Infodoc : Sciences, Techniques et Culture

Les données de télédétection permettent de produire des cartes d’attributs forestiers à partir de modèles calibrés sur des placettes issues d’inventaires ou de réseaux de monitoring. Cependant, leur applicabilité locale est rarement évaluée. Cette étude examine l’applicabilité locale de modèles prédictifs établis sur de vastes territoires en utilisant des données lidar, Sentinel-2 et la BD Forêt de l’IGN. Les modèles ont été testés sur des forêts vosgiennes et des placettes en lisière. Les résultats montrent que les biais locaux sont liés à l’extrapolation et à la précision des modèles, améliorables par un effort d’échantillonnage. L’étude souligne l’importance de considérer le domaine de validité des modèles et de quantifier les incertitudes.
Remote sensing data can be used to produ[...]

Les données de télédétection permettent de produire des cartes d’attributs forestiers à partir de modèles calibrés sur des placettes issues d’inventaires ou de réseaux de monitoring. Cependant, leur applicabilité locale est rarement évaluée. Cette étude examine l’applicabilité locale de modèles prédictifs établis sur de vastes territoires en utilisant des données lidar, Sentinel-2 et la BD Forêt de l’IGN. Les modèles ont été testés sur des forêts vosgiennes et des placettes en lisière. Les résultats montrent que les biais locaux sont liés à l’extrapolation et à la précision des modèles, améliorables par un effort d’échantillonnage. L’étude souligne l’importance de considérer le domaine de validité des modèles et de quantifier les incertitudes.
Remote sensing data can be used to produce maps of forest attributes using models calibrated on plots from inventories or monitoring networks. However, their local applicability is rarely assessed. This study examines the local applicability of the predictive models established over large areas using lidar data, Sentinel-2 and BD Forêt of the IGN. The models have been tested on the Vosges forests and forest edge plots. The results show that local biases are linked to the extrapolation and precision of the models, which can be improved via a sampling effort. The study highlights the importance of considering the scope of validity of the models and of quantifying the uncertainties.