Perturbations et régénérations des forêts canadiennes par télédétection et apprentissage profond

Perturbations et régénérations des forêts canadiennes par télédétection et apprentissage profond. Perbet, P. Ph.D. Thesis, Université Laval, Quebec City, QC, 2025.

Paper abstract bibtex

La forêt canadienne joue un rôle crucial en fournissant des biens et services écologiques et économiques, en régulant le climat, et en agissant comme un puits de carbone. Cependant, les perturbations forestières peuvent transformer la forêt en source de carbone. Les changements climatiques ont intensifié la fréquence et l'intensité des perturbations, et potentiellement modifié la capacité de régénération des forêts. Dans ce contexte, la surveillance précise et continue de la dynamique forestière devient stratégique pour les objectifs de carboneutralité du Canada. Plusieurs produits cartographiques développées à partir d'images satellitaires, disponibles depuis quelques années, permettent de suivre les perturbations et l'évolution de la structure des forêts. Cependant, les modèles traditionnellement utilisés rencontrent des difficultés à distinguer les perturbations mineures et les changements progressifs. De plus, les approches utilisées pour observer la croissance post-perturbation à grande échelle, sous-estiment la durée réelle de restauration. L'objectif principal de cette thèse est d'évaluer les méthodes d'apprentissage profond pour améliorer et mettre à jour les cartographies temporelles de la forêt boréale canadienne, tant en ce qui concerne les perturbations que la régénération forestière. Les deux premiers chapitres portent sur l'évaluation de l'apport des méthodes d'apprentissage profond pour la classification des perturbations forestières. Ces nouvelles approches ont d'abord été appliquées à la forêt boréale du Québec dans le premier chapitre, puis étendues à l'ensemble du territoire canadien dans le second. Le troisième chapitre vise quant à lui à évaluer une méthode d'apprentissage profond pour le suivi de la régénération de la biomasse forestière. Les résultats ont montré que l'utilisation d'un réseau de neurones convolutifs unidimensionnels pour classifier des séquences spectro-temporelles courtes améliore la classification des perturbations partielles et progressives. Les cartes de perturbations annuelles au Canada entre 1985 et 2024 présentent de nouvelles classes encore jamais cartographiées à cette échelle spatio-temporelle. En particulier, le modèle de classification à correctement identifié les défoliations moyennes et sévères et résultantes d'épidémies d'insectes forestiers. Dans le troisième chapitre, une approche combinant la série temporelle Landsat, les données de Lidar aérien et un réseau de neurones convolutifs de type Unet a permis de cartographier la biomasse aérienne. Ces cartes annuelles de biomasse ont montré leur intérêt pour observer la dynamique forestière après les perturbations sévères et identifier les zones dont la croissance était problématique. En développant ces nouveaux jeux de données à partir de modèle d'apprentissage profond, cette thèse a permis d'améliorer et de mettre à jour les connaissances sur la dynamique forestière au Canada.

@phdthesis{perbet_perturbations_2025,
	address = {Quebec City, QC},
	title = {Perturbations et régénérations des forêts canadiennes par télédétection et apprentissage profond},
	url = {https://hdl.handle.net/20.500.11794/178085},
	abstract = {La forêt canadienne joue un rôle crucial en fournissant des biens et services écologiques et économiques, en régulant le climat, et en agissant comme un puits de carbone. Cependant, les perturbations forestières peuvent transformer la forêt en source de carbone. Les changements climatiques ont intensifié la fréquence et l'intensité des perturbations, et potentiellement modifié la capacité de régénération des forêts. Dans ce contexte, la surveillance précise et continue de la dynamique forestière devient stratégique pour les objectifs de carboneutralité du Canada. Plusieurs produits cartographiques développées à partir d'images satellitaires, disponibles depuis quelques années, permettent de suivre les perturbations et l'évolution de la structure des forêts. Cependant, les modèles traditionnellement utilisés rencontrent des difficultés à distinguer les perturbations mineures et les changements progressifs. De plus, les approches utilisées pour observer la croissance post-perturbation à grande échelle, sous-estiment la durée réelle de restauration. L'objectif principal de cette thèse est d'évaluer les méthodes d'apprentissage profond pour améliorer et mettre à jour les cartographies temporelles de la forêt boréale canadienne, tant en ce qui concerne les perturbations que la régénération forestière. Les deux premiers chapitres portent sur l'évaluation de l'apport des méthodes d'apprentissage profond pour la classification des perturbations forestières. Ces nouvelles approches ont d'abord été appliquées à la forêt boréale du Québec dans le premier chapitre, puis étendues à l'ensemble du territoire canadien dans le second. Le troisième chapitre vise quant à lui à évaluer une méthode d'apprentissage profond pour le suivi de la régénération de la biomasse forestière. Les résultats ont montré que l'utilisation d'un réseau de neurones convolutifs unidimensionnels pour classifier des séquences spectro-temporelles courtes améliore la classification des perturbations partielles et progressives. Les cartes de perturbations annuelles au Canada entre 1985 et 2024 présentent de nouvelles classes encore jamais cartographiées à cette échelle spatio-temporelle. En particulier, le modèle de classification à correctement identifié les défoliations moyennes et sévères et résultantes d'épidémies d'insectes forestiers. Dans le troisième chapitre, une approche combinant la série temporelle Landsat, les données de Lidar aérien et un réseau de neurones convolutifs de type Unet a permis de cartographier la biomasse aérienne. Ces cartes annuelles de biomasse ont montré leur intérêt pour observer la dynamique forestière après les perturbations sévères et identifier les zones dont la croissance était problématique. En développant ces nouveaux jeux de données à partir de modèle d'apprentissage profond, cette thèse a permis d'améliorer et de mettre à jour les connaissances sur la dynamique forestière au Canada.},
	language = {French \& English},
	urldate = {2026-06-01},
	school = {Université Laval},
	author = {Perbet, Pauline},
	year = {2025},
	keywords = {NALCMS},
}

Downloads: 0

{"_id":"4PhxokapHMsbKz5cb","bibbaseid":"perbet-perturbationsetrgnrationsdesfortscanadiennespartldtectionetapprentissageprofond-2025","author_short":["Perbet, P."],"bibdata":{"bibtype":"phdthesis","type":"phdthesis","address":"Quebec City, QC","title":"Perturbations et régénérations des forêts canadiennes par télédétection et apprentissage profond","url":"https://hdl.handle.net/20.500.11794/178085","abstract":"La forêt canadienne joue un rôle crucial en fournissant des biens et services écologiques et économiques, en régulant le climat, et en agissant comme un puits de carbone. Cependant, les perturbations forestières peuvent transformer la forêt en source de carbone. Les changements climatiques ont intensifié la fréquence et l'intensité des perturbations, et potentiellement modifié la capacité de régénération des forêts. Dans ce contexte, la surveillance précise et continue de la dynamique forestière devient stratégique pour les objectifs de carboneutralité du Canada. Plusieurs produits cartographiques développées à partir d'images satellitaires, disponibles depuis quelques années, permettent de suivre les perturbations et l'évolution de la structure des forêts. Cependant, les modèles traditionnellement utilisés rencontrent des difficultés à distinguer les perturbations mineures et les changements progressifs. De plus, les approches utilisées pour observer la croissance post-perturbation à grande échelle, sous-estiment la durée réelle de restauration. L'objectif principal de cette thèse est d'évaluer les méthodes d'apprentissage profond pour améliorer et mettre à jour les cartographies temporelles de la forêt boréale canadienne, tant en ce qui concerne les perturbations que la régénération forestière. Les deux premiers chapitres portent sur l'évaluation de l'apport des méthodes d'apprentissage profond pour la classification des perturbations forestières. Ces nouvelles approches ont d'abord été appliquées à la forêt boréale du Québec dans le premier chapitre, puis étendues à l'ensemble du territoire canadien dans le second. Le troisième chapitre vise quant à lui à évaluer une méthode d'apprentissage profond pour le suivi de la régénération de la biomasse forestière. Les résultats ont montré que l'utilisation d'un réseau de neurones convolutifs unidimensionnels pour classifier des séquences spectro-temporelles courtes améliore la classification des perturbations partielles et progressives. Les cartes de perturbations annuelles au Canada entre 1985 et 2024 présentent de nouvelles classes encore jamais cartographiées à cette échelle spatio-temporelle. En particulier, le modèle de classification à correctement identifié les défoliations moyennes et sévères et résultantes d'épidémies d'insectes forestiers. Dans le troisième chapitre, une approche combinant la série temporelle Landsat, les données de Lidar aérien et un réseau de neurones convolutifs de type Unet a permis de cartographier la biomasse aérienne. Ces cartes annuelles de biomasse ont montré leur intérêt pour observer la dynamique forestière après les perturbations sévères et identifier les zones dont la croissance était problématique. En développant ces nouveaux jeux de données à partir de modèle d'apprentissage profond, cette thèse a permis d'améliorer et de mettre à jour les connaissances sur la dynamique forestière au Canada.","language":"French & English","urldate":"2026-06-01","school":"Université Laval","author":[{"propositions":[],"lastnames":["Perbet"],"firstnames":["Pauline"],"suffixes":[]}],"year":"2025","keywords":"NALCMS","bibtex":"@phdthesis{perbet_perturbations_2025,\n\taddress = {Quebec City, QC},\n\ttitle = {Perturbations et régénérations des forêts canadiennes par télédétection et apprentissage profond},\n\turl = {https://hdl.handle.net/20.500.11794/178085},\n\tabstract = {La forêt canadienne joue un rôle crucial en fournissant des biens et services écologiques et économiques, en régulant le climat, et en agissant comme un puits de carbone. Cependant, les perturbations forestières peuvent transformer la forêt en source de carbone. Les changements climatiques ont intensifié la fréquence et l'intensité des perturbations, et potentiellement modifié la capacité de régénération des forêts. Dans ce contexte, la surveillance précise et continue de la dynamique forestière devient stratégique pour les objectifs de carboneutralité du Canada. Plusieurs produits cartographiques développées à partir d'images satellitaires, disponibles depuis quelques années, permettent de suivre les perturbations et l'évolution de la structure des forêts. Cependant, les modèles traditionnellement utilisés rencontrent des difficultés à distinguer les perturbations mineures et les changements progressifs. De plus, les approches utilisées pour observer la croissance post-perturbation à grande échelle, sous-estiment la durée réelle de restauration. L'objectif principal de cette thèse est d'évaluer les méthodes d'apprentissage profond pour améliorer et mettre à jour les cartographies temporelles de la forêt boréale canadienne, tant en ce qui concerne les perturbations que la régénération forestière. Les deux premiers chapitres portent sur l'évaluation de l'apport des méthodes d'apprentissage profond pour la classification des perturbations forestières. Ces nouvelles approches ont d'abord été appliquées à la forêt boréale du Québec dans le premier chapitre, puis étendues à l'ensemble du territoire canadien dans le second. Le troisième chapitre vise quant à lui à évaluer une méthode d'apprentissage profond pour le suivi de la régénération de la biomasse forestière. Les résultats ont montré que l'utilisation d'un réseau de neurones convolutifs unidimensionnels pour classifier des séquences spectro-temporelles courtes améliore la classification des perturbations partielles et progressives. Les cartes de perturbations annuelles au Canada entre 1985 et 2024 présentent de nouvelles classes encore jamais cartographiées à cette échelle spatio-temporelle. En particulier, le modèle de classification à correctement identifié les défoliations moyennes et sévères et résultantes d'épidémies d'insectes forestiers. Dans le troisième chapitre, une approche combinant la série temporelle Landsat, les données de Lidar aérien et un réseau de neurones convolutifs de type Unet a permis de cartographier la biomasse aérienne. Ces cartes annuelles de biomasse ont montré leur intérêt pour observer la dynamique forestière après les perturbations sévères et identifier les zones dont la croissance était problématique. En développant ces nouveaux jeux de données à partir de modèle d'apprentissage profond, cette thèse a permis d'améliorer et de mettre à jour les connaissances sur la dynamique forestière au Canada.},\n\tlanguage = {French \\& English},\n\turldate = {2026-06-01},\n\tschool = {Université Laval},\n\tauthor = {Perbet, Pauline},\n\tyear = {2025},\n\tkeywords = {NALCMS},\n}\n\n\n\n\n\n\n\n","author_short":["Perbet, P."],"key":"perbet_perturbations_2025","id":"perbet_perturbations_2025","bibbaseid":"perbet-perturbationsetrgnrationsdesfortscanadiennespartldtectionetapprentissageprofond-2025","role":"author","urls":{"Paper":"https://hdl.handle.net/20.500.11794/178085"},"keyword":["NALCMS"],"metadata":{"authorlinks":{}},"downloads":0},"bibtype":"phdthesis","biburl":"https://bibbase.org/zotero/NAAtlas2024","dataSources":["qLjf8q88GSLZ5dAmC"],"keywords":["nalcms"],"search_terms":["perturbations","rations","des","canadiennes","par","tection","apprentissage","profond","perbet"],"title":"Perturbations et régénérations des forêts canadiennes par télédétection et apprentissage profond","year":2025}