N°102

Mesurer l’évolution des stocks forestiers de carbone:
un véritable défi à Bornéo

La réduction des émissions de gaz à effet de serre causées par la destruction des forêts

Le recours aux combustibles fossiles est la principale source anthropique d’émission de méthane et de dioxyde de carbone: les deux gaz à effet de serre qui contribuent le plus aux changements climatiques. Vient ensuite la déforestation, qui inclut la combustion de biomasse qui lui est associée (Solomon et al., 2008). Selon le Groupe intergouvernemental d’experts sur l’évolution du climat (GIEC), la réduction de la déforestation représente la méthode la plus efficace et la plus immédiate de réduction des émissions de CO2 (Nabuurs et al., 2007). Ainsi, les politiques de réduction des changements climatiques devraient prendre en considération la nécessité de ralentir la déforestation et la dégradation des forêts. C’est pourquoi, lors de la 11e conférence des parties à la convention climat en 2005, la Papouasie-Nouvelle-Guinée et le Costa Rica ont proposé d’établir un mécanisme de réduction des émissions de gaz à effet de serre résultant de la déforestation dans les pays en développement. Ce mécanisme est appelé Reducing Emissions from Deforestation (RED). Appuyée par de nombreux États (Coalition for Rainforest Nations, 2005), la proposition a depuis été élargie afin d’y inclure la dégradation des forêts. Le mécanisme est alors nommé Reducing Emissions from Deforestation and Degradation (REDD) (Coalition for Rainforest Nations, 2005; Parker et al., 2008). REDD est toujours embryonnaire, mais une étape significative a été franchie en 2007 à Bali lors de la 13e conférence des parties à la Convention du climat, au cours de laquelle un plan d’action est adopté. Les objectifs sont étendus à ceux de conservation, de gestion durable et d’amélioration des stocks de carbone. On parle désormais de REDD-plus (Lang; UNFCCC, 2008). En décembre 2009, l’accord de Copenhague va encore plus loin. On y spécifie notamment que les mécanismes de financement pour REDD-plus, ainsi que pour d’autres initiatives visant à réduire les émissions de gaz à effets de serre en protégeant les forêts, doivent être mis en place immédiatement. Pour le financement de ces activités, devant être assuré par les pays développés, on avance même des chiffres: 30 milliards de dollars états-uniens pour la seule période de 2010 à 2012 et 100 milliards de dollars états-uniens d’ici 2020 (UNFCCC, 2009).

La mise en place de systèmes et de moyens de surveillance des forêts et de mesure des stocks de carbone est essentielle au fonctionnement de REDD-plus. C’est grâce à de tels dispositifs que l’on pourra évaluer, au fil du temps, l’efficacité de REDD-plus. De ce fait, on pourra s’assurer que l’argent investi porte ses fruits. La télédétection jouera un rôle prépondérant au sein de ces systèmes (DeFries et al., 2005; Holmgren, 2008). Il faut comprendre que si la superficie des forêts est un facteur à considérer, leur qualité, mesurable notamment par leur densité en carbone, l’est également.

Les systèmes de surveillance devront permettre un suivi à l’échelle nationale, voire globale, afin d’éviter un déplacement des activités portant préjudice aux forêts d’une zone protégée vers d’autres régions. Le dispositif REDD-plus pourrait lui-même être à l’origine de ces déplacements. En effet, la désignation de zones protégées incitera probablement les entreprises concernées à déplacer leurs activités vers des zones non protégées. Par ailleurs, l’offre de produits découlant de façon directe ou indirecte de la déforestation — comme, par exemple, le bois d’œuvre ou le bétail élevé sur les aires conquises sur la forêt — sera vraisemblablement diminuée. La rareté de ces marchandises pourrait alors en augmenter la valeur et provoquer ainsi des déplacements d’activités tant à l’intérieur des pays concernés par REDD-plus qu’ailleurs dans le monde. ll est alors nécessaire d’exercer une surveillance à l’échelle globale et de vérifier l’efficacité réelle de REDD-plus (DeFries et al., 2007; Mollicone et al., 2007; Karsenty et al., 2010).

Pour atteindre ses objectifs, REDD-plus doit disposer d’un ancrage international. Sa mise en œuvre, quant à elle, doit se réaliser à une échelle nationale, voire infra nationale; c’est notamment le cas des systèmes de surveillance et de mesure. En effet, les capacités actuelles à mettre en place de tels systèmes diffèrent selon les pays participant à REDD-plus. Le savoir-faire, les capacités techniques et les données traitées existantes varient en fonction des pays. De plus, les caractéristiques géographiques propres à chacun font que des méthodologies adaptées doivent être développées (DeFries et al., 2005; DeFries et al., 2007; Holmgren, 2008).

Le cas de Bornéo

Au cœur de l’Asie du Sud-Est et chevauchant l’équateur, l’île de Bornéo s’étend sur près de 750 000 km2 (fig. 1). Partagée entre trois pays — la Malaysia, l’Indonésie et, entièrement incrusté dans le versant nord de l’île, le petit sultanat du Brunei (qui occupe moins de 8% du territoire total) — l’île dispose de vastes forêts et tourbières, parmi les plus riches en carbone au monde et abritant une forte biodiversité (Padoch, Peluso, 2003). Les forêts de l’île sont habitées par de nombreuses communautés autochtones, généralement en bordure des tout aussi nombreux cours d’eau qui drainent cette grande île équatoriale, abondamment arrosée (Rousseau, 1990; Gupta, 2005; Sercombe, Sellato, 2007). Les forêts et tourbières de Bornéo, bien qu’elles couvrent encore plus de la moitié de l’île, font l’objet d’un net recul lié à l’activité humaine sur les versants tant malaysien qu’indonésien de l’île (De Koninck et al., 2011) — l’exploitation forestière et la culture à très grande échelle de l’huile de palme étant largement en cause. Tous ces aspects font de Bornéo un territoire quasi idéal pour REDD-plus (Kitayama et al., 2009). À cet effet, des initiatives ont commencé à se mettre en place du côté indonésien de l’île. Par exemple, le Kalimantan Forest and Climate Partnership, fruit d’une association entre les gouvernements australien et indonésien, vise notamment à démontrer comment des initiatives REDD-plus d’envergure peuvent naître. Une partie des 30 millions de dollars que l’Australie s’est engagée à investir servira au développement de méthodes de mesures des stocks de carbone forestier (Downer, Wirajuda, 2008; International Forest Carbon Initiative, 2009).

1. Bornéo au cœur de l’Asie du Sud-Est

La cartographie de la végétation à Bornéo

La WWF a produit une collection de cartes, dont une série illustrant la couverture forestière pour les années 1900, 1950, 1985 et 2000 ainsi que des projections pour 2005, 2010 et 2020 (fig. 2). Ces cartes ont avant tout été produites pour sensibiliser un public non scientifique à l’ampleur et à la rapidité de la déforestation de l’île. Leur usage dans un contexte scientifique est très limité, d’autant plus que seules les cartes de 1985 et 2000 sont basées sur de l’imagerie Landsat, les cartes antérieures le sont sur des archives et les postérieures étant des projections (Hardiono, Raymond, 2005; International Forest Carbon Initiative, 2009).

2. Bornéo. Couverture forestière de 1950 à 2020
Estimation de la couverture forestière de Bornéo en 1950 basée sur des notes historiques. Cartographie de la couverture forestière de Bornéo en 1985 et 2000 à partir d’images satellites. Projections estimées de la couverture forestière de Bornéo en 2005, 2010 et 2020 en fonction du réseau routier (Hardiono, Raymond, 2005).

Produire des cartes de couverture forestière à partir de documents cartographiques existants présente certains avantages par rapport à l’utilisation d’images satellites. Les contraintes associées à l’utilisation de l’imagerie satellite, telles que l’abondance de nuages et d’aérosols, sont ainsi évitées. De plus, et surtout lorsque l’on tente de représenter la couverture forestière pour les décennies passées, on évite de se confronter à une pénurie de données du fait de la rareté des satellites d’observation et des capacités bien moindres de réception, de traitement et de stockage. En contrepartie, l’utilisation de documents cartographiques sous-entend généralement que l’on recoupe des cartes de sources diverses qui sont le fruit de méthodologies variées. De plus, les classes représentées sur les cartes ne sont pas forcément toujours les mêmes. Par exemple, une source de données peut subdiviser les forêts en cinq classes différentes, tandis qu’une autre peut se contenter de deux classes. Il arrive aussi que les différentes sources de données s’accordent mal, parfois même se contredisent. Et il devient alors difficile de déterminer la plus fiable. Un problème de ce type s’est déjà posé dans le passé, notamment lorsque Stéphane Bernard et Rodolphe De Koninck ont publié, en 1996 dans le Singapore Journal of Tropical Geography, deux cartes d’état de la couverture forestière de l’Asie du Sud-Est, correspondant respectivement à la situation en 1970 et à celle des années 1990, et qui illustrent, comme les cartes de la WWF, le recul substantiel de la superficie totale des forêts au cours des dernières décennies. Ces cartes ont été réalisées à partir de plusieurs documents, dont des cartes d’atlas, elles-mêmes produites à partir de sources multiples comme des cartes forestières ou d’occupation du sol provenant d’institutions gouvernementales (Collins, 1990; Bernard, De Koninck, 1996). En comparant les sections de cartes concernant Bornéo, on constate sur ces cartes que certaines régions de l’île apparaissant comme déboisées en 1970 sont signalées comme boisées en 1990. Il est possible que ces zones aient été reboisées au cours de ces deux décennies. Mais il se peut également que ce résultat provienne d’inexactitudes dans l’une ou l’autre de ces cartes.

Depuis lors, la multiplication des satellites d’observation de la Terre, l’accès accru aux données qu’ils produisent tout comme la baisse des coûts de traitement des données attribuable aux performances améliorées des équipements informatiques modernes, ont facilité l’observation de l’évolution de la couverture forestière terrestre. Ainsi, Andreas Langner, Jukka Miettinen et Florian Siegert (2007) ont pu dresser un portrait récent de l’évolution des forêts de Bornéo, sans avoir recours à des inventaires forestiers qui peuvent se révéler désuets ou inconsistants. Ces chercheurs ont produit deux cartes d’utilisation du sol de Bornéo, l’une pour 2002 et l’autre pour 2005, en ayant recours à onze catégories d’utilisation du sol. Ces deux cartes, chacune le résultat d’une classification non supervisée de données MODIS, ont été comparées de façon à illustrer le recul de la forêt sur une courte période de trois ans (Langner et al., 2007).

La démarche de Andreas Langner, Jukka Miettinen et Florian Siegert (2007) tient compte des défis techniques spécifiques à la zone d’étude. Ces défis devront être pris en considération lors de la mise en place puis l’activation des moyens et systèmes de surveillance de REDD-plus. Les limites des images satellites sont vite atteintes à Bornéo, en raison principalement des conditions atmosphériques. D’une part, la grande île est abondamment arrosée, de grandes portions recevant en moyenne jusqu’à huit millimètres de pluie par jour, un chiffre exceptionnellement élevé (NOAA, 1997). D’autre part, ces précipitations, tout comme la nébulosité qui les accompagne, prévalent toute l’année. Il n’y a donc pas de saison de mousson pluvieuse exceptionnelle à laquelle succéderait une période de sécheresse propice à l’acquisition des images. À vrai dire, les mois de mai, juin et août sont quand même plus secs, mais, pendant cette période, des forêts entières sont mises à feu, tant par les populations autochtones pratiquant l’agriculture sur brûlis que par des forestiers pressés de faire de la place pour planter des palmiers à huile (Langner et al., 2007). Il en résulte une forte contamination atmosphérique qui remplace la nébulosité des saisons plus humides.

Des techniques d’assemblage d’images acquises à différentes dates permettent, cependant, de pallier les contraintes atmosphériques (Cihlar, 2000; Vancutsem et al., 2007). Un grand nombre d’images est requis afin d’obtenir une couverture adéquate. Or, les satellites dont les capteurs ont une résolution spatiale moyenne comme Landsat n’ont pas une redondance temporelle suffisante pour permettre l’assemblage d’images. Pour un territoire fortement ennuagé comme Bornéo, la plage temporelle requise pour obtenir une couverture spatiale adéquate par assemblage d’images à partir de ce type de capteurs est si large que le produit final serait incohérent et ne permettrait pas le suivi de l’évolution de l’utilisation du sol. Dans le cas de Landsat 7, dont l’archive est disponible gratuitement dans son intégralité, le problème est exacerbé par la défaillance du Scan Line Corrector qui fait en sorte que près du quart de chaque image est inutilisable (DeFries et al., 2005). Quant à Landsat 5, les images couvrant notre zone d’étude ne sont pas disponibles pour des raisons techniques [1].

Il faut donc avoir recours à des images dont la redondance temporelle est plus élevée. Ainsi, on peut se contenter d’une plage de temps plus restreinte pour assembler une image multitemporelle adéquate. Or, la redondance temporelle est inversement proportionnelle à la résolution spatiale des capteurs (Cihlar, 2000).

En utilisant des images à résolution plus grossière, on réduit le volume de données à traiter. Ceci s’avère être un atout quand la zone d’étude est très vaste, comme à Bornéo, même s’il devient alors impossible de faire une cartographie précise de la végétation avec de telles données. En revanche, il est possible de détecter des perturbations importantes du couvert végétal, comme des coupes sur de vastes superficies, ainsi que de localiser des points chauds. Un point chaud désigne un endroit où l’on soupçonne une perturbation du couvert végétal, par exemple la déforestation d’une portion de territoire ou une dégradation due à une coupe sélective. Il est cependant impossible de déterminer avec exactitude à partir de données à résolution grossière si les points chauds détectés correspondent à de réelles perturbations du couvert végétal. Néanmoins, une cartographie des points chauds permet de cibler des investigations plus approfondies, mais aussi plus onéreuses, effectuées à partir d’images à résolution plus élevée ou grâce à une vérification in situ (DeFries et al., 2005; DeFries et al., 2006; DeFries et al., 2007). Ainsi, l’utilisation des images satellites de résolution grossière permet à la fois de réduire les coûts et de contourner les problèmes de nébulosité persistante qui affectent certaines régions du globe.

Dans ce contexte, nous avons produit une série temporelle illustrant de probables perturbations annuelles du couvert végétal — les points chauds en quelque sorte — pour l’ensemble de la grande île de Bornéo, entre 2000 et 2009.

Le projet MODIS

Pour réaliser cette série chronologique, nous avons choisi d’utiliser les données du projet MODIS (Moderate Resolution Imaging Spectroradiometer). À partir de ces données, nous procédons par détection de changements afin d’identifier les points chauds.

MODIS est un instrument embarqué à bord des satellites Terra et Aqua, en orbite depuis, respectivement, 1999 et 2002. Chacun de ces satellites effectue chaque jour une couverture quasi complète du globe terrestre. Pour une couverture intégrale, y compris aux latitudes équatoriales, deux journées sont nécessaires. Les instruments MODIS acquièrent les données spectrales pour les longueurs d’onde variant de 405 nm à 14 385 nm regroupées en 36 bandes dont la résolution spatiale est de 250, 500 ou 1 000 mètres. Cette large couverture spectrale permet d’observer tant la terre que les océans et l’atmosphère (NASA). Les données MODIS sont distribuées en jeux conçus pour servir à des domaines de recherche spécifiques. Pour produire notre série chronologique, nous utilisons les données du jeu MOD13Q1, justement conçu pour l’étude de la végétation. Ce jeu est un assemblage de données acquises sur seize jours par le satellite Terra. Les données sont ainsi regroupées pour réduire le morcellement de l’image pouvant résulter de la nébulosité. Le jeu de données MOD13Q1 contient quatre bandes spectrales, soit les bandes rouge et proche infra-rouge, qui ont une résolution de 250 mètres, et les bandes bleu et infra-rouge moyen, d’une résolution initiale de 500 mètres rééchantillonnée à 250 mètres. Deux indices de végétation, le NDVI et l’EVI, calculés à l’aide des bandes rouge et proche infra-rouge, pour le NDVI et rouge, proche infra-rouge et bleu, pour l’EVI, sont également inclus, selon une résolution de 250 mètres chacun (Huete et al., 2002; Land Processes Distributed Active Archive Center, 2010). Sont également présentes six couches de métadonnées permettant de connaître les circonstances de l’acquisition des données ainsi que la qualité des indices produits pour chaque pixel  (Land Processes Distributed Active Archive Center, 2010).

Près de 900 feuillets MOD13Q1 sont nécessaires pour produire notre série chronologique. Pour mener à bien une détection de changement, il est primordial que les images utilisées soient corrigées pour tenir compte des effets atmosphériques (Lu et al., 2004). En outre, les satellites MODIS mesurent la contamination atmosphérique au moment de l’acquisition des images et les données spectrales brutes sont corrigées et converties en réflectance à la surface préalablement à leur distribution, ce qui permet d’éviter cette tâche ardue (Masuoka et al., 1998). Nous pouvons donc assembler des images distinctes et les comparer les unes aux autres, avec peu de crainte d’induire des erreurs dues à la contamination atmosphérique ou à la variation annuelle des conditions d’ensoleillement, d’autant que, s’agissant d’une zone équatoriale, les variations phénologiques saisonnières y sont négligeables.

Les métadonnées exhaustives accompagnant les données MODIS nous permettent de distinguer les pixels fiables de ceux trop obstrués par les contaminants atmosphériques pour être utilisés avec confiance. En écartant ainsi les pixels inutilisables, il est possible d’obtenir des images fiables, bien que fortement morcelées. De surcroît, la fréquence élevée de passage du satellite Terra fournit une quantité d’images abondante. Nous sommes donc en mesure d’assembler plusieurs images fiables couvrant pratiquement l’ensemble de l’île, soit entre 96,2% et 98,7% du territoire selon les années. En sont exclues quelques zones où la nébulosité est si persistante qu’il est impossible d’obtenir des pixels fiables même en combinant un an d’imagerie.

Méthodes de détection et validation des données

Nous avons utilisé la différenciation d’images pour détecter d’éventuels reculs forestiers. Cela a nécessité l’assemblage préalable d’une série d’images multi-temporelles à différencier les unes des autres. Nous avons donc produit dix images représentant l’ensemble de Bornéo à partir des jeux MOD13Q1. Chacune de ces images est le fruit de l’assemblage d’un an de données MODIS. Certes, les données des jeux utilisés pour produire cette série chronologique sont déjà corrigées de façon à minimiser l’absorption et la dispersion atmosphériques. Cependant, des reliquats issus du processus de correction atmosphérique affectent les images résultantes. En ce qui concerne les jeux de données MOD13Q1, ces reliquats sont surtout perceptibles dans les bandes bleu et rouge ainsi que pour l’indice NDVI. En revanche, l’indice EVI est beaucoup moins affecté par ce problème. Comparativement au NDVI, l’EVI est moins sujet à saturation dans les environnements ayant une biomasse élevée, telles les forêts pluviales. Pour ces raisons, une différenciation d’images représentant l’EVI est moins suspectible de générer des résultats erronés dans le contexte de Bornéo qu’une différenciation de la bande rouge ou du NDVI, tous deux également propices à la détection des disparitions de couvert végétal (Lu et al., 2004).

Nous avons donc assemblé dix images de l’EVI dont chacune est le fruit de l’assemblage d’un an d’imagerie MODIS. Nous avons ensuite soustrait chacune de ces images assemblées de l’image de l’année précédente pour produire une nouvelle série de neuf images représentant les différences annuelles de l’EVI de 2000 à 2009. Les valeurs négatives de cette dernière série d’images différenciées représentent une baisse de la valeur de l’EVI d’une année à la suivante pouvant correspondre à une diminution ou une disparition du couvert végétal pour les pixels concernés.

Néanmoins, toute diminution de l’EVI d’une année à la suivante ne correspond pas nécessairement à une diminution de la végétation. En effet, plusieurs facteurs font fluctuer l’EVI, tels que le niveau de la nappe phréatique ou les facteurs climatiques (précipitations et ensoleillement). Si les valeurs fortement négatives des images différenciées correspondent généralement à une réelle perte de végétation, les valeurs plus proches de zéro ne traduisent généralement pas de pertes sensibles. Il importe donc de déterminer un seuil en deçà duquel on considère qu’une disparition ou une dégradation a probablement lieu et au-delà duquel on considère que la végétation est restée intacte ou s’est étendue.

Au lieu de procéder par essais et erreurs, nous avons favorisé une méthode d’estimation automatique du seuil de détection. À cet effet, les données à haute résolution disponibles par l’entremise du logiciel Google Earth ont été mises à profit. La résolution spatiale de ces images est si grande que l’on peut aisément interpréter visuellement l’utilisation du sol. Dans un premier temps, nous avons numérisé les zones couvertes par les images à haute résolution à même Google Earth. Ensuite, nous avons fait un échantillonnage aléatoire de ces zones couvertes dont l’unité d’échantillonnage est l’équivalent d’un pixel de nos images MODIS différenciées. En stratifiant notre échantillonnage, nous nous sommes assurés d’inclure un nombre suffisant de pixels ayant des valeurs sensiblement négatives pour au moins une des images différenciées, de façon à échantillonner un nombre suffisant de pixels ayant subi une perte de couvert végétal. Les pixels échantillonnés ont été répertoriés dans une base de données. Nous avons ensuite inspecté visuellement les échantillons dans Google Earth et nous avons classé les échantillons en trois catégories: les pixels où l’on discerne des indices fiables d’une coupe récente de la végétation, les pixels qui représentent une forêt intacte ou une plantation de palmier mature, et enfin les autres pixels. Dans cette dernière catégorie, nous avons placé les pixels représentant différents types d’occupation agricole ainsi que les milieux humides, les pixels voilés par les nuages et les pixels difficiles à interpréter. Cette catégorie d’échantillons n’a pas été utilisée pour l’estimation du seuil de détection.

Dans la base de données, nous avons également associé des années aux pixels des deux premières catégories. Aux pixels où nous avons observé une coupe récente de la végétation, nous avons associé l’année de l’acquisition de l’image Google Earth. Nous avons associé l’année précédant l’année d’acquisition de l’image aux pixels illustrant une forêt intacte ou une plantation mature. Cette base de données a été utilisée pour valider des détections de diminution de couvert végétal dont le seuil est automatiquement ajusté par l’outil PEST.

3. Bornéo. Influence du seuil de détection sur le nombre de points chauds cartographiés.
A et B: points chauds détectés entre 2000 et 2009; C et D: détails des points chauds détectés pour l’année 2003 superposés à une image haute résolution Google Earth de mai 2004 (© DigitalGlobe 2010); E et F: histogramme de la différence des EVI de 2004 et de 2003 avec en rouge les pixels représentant les points chauds selon le seuil de détection.

Le logiciel PEST sert à l’estimation automatique de paramètres d’un modèle de manière itérative, de façon que les résultats s’accordent le plus possible avec des observations (Clemo et al., 2010). En ce qui nous concerne, le paramètre à estimer est le seuil de détection et les observations sont les échantillons de notre base de données de validation.

Les données à haute résolution de Google Earth ne permettent pas de connaître la date précise d’un événement se traduisant par une diminution du couvert végétal. Cependant, elles nous permettent d’identifier pour nos échantillons des périodes où l’on devrait détecter un tel événement ou, inversement, des périodes où l’on devrait n’en détecter aucun.

L’outil PEST permet de mettre des poids sur les observations. Ainsi, on peut choisir d’accorder plus de poids aux échantillons représentant des forêts intactes et des plantations matures ou, à l’inverse, on peut en accorder plus aux disparitions de couvert végétal. Dans ce deuxième cas, le seuil de détection final sera plus élevé que dans le premier. Comme le montre la figure 3, un seuil de détection plus élevé augmente le nombre de points chauds cartographiés. Certes, plusieurs de ces points chauds sont des faux positifs, c’est-à-dire que l’on identifie des pixels comme étant des points chauds alors qu’il n’y a pas eu de dégradation de la végétation à ces endroits. Néanmoins, comme le soulignent les différences entre les figures 3c et 3d, un seuil élevé permet d’identifier des points chauds qui correspondent à des perturbations qui affectent une superficie plus petite qu’un pixel. Ainsi, bien que la résolution de nos données soit relativement grossière, elle nous permet tout de même de détecter des phénomènes comme des coupes sélectives.

La cartographie des points chauds permet l’identification des secteurs ayant possiblement fait l’objet d’une déforestation ou d’une dégradation du couvert forestier pour éventuellement effectuer une évaluation plus précise des processus en cause (fig. 4) (DeFries et al., 2005; DeFries et al., 2007). Par conséquent, il est préférable d’accorder plus de poids aux échantillons représentant des diminutions du couvert végétal de façon à inclure un maximum de régions touchées par la déforestation et la dégradation, y compris les secteurs subissant des dégradations sur de petites superficies, comme celles où l’on pratique des coupes sélectives. Étant donné la complexité et la taille de notre zone d’étude ainsi que la résolution spatiale de nos données, notre démarche ne peut servir à elle seule à évaluer de façon précise le recul forestier. Néanmoins, elle permet de cibler des régions ayant de fortes probabilités d’avoir subi une dégradation du couvert végétal et ainsi de restreindre considérablement l’étendue des territoires devant faire l’objet d’analyses ultérieures plus précises. Au final, la cartographie des points chauds s’intègre bien dans les systèmes de surveillance et de mesure nécessaires à REDD-plus en permettant de réduire les investissements en temps, argent et ressources humaines (DeFries et al., 2005).

Limites de l’étude

La série de points chauds produite a ses limites. D’une part, l’utilisation de l’EVI pour détecter de potentielles instances de déforestation et de dégradation de forêts peut être à la source de faux positifs. Ce problème est dû au fait que l’EVI d’une surface végétalisée peut varier sans pour autant qu’il y ait eu de dégradation de la végétation, ce qui est surtout le cas de certains types d’occupation du sol (les mangroves, marécages ou tourbières). Cela résulte du fait qu’une variation dans le niveau de la nappe phréatique affecte sensiblement l’EVI. Par exemple, quand la nappe est basse, la végétation se dessèche et jaunit ce qui se traduit par une forte baisse de l’EVI. Or, c’est en détectant les baisses d’EVI que nous identifions les points chauds. En revanche, en milieu humide, un jaunissement de la végétation dû à une baisse du niveau de la nappe phréatique ne témoigne pas nécessairement d’une dégradation de la végétation.

Les zones agricoles sont aussi problématiques pour des raisons analogues. En effet, de nombreuses pratiques agricoles engendrent des variations cycliques de l’EVI dues à la succession végétale, démarrant généralement par une mise à nue des sols cultivés, suivie d’une période de croissance de la plante où le volume de la biomasse s’accroît rapidement. Cela se manifeste par une augmentation constante de la valeur de l’EVI, jusqu’à la récolte qui fait chuter rapidement la valeur de l’indice.

La méthode d’assemblage des images a également ses failles. Vu la nébulosité élevée de l’île, il est impossible de produire une image assemblée de l’EVI pour la totalité du territoire. Il existe donc toujours, d’une année à l’autre, des parties de l’île où l’on ne peut détecter les points chauds.

La cartographie des points chauds va sûrement être un élément des systèmes de surveillance des forêts lors du déploiement de REDD-plus (DeFries et al., 2005; DeFries et al., 2007). Mais la production et l’utilisation des cartes annuelles de ces points chauds devront prendre en considération leurs limites.

Analyse des points chauds

Une fois détectés, les points chauds de déforestation et de dégradation des forêts ont été analysés à l’aide des images à haute résolution de Google Earth. Limitée aux points chauds correspondant effectivement à une dégradation ou à une destruction des forêts, cette analyse nous a permis d’identifier quelques-unes des dynamiques qui engendrent la déforestation à Bornéo (fig. 4 et fig. 5). L’examen confirme d’emblée, du moins en ce qui concerne les régions couvertes par l’imagerie à haute résolution de Google Earth, que l’exploitation du palmier à huile est le principal vecteur de déforestation. En outre, les plantations apparaissent aménagées principalement selon deux patrons spatiaux, largement fonction de la topographie locale.

4. Bornéo. Exemples de points chauds cartographiés.
a et b: superposition de points chauds détectés en 2007 sur une image haute résolution Google Earth de 2004 (a) et de 2009 (b); c et d: superposition de points chauds détectés en 2004 sur une image haute résolution Google Earth de 2003 (c) et de 2005 (d); e et f: superposition de points chauds détectés de 2005 à 2008 sur une image haute résolution Google Earth de 2004 (e) et de 2009 (f); g et h: superposition de points chauds détectés de 2004 à 2009 sur une image haute résolution Google Earth de 2003 (g) et de 2009 (h). (a, c, d, e, f, g et h © DigitalGlobe 2010, b © GeoEye 2010).

Le premier est celui des plantations situées en zones de plaines et qui ont généralement une structure spatiale orthogonale (fig. 4a et 4b). Un quadrillage routier subdivise chaque plantation, les palmiers à huile étant plantés en rangées régulières à l’intérieur des subdivisions. Lorsqu’une telle plantation prend de l’expansion, les routes sont allongées de façon à agrandir la zone couverte tout en respectant la structure du quadrillage (fig. 4b). Par ailleurs, on peut remarquer que le quadrillage routier de ce genre de plantation reprend parfois un quadrillage préexistant, mais revégétalisée au sein d’une zone boisée. Mais la seule interprétation visuelle des images ne nous permet pas de confirmer avec certitude l’origine de cet ancien quadrillage. Cela dit, étant donné l’importance de l’industrie forestière à Bornéo, il apparaît probable que ces anciennes routes aient servi à extraire la matière ligneuse de forêts antérieures, confirmant ainsi la corrélation maintes fois soulignée entre exploitation forestière et expansion agricole (Bernard, De Koninck, 1996, 1997; De Koninck et al., 2011).

5. Bornéo. Localisation des exemples de points chauds cartographiés.
Localisation des exemples de la figure 6. A et B: Plantation de palmiers, division de Bintulu, Sarawak. C et D: Plantation de palmiers, division de Bintulu, Sarawak. e et f Mine de charbon de Tutupan, Kalimantan du Sud. G et H Banlieue de Kota Samarhan, Sarawak (Land Processes Distributed Active Archive Center, 2009).

Le second type de patron correspond à celui des plantations aménagées à flanc de collines; dans ce cas, les structures orthogonales cèdent leur place à des structures beaucoup plus complexes (fig. 4c et 4d). Les chemins de desserte des plantations tendent à avoir comme origine des chemins forestiers. Les chemins tout comme l’ensemble de l’organisation spatiale des plantations, ce qui comprend l’espacement entre les palmiers, s’adaptent donc à la topographie.

Ajoutons que l’industrie de l’huile de palme n’est pas l’unique vecteur de déforestation comme en font foi les figures 4e et 4f qui illustrent l’expansion de la mine de charbon de Tutupan. Enfin, en plus de l’agriculture et de l’exploitation des ressources naturelles, l’expansion urbaine constitue une source de déforestation de plus en plus évidente (fig. 4g et h).

Conclusion

La détermination de la forme définitive que doit prendre REED-plus suscite des dissensions au sein de la communauté internationale. En revanche, la nécessité de protéger les forêts dans le but de freiner les émissions de carbone responsable du réchauffement climatique fait consensus (UNFCCC, 2009). Pour cette raison, des initiatives nationales et internationales comme REDD-plus se multiplient, la télédétection s’imposant comme un outil indispensable (DeFries et al., 2005; DeFries et al., 2006; DeFries et al., 2007; Mollicone et al., 2007; Holmgren, 2008). L’envergure de REDD-plus suscite beaucoup d’engouement [2], notamment en ce qui concerne le développement des systèmes de surveillance des forêts et de mesure des stocks de carbone. À titre d’exemple, le programme UN-REDD, l’initiative onusienne dédiée à REDD-plus, a consacré 40% des ses fonds déjà investis, soit quelque 25 millions de dollars états-uniens, au développement de tels systèmes (Holmgren, 2010). La surveillance des forêts pluviales, largement visées par REDD-plus à cause de leur forte densité en carbone, est particulièrement difficile. La forte nébulosité qui les affecte, tout particulièrement à Bornéo, nécessite une utilisation judicieuse des technologies disponibles. Dans ce contexte, la série chronologique des points chauds de Bornéo que nous avons produite démontre l’utilité des données issues de capteurs à résolution grossière. Une telle série est avant tout un outil. Elle permet de mieux cibler les analyses plus précises et les vérifications qui sont nécessaires in situ pour un suivi fiable et transparent de l’évolution des forêts et stocks de carbone. Les données MODIS permettent le développement de protocoles de surveillance des forêts réalisables au plan tant logistique que financier. C’est pourquoi ce type de données, dont la redondance temporelle est élevée, tout comme le développement de méthodes en faisant usage sont indispensables à la mise en œuvre de REDD-plus.

Bibliographie

BERNARD S., DE KONINCK R. (1996). «The retreat of the forest in Southeast Asia: a cartographic assessment». Singapore Journal of Tropical Geography, n° 1, p. 1-14.

BERNARD S., DE KONINCK R. (1997). «The Fate of Peninsular Malaysia’s Forests: The Case of Pahang (1972-1992)». Malaysian Journal of Tropical Geography, vol. 28, n° 1, p. 1-8.

CIHLAR J. (2000). «Land cover mapping of large areas from satellites: status and research priorities». International Journal of Remote Sensing, vol. 21, n° 6, p. 1093-1114.

CLEMO T., CHRISTENSEN S., COSGROVE D., DAHLSTROM D., DAUSMAN A., FIENEN M., GALLAGHER M., HUNT R., JAMES S., JOHNSON G., KEATING E., LANGEVIN C., MOORE C., MUFFELS C., SHOOK M., TONKIN M., SCHREUDER W., WELTER D., WYLIE A., YOUNG S., ZYVOLOSKI G. (2010). «PEST: Model-Independent Parameter Estimation and Uncertainty Analysis». (consulter)

COALITION FOR RAINFOREST NATIONS (2005). «United Nations Climate Change Conference». (consulter)

COLLINS N.M. (1990). The Last Rain Forests: a world conservation atlas. Oxford: Oxford University Press, 200 p. ISBN: 1-85732-756-X

DE KONINCK R., BERNARD S., BISSONETTE J.-F., dir. (2011). Borneo Transformed. Agricultural Expansion on the Southeast Asian Frontier. Singapore: National University of Singapore Press, 210 p. ISBN: 978-9-9716-9544-6

DEFRIES R., ACHARD F., BROWN S., HEROLD M., MURDIYARSO D., SCHLAMADINGER B. (2007). «Earth observations for estimating greenhouse gas emissions from deforestation in developing countries». Environmental Science & Policy, n° 4. p. 385-394.

DEFRIES R., ACHARD F., BROWN S., HEROLD M., MURDIYARSO D., SCHLAMADINGER B., DE SOUZA Jr C. (2006). «Reducing greenhouse gas emissions from deforestation in developing countries: considerations for monitoring and measuring». Rome:  Global Terrestrial Observing System, GOFC-GOLD Report, 22 p. (consulter)

DEFRIES R., ASNER G., ACHARD F., JUSTICE C., LAPORTE N., PRICE K., SMALL C., TOWNSHEND J. (2005). «Monitoring tropical deforestation for emerging carbon markets». In Tropical Deforestation and Climate Change, 131 p. (consulter)

DOWNER A., WIRJUDA H. (2007). Kalimantan Forest and Climate Partnership. (consulter)

GUPTA A. (dir). (2005). The Physical Geography of Southeast Asia. Oxford: Oxford University Press. ISBN: 0-19-924802-8

HARDIONO M., RAYMOND J.A. (2005). Borneo: Treasure Island at Risk, Maps. Frankfurt: WWF Germany,  30 p. (consulter)

HOLMGREN P. (2008). Role of satellite remote sensing in REDD. UN-REDD Programme, 7 p. (consulter)

HOLMGREN P. (2010). MRV and Monitoring for REDD+ Implementation. UN-REDD Programme. (consulter)

HUETE A., DIDAN K., YUAN Y. (2002). MODIS Vegetation Indices. TBRS team, The University of Arizona. (consulter)

INTERNATIONAL FOREST CARBON INITIATIVE (2009). Kalimantan Forest and Climate Partnership Factsheet. Australian Government Initiative.

KARSENTY A., SEMBRES T., RANDRIANARISON M. (2010). «Paiements pour services environnementaux et biodiversité dans les pays du Sud. Le salut par la «déforestation évitée» ?». Revue Tiers Monde, n° 202, p. 57-74.

KITAYAMA K., DARMAWAN M., TAY J. (2009). Suggestions derived from the joint activities of the Borneo Sustainability Forum. (consulter)

LAND PROCESSES DISTRIBUTED ACTIVE ARCHIVE CENTER (2009). «Land Water Mask Derived from MODIS and SRTM L3 Global 250m SIN Grid». U.S. Geological Survey (USGS), Center for Earth Resources Observation and Science (EROS). (consulter)

LAND PROCESSES DISTRIBUTED ACTIVE ARCHIVE CENTER (2010). Vegetation Indices 16-Day L3 Global 250m. U.S. Geological Survey (USGS), Center for Earth Resources Observation and Science (EROS). (consulter)

LANG C. «REDD: An introduction». redd-monitor.org. (consulter)

LANGNER A., MIETTINEN J., SIEGERT F. (2007). «Land cover change 2002-2005 in Borneo and the role of fire derived from MODIS imagery». Global Change Biology, n° 11, p. 2329-2340.

LU D., MAUSEL P., BRONDIZIO E., MORAN E. (2004). «Change detection techniques». International Journal of Remote Sensing, 12, p. 2365-2407.

MASUOKA E., FLEIG A., WOLFE R.E., PATT F. (1998). «Key characteristics of MODIS data products». Ieee Transactions on Geoscience and Remote Sensing, n° 4, p. 1313-1323.

MOLLICONE D., ACHARD F., FEDERICI S., EVA H., GRASSI G., BELWARD A., RAES F., SEUFERT G., STIBIG H., MATTEUCCI G. (2007). «An incentive mechanism for reducing emissions from conversion of intact and non-intact forests». Climatic Change, n° 4, p. 477-493.

NABUURS G.J., MASERA O.K.A., BENITEZ-PONCE P., BOER R., DUTSCHKE M., ELSIDDIG E., FORD-ROBERTSON J., FRUMHOFF P., KARJALAINEN T., KRANKINA O., KURZ W.A., MATSUMOTO M., OYHANTCABAL W., RAVINDRANATH N.H., SANZ Sanchez M.J., ZHANG X. (2007). «Forestry». In METZ B.,  DAVIDSON O.R., BOSCH P.R., DAVE R., MEYER L.A., dir., Climate Change 2007: Mitigation. Contribution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, New York: Cambridge University Press.

NASA-National Aeronautics and Space Administration. About MODIS.

NOAA (1997). «Annual average GPCP precipitation (mm/day): 1988-96». Global Precipitation Climatology Project.

PADOCH C., PELUSO N.L. (2003). Borneo in transition: people, forests, conservation, and development. Kuala Lumpur: Oxford University Press, 346 p. ISBN: 978-9-8356-0067-8

PARKER C., MITCHELL A., TRIVEDI M., MARDAS N. (2008). The Little REDD Book: A guide to governmental and non-governmental proposals for reducing emissions from deforestation and degradation. Oxford, UK: Global Canopy Programme

ROUSSEAU J. (1990). Central Borneo: ethnic identity and social life in a Stratified Society. Oxford: Oxford University Press, 380 p. ISBN: 0-19-827716-4

SERCOMBE P., SELLATO B. (2007). Beyond the Green Myth: Borneo’s Hunter-Gatherers in the Twenty-First Century. Copenhagen: Nordic Institute of Asian Studies.

SOLOMON S., QIN D., MANNING M., CHEN Z., MARQUIS M., AVERYT K., TIGNOR M., MILLER H. (2008). Climate Change 2007: the physical science basis.  Cambridge, New York, Melbourne, Madrid, Cape Town, Singapore, Sao Paulo, Delhi: Cambridge University Press

UNFCCC (2008). Report of the Conference of the Parties on its thirteenth session, held in Bali from 3 to 15 December 2007. Addendum. Part Two:  Action taken by the Conference of the Parties at its thirteenth session Decisions adopted by the Conference of the Parties.

UNFCCC (2009). Copenhagen Accord. (consulter)

VANCUTSEM C., PEKEL J. F., BOGAERT P., DEFOURNY P. (2007). «Mean Compositing, an alternative strategy for producing temporal syntheses. Concepts and performance assessment for SPOT VEGETATION time series». International Journal of Remote Sensing 22 p. 5123-5141.

Remerciements

Ce travail s’inscrit dans le cadre d’un programme de recherches appuyé par le Conseil de recherches en sciences humaines du Canada. Les auteurs tiennent à remercier le Conseil ainsi que Jeff Cardille, Stéphane Bernard, Marc Girard, Luke Southwell et Vincent Chai.
Le satellite Landsat 5, en orbite depuis 1984 et toujours fonctionnel malgré une vie utile prévue de trois ans, ne dispose pas de capacité de stockage et doit donc retransmettre en direct les images qu’il acquiert. Une antenne localisée en Thaïlande permet l’acquisition d’images de Bornéo à partir de Landsat 5, mais nous n’avons pas accès à la base de données thaïlandaise.
Comme en témoignait récemment un long article paru dans le quotidien Le Monde, le 8 avril 2011.