Infodoc : Sciences, Techniques et Culture

Aujourd’hui, on assiste à l’émergence d’une nouvelle approche dans l’utilisation de la télédétection pour construire des modèles espèces/paysage : contrairement à la démarche classique qui consiste à établir des cartes d’occupation des sols, cette démarche alternative consiste à construire des variables explicatives directement issues d’une représentation paysagère continue.
Dans cette étude, nous étudions à l’échelle de la France l'effet de la représentation paysagère obtenue par télédétection sur la modélisation des relations oiseaux/habitat. D'abord, nous comparons la performance de modèles intégrant deux représentations différentes de l'état et la diversité des habitats à un instant donné : représentation discrète (CORINE Land Cover) versus images non classées (indices de végétat[...]

Aujourd’hui, on assiste à l’émergence d’une nouvelle approche dans l’utilisation de la télédétection pour construire des modèles espèces/paysage : contrairement à la démarche classique qui consiste à établir des cartes d’occupation des sols, cette démarche alternative consiste à construire des variables explicatives directement issues d’une représentation paysagère continue.
Dans cette étude, nous étudions à l’échelle de la France l'effet de la représentation paysagère obtenue par télédétection sur la modélisation des relations oiseaux/habitat. D'abord, nous comparons la performance de modèles intégrant deux représentations différentes de l'état et la diversité des habitats à un instant donné : représentation discrète (CORINE Land Cover) versus images non classées (indices de végétation notamment). Ensuite, nous comparons les résultats de ces modèles avec d'autres intégrant une représentation fonctionnelle des habitats. Cette représentation est obtenue à partir d'une classification de la signature temporelle des habitats issue d'une série d'images NDVI traduisant la phénologie de la végétation.
Les relevés d'oiseaux sont issus du programme national STOC (Suivi Temporel des Oiseaux Communs) à partir desquels sont calculées plusieurs variables réponses (richesse de groupes d'oiseaux spécialistes ou généralistes). Les images utilisées correspondent aux synthèses NDVI à 16 jours du capteur MODIS (250 m de résolution spatiale).
Les résultats obtenus montrent un impact important de la représentation paysagère sur la performance des modèles. On observe notamment que les images non classées offrent toujours un pouvoir explicatif plus élevé que les données classées (gain de déviance expliquée de 10 à 15% selon la date de l'image et la variable réponse considérée). La représentation fonctionnelle des habitats fournit également des modèles de meilleure performance explicative que ceux issus de CORINE Land Cover. L'utilisation de séries temporelles d'images satellites non classées apparaît comme une source de donnée spatiale pertinente pour prédire les patrons de communautés d'oiseaux sur de larges étendues et à moindre coût.
Nowadays, a new approach to use remote sensing to build is being used: unlike the traditional way that involves the establishment of landscape or habitat maps, this alternative approach consists in calculating spatial descriptors directly from non-classified images.
In this work, we assess the effect of landscape representation obtained by remote sensing on bird-habitat models. First, we compare the performance of models integrating two different representations of habitat patterns at a given time: discrete representation (CORINE Land Cover) versus continuous representation (vegetation index). Then we compare the results of these models with other models integrating a functional representation of habitats. This representation is obtained from a temporal classification through NDVI time-series data reflecting the vegetation phenology.
Bird data were obtained from the STOC national program (French Breeding Bird Survey) from which several response variables were calculated (several species richness and functional metrics). The used images correspond to 16 days syntheses NDVI obtained with the MODIS sensor (250m spatial resolution).
The results show a significant impact of landscape representation on model performances. Unclassified images (i.e. continuous representation) always offer a higher explanatory power than classified data (explained deviance difference of 10-15% depending on the date of the image and the response variable considered). The landscape functional representation also provides models with better explanatory performances than those built from CORINE Land Cover. Time series unclassified satellite imagery appears as a relevant source of spatial data to predict patterns of bird communities over large areas and at a low cost.