatiales, allant de 0,1 à 2 ha et avec un nombre constant de parcelles de calibration (n=15). Le résultat montre qu'à une résolution spatiale de 0,5 ha, l'erreur globale était de 15% et 23% en considérant les biais "indépendants du site" et "dépendants du site" respectivement.
De même, avec l'augmentation de la taille des parcelles de 0,1 à 2 ha, la diminution de l'erreur est de près de 37 % à 20 % dans le scénario des " biais dépendants du site ", tandis que dans le scénario " indépendant du site ", la diminution de l'erreur est de près de 33 % à 9 %, ce qui montre le phénomène d'élimination plus rapide de l'erreur dans le dernier cas. Le résultat a montré l'incongruité avec de nombreuses études qui ont sous-estimé les erreurs d'estimation du champ d'effet dans la carte AGB finale.
En utilisant les cartes AGB à haute résolution obtenues par les données LiDAR, l'évaluation de l'étendue de différents produits satellitaires, tels que Landsat 8 (L8 ; résolution de 30-m), Sentinel 2 (S2 ; 10-m) et Worldview 3 (WV3 ; ca 2-m) pour prédire l'AGB a été faite et tester si ces produits sont complémentaires ou non. L'algorithme RF a été utilisé en même temps qu'une sélection progressive des variables avec un cadre de validation croisée pour évaluer indépendamment la précision du modèle. L'approche a fourni des informations sur le point de saturation des produits d'optique passive, c'est-à-dire la valeur de l'AGB au-dessus de laquelle les produits ne parviennent pas à capturer la variation de l'AGB et à fournir une recommandation sur les meilleurs produits à utiliser. Les résultats montrent que le pouvoir prédictif de Sentinel-2 est aussi bon que celui de Landsat 8 et moins précis que celui de Worldview 3. Globalement, l'AGB prédite a saturé à ~190 Mg ha-1 pour l'image Landsat 8 et Sentinel 2 et à 247 ha-1 pour les images Worldview 3. Ici,
en utilisant une procédure automatisée robuste et aveugle, nous montrons que quatre à cinq variables de chaque capteur ont été retenues à partir d'un ensemble de 20-28 variables. Les prédicteurs sélectionnés variaient fortement d'un capteur à l'autre. Le meilleur prédicteur de l'AGB était la bande verte de Landsat 8, la bande SWIR de Sentinel 2, et la variable NDRE de Worldview 3. Seules la bande verte et la mesure CVI ont été retenues pour deux capteurs différents. Lorsque les prédicteurs ont été sélectionnés en fonction de leur potentiel inter-capteurs, les trois meilleurs prédicteurs étaient les bandes brutes verte, bleue et rouge. La prédiction de l'AGB pour l'ensemble de Khao Yai en utilisant les prédicteurs des capteurs sélectionnés montre que l'AGB dans le paysage varie de 17 à 489 Mg ha-1 avec une moyenne du paysage de 249 Mg ha-1.
Dans l'ensemble, l'étude illustre le potentiel des données ALS non seulement pour mettre à l'échelle les mesures de l'AGB sur le terrain mais aussi pour prédire la dynamique de récupération de l'AGB lorsqu'elles sont combinées avec des données satellitaires à long terme. L'utilisation potentielle des estimations de l'AGB dérivées du LIDAR pour la mise à l'échelle des estimations de la biomasse à l'aide de plusieurs données de télédétection optique passive a été démontrée dans l'étude. Les résultats montrent que les paysages forestiers tropicaux qui ont été perturbés dans le passé sont de la plus haute importance pour le budget carbone régional et donc pour la mise en œuvre de programmes internationaux tels que REDD+.