La perte de la couverture forestière mondiale est générée chaque année par le laboratoire Global Land Analysis and Discovery (GLAD) de l'Université du Maryland en tant que produit opérationnel pour l'initiative « Global Forest Watch » du World Resources Institute (WRI). Un nouveau produit, des cartes quinquennales de la hauteur des arbres à l'échelle mondiale, sera fourni en 2021 dans le cadre de la nouvelle initiative « Global Land and Carbon Watch », également en partenariat avec le WRI.
Le GLAD présentera ces cartes pour la COP-26, ainsi que des séries chronologiques de la couverture terrestre mondiale et de la dynamique des changements d'utilisation des terres comme prototypes pour une surveillance mondiale complète des terres.
Description du jeu de données
La perte de la couverture forestière mondiale est générée chaque année par le laboratoire Global Land Analysis and Discovery (GLAD) de l'Université du Maryland en tant que produit opérationnel pour l'initiative(Global Forest Watch)du World Resources Institute (WRI). Un nouveau produit, des cartes quinquennales de la hauteur des arbres à l'échelle mondiale, sera fourni en 2021, également en partenariat avec le WRI, dans le cadre de la nouvelle initiative « Global Land and Carbon Watch ».
Le GLAD présentera ces cartes ainsi que des séries chronologiques de la couverture terrestre mondiale et de la dynamique des changements d'utilisation des terres pour la COP-26, en tant que prototypes pour une surveillance mondiale complète des terres.
Utilisation
Les utilisateurs doivent garder à l'esprit que le jeu de données GFW est un jeu de données à l'échelle mondiale, généré à l'aide d'une méthodologie unique appliquée à toutes les régions, et qu'en tant que tel, la précision de la carte peut varier entre les lieux et les différentes résolutions spatiales. On peut donc s'attendre à ce que le jeu de données soit plus utile pour les pays qui ne disposent pas de leurs propres systèmes de surveillance des forêts.
Les cartes de séries temporelles GLAD sur la perte de forêts sont un indicateur relatif largement viable des tendances, mais il faut faire attention lorsque l'on compare les changements cartographiés sur un intervalle quelconque. L'application d'un filtre temporel, par exemple une moyenne mobile de 3 ans, est souvent utile pour discerner les tendances. Cependant, l'estimation définitive de la superficie ne devrait pas être faite en utilisant le nombre de pixels des couches de perte de forêt. Le Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) et l'Initiative mondiale d'observation des forêts (GFOI) fournissent des conseils sur la communication de l'étendue et du changement de la superficie des forêts, exigeant l'utilisation d'estimateurs qui ne surestiment ni ne sous-estiment la dynamique dans la mesure du possible, et qui ont des incertitudes connues. Les cartes fournies par le GLAD peuvent être utilisées pour faciliter l'application de méthodes statistiques appropriées basées sur les probabilités afin de dériver des zones statistiquement valides de l’étendue et des changements des forêts. Plus précisément, les cartes peuvent être utilisées comme stratificateur pour cibler l'étendue et/ou les changements des forêts par un échantillon probabiliste. L'équipe du GLAD a démontré de telles approches en utilisant les données de perte de forêt du GLAD dans l'estimation de zone basée sur un échantillon (Tyukavina et al., ERL, 2018, Turubanova et al., ERL, 2019, et Potapov et al., RSE, 2019, entre autres).
Des notes d'utilisation supplémentaires sont disponibles ici.
Méthodologie
La couche des pertes forestières mondiales est divisée en tuiles de 10x10 degrés, composées de sept fichiers par tuile. Tous les fichiers contiennent des valeurs 8 bits non signées et ont une résolution spatiale de 1 seconde d'arc par pixel, soit environ 30 mètres par pixel à l'équateur. La couche de l'année de la perte de la couverture forestière représente la perte de forêt au cours de la période 2000-2020, définie comme une perturbation dans le remplacement de la population forestière, ou comme un changement d'un état forestier à un état non forestier. Elle est codée soit par 0 (aucune perte), soit par une valeur comprise entre 1 et 20, représentant les pertes détectées entre 2001 et 2020 (inclus).
Incertitude et précision
Les erreurs sont inévitables dans les données qui tentent de simplifier le monde - dans le cas des données GLAD sur la couverture arborée mondiale en catégories de perte, de gain et d'absence de changement de la couverture arborée. Une évaluation récente des données de 2000 de la surveillance forestière mondiale sur la couverture des arbres en Chine a suggéré une précision globale élevée atteignant 94,5 %. La précision de la classification des forêts par l'utilisateur et le producteur était de 89,26 % et 82,13 %. Une étude sur l'étendue et la perte des forêts primaires tropicales humides (Turubanova et al. 2018) a révélé des précisions élevées pour l'étendue (99,28%, 99,02%, 99,45% pour les utilisateurs et 96,84%, 96,65%, 96,75% pour les producteurs ; respectivement pour les Amériques, l'Afrique et l'Asie) et la perte (95,83% 86,43%, 97,57% pour les utilisateurs et 80,34%, 63,21%, 86,21% pour les producteurs ; respectivement pour les Amériques, l'Afrique et l'Asie).
Des taux d'erreur plus élevés peuvent résulter d'un certain nombre de facteurs, notamment :
Un couvert arboré de faible densité, comme celui que l'on trouve dans le biome subtropical, qui rend plus difficile la détection des pertes car le passage du couvert arboré au sol nu est moins perceptible que dans une forêt dense.
Des clairières à petite échelle, comme celles que l'on trouve en Afrique subsaharienne, qui sont plus susceptibles d'être manquées ou sous-estimées par l'ensemble des données parce qu'elles ont plus de bords par rapport à leur superficie. Les pixels des bords des clairières sont souvent flous sur les images satellite, de sorte que les données ne tiennent pas compte d'un grand nombre de « pertes » dans ces petites zones.
Des changements graduels, comme le gain de couverture arborée, qui sont plus difficiles à détecter que les changements soudains.
Lorsque vous décidez s'il est approprié d'utiliser les données pour vos besoins, la première étape consiste à comprendre la précision des données. L'étape suivante consiste à déterminer comment la précision et les erreurs possibles peuvent avoir un impact sur votre application spécifique. La question de savoir si les données sont suffisamment précises sera différente pour chaque cas d'utilisation, mais voici quelques lignes directrices générales:
Étudier les tendances et les modèles à grande échelle : Les taux d'erreur globaux sont relativement faibles par rapport à des ensembles de données similaires, nous pouvons donc être relativement confiants en utilisant les données pour examiner les tendances et les schémas à grande échelle (par exemple, mondiale, régionale, nationale).
Utiliser des moyennes sur 3 ans : Compte tenu des incertitudes d'une année sur l'autre, nous recommandons d'utiliser des moyennes sur trois ans. Les nuages interfèrent littéralement avec ce que les satellites peuvent « voir », en particulier dans les régions tropicales humides où les nuages peuvent masquer la visibilité pendant une grande partie de l'année. Il arrive donc que des arbres soient abattus ou brûlés sous le couvert des nuages et que cela ne soit détecté que l'année suivante. Les utilisateurs des données peuvent lisser cette incertitude en examinant la moyenne sur plusieurs années.
Évaluer les emplacements généraux des pertes : Bien que la précision n'ait pas été évaluée à l'échelle locale, nous savons que la plupart des « pertes » manquées se produisent sur les lisières et nous pouvons donc utiliser les données en toute confiance pour identifier l'emplacement général des pertes au niveau local.
Soyez prudent avec les mesures locales : Effectuer des mesures précises à l'échelle locale (par exemple, les hectares de perte de couverture forestière, le carbone émis par la déforestation) nécessite des informations supplémentaires sur la précision dans ce lieu particulier - par exemple, la connaissance du contexte local, l'imagerie satellitaire, la comparaison avec d'autres données sur le changement forestier, etc.
Adaptez votre confiance à la précision : Évitez de faire des affirmations fortes basées sur des données de faible précision (c'est-à-dire des zones avec une faible densité de canopée, un faible gain de couverture forestière, etc.).
Format: Le portail de données ouvertes GFW est disponible pour la découverte et la visualisation des données. Les tuiles de données peuvent également être téléchargées directement, ou analysées dans Google Earth Engine où les données se trouvent déjà. Plus de détails ici.
Politique en matière de données: Ouvertes au public (Creative Commons CC BY 4.0)
