Le laboratoire Global Land Analysis and Discovery (GLAD) de l'Université du Maryland, sous la direction du professeur Matt Hansen, a créé la première carte mondiale de la couverture des arbres de la canopée. Cette carte suit l'évolution de la couverture de la canopée au fil du temps en utilisant un algorithme pour distinguer ces changements à travers les images satellites. Elle couvre la perte et le gain de masse forestière depuis 2000 et est mise à jour chaque année. Nous présentons trois études de cas dans lesquelles trois pays utilisent la carte mondiale de la couverture forestière pour démontrer comment les observations de la Terre et les ensembles de données mondiales sont utilisés par les pays à des fins de surveillance et de rapport.
Contexte
Les définitions utilisées pour ce produit sont les suivantes : les arbres sont des végétaux de plus de cinq mètres de hauteur ; la « perte de forêt » est la perturbation ou le changement dans une analyse de série chronologique Landsat de 2000 à 2019, et le « gain de couverture forestière » est le changement de non-forêt à forêt de 2000 à 2012. (
Hansen et al, 2016). Cette carte a amélioré la capacité à comprendre les changements forestiers d'origine humaine et naturelle. Ces données soutiennent l'analyse des implications locales et mondiales de la perte de forêt sur les systèmes sociaux, environnementaux et économiques. Les gains ou les pertes de couverture forestière signalent de nombreux aspects importants d'un écosystème, notamment la régulation du climat et le stockage du carbone. Jusqu'à la publication de cette carte, il n'existait aucun moyen d'obtenir des données satellitaires détaillées et précises, facilement accessibles, d'une échelle locale à une échelle mondiale. La carte est basée sur les données Landsat (échelle de résolution de 30 mètres). Cette carte révèle des tendances qui peuvent guider les efforts futurs pour préserver la forêt. Elle suit l'évolution de la couverture forestière au fil du temps en utilisant un algorithme pour distinguer ces changements à travers les images satellites.
Depuis la publication de la première carte mondiale de la couverture forestière par l'Université du Maryland, les pays tropicaux travaillant sur la génération de données d'activité ou de perte de surface forestière pour la déclaration à REDD+ ont utilisé cette carte mondiale au sein de leurs systèmes de suivi. Certains pays l'ont utilisé pour compléter leurs données et d'autres l'ont utilisé pour améliorer leur méthodologie de cartographie avec de nouveaux algorithmes.
Étude de cas du Pérou
Le système national de surveillance des forêts au Pérou a initialement utilisé les informations fournies par le laboratoire Global Land Analysis and Discovery (GLAD) de l'Université du Maryland, notamment pour les étapes de prétraitement et de classification de la couverture forestière. Au cours de ces deux étapes, il y a eu un renforcement des capacités des chercheurs du GLAD pour les spécialistes du Pérou. L'Université du Maryland, avec le soutien du programme américain SilvaCarbon, a formé le personnel technique du ministère péruvien de l'Environnement (MINAM) à l'utilisation de leur algorithme et à la génération de mesures de la perte de couverture forestière. L'étape suivante était l'étape de post-classification. Cette étape a été réalisée entièrement au Pérou avec la participation de plusieurs institutions telles que l’OTCA, le SERFOR et le MINAM, entre autres. Ces mêmes institutions ont fait partie des processus d'évaluation de l'incertitude et de quantification des cartes finales. Enfin, le MINAM et le SERFOR ont développé le premier niveau de référence des émissions forestières en utilisant la méthodologie GLAD au Pérou.
Étude de cas du Paraguay
Dans un premier temps, le système national de surveillance des forêts du Paraguay a utilisé des sources de données mondiales sur la couverture et l'utilisation des terres comme informations de base sur la déforestation au Paraguay, en mettant en évidence la carte de Hansen et al. (2013). Enfin, dans le cadre de la phase préparatoire de REDD+ et en suivant le flux de travail de l'image, il a été possible de générer la première carte nationale de perte de couverture forestière sur 15 ans, qui a servi de base à la préparation du Rapport sur les niveaux de couverture forestière. Une référence sur les émissions forestières. Le principal avantage de disposer de données mondiales est la possibilité de valider les résultats obtenus au niveau national. Aussi, les données mondiales telles que les alertes GLAD (Université du Maryland/Global Forest Watch) sont actuellement utilisées pour compléter le système national de surveillance des forêts.
Étude de cas du Guatemala
L'Institut national des forêts (INAB) est en train de mettre à jour la carte du couvert forestier du Guatemala de 2018. Le produit mis à jour comprendra les changements de 2016 à 2018 en utilisant la méthodologie de l'INAB et un masque de forêt de palmiers dérivé des algorithmes GLAD de l'Université du Maryland. L'intégration des données forestières avec les données de palmiers et la nouvelle classification a été réalisée dans Google Earth Engine. Les données sont téléchargées pour être nettoyées et éditées manuellement. Lors de l'édition des zones qui représentaient une difficulté dans la classe définie, les informations ont été corroborées avec les données globales GLAD pour avoir une référence dans l'interprétation. En outre, les données GLAD sont utilisées pour valider la classe forestière. Cette carte est encore en cours d'édition manuelle.
Impact
Bien que le produit GLAD global ne soit pas entièrement calibré avec les données nationales et que parfois il ne représente pas les classifications des terres de chaque pays, les algorithmes utilisés pour le traitement des images satellites afin de détecter le changement de couverture facilitent tout de même l'analyse du suivi des changements forestiers. Dans ces trois cas, nous voyons comment la carte mondiale de la couverture forestière peut être ingérée à différentes étapes de la génération de données nationales. D'autres pays confrontés à des défis similaires peuvent reproduire ces trois exemples.
