MGD Sections

Actions

4.2.1   Inventaires forestiers nationaux Sujet précédent Sujet parent Sujet fils Sujet suivant

La plupart des pays possèdent des données provenant d’IFN qui peuvent être utilisées pour faciliter l'estimation des émissions pour REDD+. Les IFN bien conçus sont basés sur des échantillons probabilistes avec des propriétés statistiques bien comprises ce qui facilite l'estimation des intervalles de confiance. Les IFN sont une source d'information précieuse pour les estimations des émissions et des absorptions, en particulier par rapport à la biomasse aérienne, et par extension, la biomasse souterraine. Bien que traditionnellement réalisés pour l'évaluation des ressources forestières, la plupart des IFN, (souvent en étroite collaboration avec les institutions de recherche forestière) recueillent également des informations sur les variables liées aux écosystèmes, tandis que les entrevues faites sur le terrain peuvent contribuer à fournir des informations sur les facteurs de changement des forêts. La participation à un IFN offre une excellente expérience des défis qui se posent et des éléments pratiques à réunir pour la surveillance des forêts; enfin, l'expérience sur le terrain développée par un IFN est extrêmement utile pour comprendre la relation entre les données au sol et de télédétection.
Les IFN, en plus de la biomasse, s’intéressent de plus en plus au bois mort, et certains ont commencé à aquérir des informations sur le carbone organique du sol et la litière, bien que mesurer le changement temporel dans ces bassins soit difficile. Lorsque le plan d'échantillonnage est adapté (ou peut être augmenté) les IFN peuvent être utilisés pour estimer directement les activités REDD+. Néanmoins:
  • Les plans d'échantillonnage des IFN existants sont peu susceptibles d'être optimisés pour estimer les activités REDD+ comme le déboisement ou la dégradation des forêts, ce qui augmente ainsi les incertitudes en matière d'estimation des émissions et absorptions, et peut nécessiter d’accroître l'échantillonnage comme cela a été discuté ci-dessous.
  • Même si les parcelles d'échantillonnage d’un IFN sont généralement géolocalisées et peuvent fournir des indications utiles sur l’endroit où l'échantillonnage doit être intensifié, elles ne fournissent généralement pas suffisamment(1) d'informations pour suivre les facteurs REDD+ ou pour concevoir des réponses politiques directes au déboisement ou à la dégradation.
  • Même si un IFN couvrant un pays entier peut être souhaitable, il est souvent logistiquement complexe et coûteux pour les grands pays, en particulier ceux qui possèdent de grandes zones de forêt non commerciales. Cela peut également prendre 10 ans ou plus pour établir une série chronologique complète pour un IFN. Les alternatives pour estimer les changements au cours de cette période doivent prendre en considération, lors de la conception d'un système basé sur l’IFN, la surveillance et l’estimation des GES des activités REDD+.
Les forêts tropicales diffèrent considérablement des forêts tempérées en termes de diversité d’espèces d'arbres, la présence de très grands arbres, et le taux de récupération après la perturbation de la forêt. Cela rend plus difficile d'estimer la biomasse forestière, et le changement de la biomasse, à toutes les échelles spatiales allant du local au niveau du paysage, régional et national. L'expérience en matière d'inventaire forestier est beaucoup moins développée dans les tropiques que dans les forêts tempérées (Burslem et Ledo, 2015; Saatchi, 2015). Ces auteurs dans leur examen de l’expérience en matière d’inventaire des forêts tropicales fournissent des indications sur la conception et conduite des inventaires de biomasse, débris de bois grossier et carbone dans le sol. Ils mettent en évidence les limites des inventaires antérieurs et identifient les pièges à éviter. Ils soulignent que les approches doivent être adéquates pour répondre à la forte variabilité spatiale des forêts adultes et celles récemment perturbées par l'exploitation forestière ou les feux. Les jeunes forêts naturelles et plantations en pleine régénération contiennent moins de biomasse et sont plus homogènes, ce qui simplifie la tâche d'inventaire. La fiabilité des estimations de la biomasse est moindre à des échelles spatiales plus fines.
Les données d'IFN estiment directement les variations de stock de carbone et peuvent également être utilisées pour soutenir la méthode gains-pertes. Tout d'abord, les observations de changement de biomasse et de carbone sur les parcelles de l’IFN entre les points dans le temps peuvent être utilisées pour estimer les coefficients d'émission et d'absorption, ou faciliter l’élaboration de modèles de niveau 3 pour la croissance des forêts, les débris et le carbone dans le sol. Deuxièmement, avec des plans d'échantillonnage appropriés, les données d'utilisation des terres et de changement d'utilisation des terres au niveau des parcelles de l’IFN peuvent fournir des estimations des superficies des catégories de changement d'utilisation des terres particulières. En troisième lieu, quand les modèles sont utilisés pour améliorer l'estimation des activités REDD+, les IFN et les données existantes peuvent être utilisées pour élaborer et vérifier le modèle.
En règle générale, les IFN prennent la forme d’une série de placettes (ou série de sous-placettes) établie de manière systématique dans des pays entiers. La taille des placettes s'étend généralement de 0,02 ha à plus d’1 ha de superficie. Pour les inventaires tropicaux, les parcelles doivent au moins mesurer 1 ha pour réduire la forte variation potentielle due à la grande variabilité plutôt que d'augmenter le nombre de parcelles et les coûts qui y sont associés. De plus grandes tailles de parcelles contribuent aussi à faire le lien avec les données de télédétection. Les observations et les mesures sur ces parcelles varient, mais comprennent toujours l’étendue du couvert forestier et des données sur les arbres suffisantes comme les espèces, le diamètre et la hauteur qui peuvent être utilisées avec des modèles allométriques pour prédire les volumes et la biomasse des arbres individuels (Lawrence et al., 2010). Les prédictions sur l'arbre sont agrégées pour estimer le volume des arbres de la parcelle ou la biomasse et le stock de carbone. De plus, l’IFN collecte souvent des données sur la diversité des espèces d'arbres et arbustes et la topographie générale. Moins fréquemment, les observations ou mesures peuvent également comporter des informations sur la litière et autres matières mortes, l'historique du site(2), les caractéristiques du sol et de la canopée. Ces données d’IFN sont généralement utilisées pour estimer les paramètres de la population forestière − y compris la production ou le développement qui y sont liés − avec une précision jugée pertinente pour la planification au niveau national, en prenant en compte le coût et la réalisation de l’IFN.
Quand les mesures des placettes sont prises en plusieurs points simultanément, les variations annuelles (et les variations du carbone qui s’y associent) peuvent être calculées pour chaque placette(3). L’intervalle entre deux mesures d’une placette dans le cadre d’un IFN varie de seulement un couple d’années dans les environnements à croissance rapide, et à 5 ou 10 ans dans les environnements à croissance plus lente. La fréquence peut être moindre pour les environnements qui sont plus chers d'accès et à mesurer ou pour les forêts à faible valeur commerciale ou dont l'accès est difficile, ce qui rend les mesures plus chères. Généralement, une série de placettes (une grappe) est mesurée chaque année, de sorte que l’intégralité du système est mesurée sur une période de 5 à 10 ans. Dans un système de panneau qui s’interpénètrent, les parcelles mesurées à une année donnée sont systématiquement entremêlées avec des parcelles mesurées d'autres années de sorte que des estimations pour l'ensemble de la région peuvent être obtenues chaque année. Heikkinen et al. (2012) décrivent les méthodes permettant de rendre plus précises les estimations à l'aide de données en grappe et autres données.
Les IFN utilisent fréquemment l'échantillonnage de probabilité sous la forme de plans d'échantillonnage simples aléatoires, systématiques, ou aléatoires stratifiés. L'échantillonnage de probabilité exige que chaque emplacement potentiel de parcelle ait une probabilité supérieure à zéro d'être sélectionnée pour l'échantillon et qu'un schéma de randomisation soit utilisé pour véritablement sélectionner l'échantillon. Les données obtenues sont utilisées avec des estimateurs non biaisés pour calculer les estimations des totaux, des changements et des variations. Les estimations pour les sous-ensembles de superficie de forêt d'origine sont possibles si un nombre suffisant de parcelles, domaines ou strates peut être regroupé et si tous les points du domaine ont une probabilité supérieure à zéro d’être inclus dans l'échantillon original. Le nombre de parcelles requis dépend de la variabilité de la population, la précision fixée, et le besoin d'estimer les événements rares, comme la déforestation. Les augmentations ou diminutions de superficie considérées comme des forêts peuvent violer les principes d'échantillonnage fondés sur le plan et donc compromettre la nature non biaisée des estimateurs. Ce problème peut être évité en élargissant l’IFN à d'autres types d'utilisation des terres, et à moins que cela soit fait, l’IFN ne sera pas sensible au boisement ou au reboisement, et détectera toujours les pertes de superficie forestière.
Si les parcelles d’IFN ont été distribuées à l'aide d'une grille systématique, le même espacement de la grille peut être utilisé pour étendre l'échantillon dans les zones qui ne sont pas inclues dans l’IFN d'origine (par ex., pour inclure les forêts sur les terres gérées par des privés ou dans les terres classées comme Terres cultivées ou Prairies ou Établissement quand elles correspondent à la définition de la forêt adoptée). De même, l'intensification (augmentation du nombre de parcelles par unité de surface) peut être utilisée pour améliorer les estimations dans les domaines présentant un intérêt particulier (par ex., quand un changement, déboisement ou dégradation a lieu ou est susceptible de se produire). En outre, les estimations fondées sur les données d'échantillonnages probabilistes indépendants peuvent être combinées pour produire des estimations plus précises. Si les limites des zones d'intérêt changent au fil du temps, il peut devenir très compliqué de gérer, avec des mesures répétées, les probabilités de sélection des parcelles dans les strates dynamiques. Pour cette raison, si la préstratification de la zone d'étude pour la réduction de la variation est effectuée, les limites de strate doivent être définies par des caractéristiques qui ne changent pas, comme les écorégions, la topographie ou les zones climatiques, ou des facteurs socioéconomiques bien définis tels que l'accès à l'infrastructure (Encadré 20).
Lorsque les données de l’IFN sont (ou peuvent être) regroupées selon les strates utilisées pour l’estimation REDD+, elles peuvent souvent constituer une source précieuse de données sur les coefficients d’émissions/d’absorptions pour les activités REDD+ ou pour développer des modèles de niveau 3 de croissance forestière, débris et carbone au sol. Si la superficie associée à l’IFN ne correspond pas spatialement avec la superficie de terres à laquelle le MNV est destiné être appliqué, ou si l’IFN n’est pas bien conçu, l'utilisation des données de l’IFN pour le MNV pourrait être remis en cause. Dans ces cas, il peut être plus approprié d'utiliser les données de l'IFN pour l'étalonnage et la vérification des cartes de télédétection, ou d'autres procédures d'estimation comme l’estimation basée sur un modèle, auquel cas les données peuvent être utilisées pour paramétrer des modèles qui sont ensuite utilisés pour faire des inférences, plutôt que de baser l'inférence directement sur un échantillon de probabilité.
Si elles sont bien utilisées, les méthodes fondées sur l’IFN répondent aux exigences du niveau 3 pour les bassins de biomasse aérienne selon les critères définis dans le GPG 2003. Les modèles d’IFN établis de longue date sont bien documentés pour ce qui est de la validité et de l’exhaustivité des données, des hypothèses et des modèles. Bien que les nouveaux IFN tropicaux n’aient pas une histoire aussi longue et qu’ils puissent s’accompagner de difficultés supplémentaires lors de la distribution des placettes dans les pays tropicaux en raison de l’accès malaisé aux forêts naturelles, les enseignements tirés des inventaires forestiers réalisés dans les pays non tropicaux peuvent être utilisés pour améliorer la conception des échantillons, les protocoles sur le terrain et les estimateurs statistiques.

Encadré 20: Stratification et statistiques

En statistiques, la stratification subdivise une population en sous-populations, appelées strates, pour deux raisons principales:
  • identifier les sous-populations clés comme la forêt primaire par rapport à la forêt naturelle modifiée ou déboisée par rapport à la zone de forêt intacte pour laquelle des estimations distinctes sont nécessaires,
  • réduire l'incertitude des estimations des paramètres de population et/ou des paramètres de sous-populations sélectionnés.
Les deux objectifs ne sont pas nécessairement mutuellement exclusifs.
La stratification en tant que processus regroupe des unités de population individuelles telles que les peuplements forestiers ou les pixels d'image dans les strates. Si l'objectif principal de la stratification est la réduction de l'incertitude, les unités de population assignées à la même strate devraient être davantage se rassembler entre elles que les unités assignées à d'autres strates.
Deux approches de stratification sont communes, la première se caractérise par un échantillonnage stratifié aléatoire (aussi appelé pré-stratification) et l'autre se caractérise par la post-stratification. La principale distinction entre les deux approches est de savoir si l'échantillonnage en dépend ou s’il est indépendant de la stratification.
Avec un échantillonnage aléatoire stratifié, la stratification est établie avant l'échantillonnage, principalement pour obtenir des intensités d'échantillonnage au sein des strates désirées, et donc les tailles d’échantillon au sein de strates, peuvent être assurées. Par conséquent, dans ce cas, l'échantillonnage dépend de la stratification. À titre d'exemple, une plus grande intensité d'échantillonnage peut être souhaitable pour les terres forestières soumises à des activités humaines plus que pour les forêts éloignées et inaccessibles généralement non soumises à des activités humaines. Comme second exemple, l'échantillonnage aléatoire stratifié peut garantir des tailles d'échantillon suffisantes pour atteindre les niveaux de précision souhaités pour des strates définies par des classes d'activité rares telles que la déforestation (Olofsson et al., 2013). Dans ces circonstances, la stratification doit être établie avant l'échantillonnage de telle sorte que des tailles d’échantillons avec des strates suffisantes puissent être assurées. Les tailles d’échantillon dans les strates pour l’échantillonnage stratifié aléatoire sont fixes car elles sont déterminées avant l'échantillonnage.
Avec la post-stratification, l'échantillonnage est effectué indépendamment et souvent avant que la stratification ne soit imposée. Si l'échantillonnage aléatoire stratifié n’est pas possible, les intensités d'échantillonnage ne peuvent pas être modifiées pour concilier les tailles d’échantillon au sein des strates souhaitées. Prenons l’exemple d’un IFN qui utilise une combinaison de parcelles permanentes et un plan d'échantillonnage qui ne change pas au fil du temps. Il en résulte que suffisamment de grandes tailles d’échantillonnage au sein des strates ne peuvent pas être assurées. Néanmoins, les stratifications imposées indépendamment (souvent suite à) de l'échantillonnage peuvent encore augmenter la précision des estimations de la population. Par exemple, si les intensités d'échantillonnage et/ou la taille des strates sont suffisamment grandes, alors les tailles d'échantillon au sein des strates peuvent encore être assez grandes pour produire des estimations suffisamment précises au sein des strates (McRoberts et al., 2013). En outre, si les strates sont relativement homogènes, alors les écarts seront plus petits au sein des strates que l’écart de la population dans son ensemble, ce qui réduira l'incertitude pour la moyenne de la population. Les tailles des échantillons au sein des strates avec la post-stratification dépendent du plan d'échantillonnage et de la stratification imposée et ne sont généralement pas connues à l'avance.
L'échantillonnage aléatoire stratifié et les estimateurs post-stratifiés de la moyenne de la population sont identiques et sont non biaisés dans le sens qu’en moyenne, sur tous les échantillons possibles, l'estimation de la moyenne de la population sera égale à la valeur réelle. Toutefois, l'estimation obtenue avec un échantillon particulier peut différer sensiblement de la valeur réelle. Une des conséquences du fait que les tailles des échantillons sont fixes avec un échantillonnage aléatoire stratifié, mais d'abord inconnu avec la post-stratification, est que les estimateurs de la variation diffèrent légèrement (Cochran, 1977, 134 - équation 5A.40).

 (1)
Bien que les données d’IFN puissent être utilisées pour satisfaire à des critères de représentation des terres des approches 1 et 2 (chapitre 2.3.2, GPG 2003 S'ouvre dans une nouvelle fenêtre), les intensités d’échantillonnage dépassent rarement 1 parcelle/km2 (Tomppo et al., 2010, tableau 2.3), ce qui constitue une très faible résolution spatiale. Un suivi efficace des activités REDD+ sur le terrain nécessite une résolution spatiale supérieure à 1 km2.
 (2)
Par exemple, la preuve de perturbations passées.
 (3)
L'utilisation de placettes permanentes augmente la précision de l'estimation du changement – voir section 5.3.3.3 des GPG 2003 S'ouvre dans une nouvelle fenêtre.