Estimation de la biomasse des marais salants avec une caméra drone MicaSense 10 bandes et LiDAR

Les marais salants sont inestimables pour la protection des côtes, la filtration de l’eau et le stockage du carbone. Ces écosystèmes protègent contre les inondations et l’érosion, éliminent les métaux lourds de l’eau et agissent comme des réservoirs vitaux de carbone bleu, contribuant ainsi à atténuer le changement climatique. La protection de ces habitats est essentielle au maintien d’une planète saine.

Les professeurs Luis Barbero et Gloria Peralta, ainsi que le Dr Andrea Celeste Curcio de l'Université de Cadix, dans le sud de l'Espagne, développent des modèles statistiques précis pour estimer la biomasse des marais salants. La biomasse, la masse totale d'organismes vivants dans une zone donnée, est un indicateur clé de la santé des écosystèmes et du stockage du carbone.

Ces modèles aident à identifier la végétation stressée et à déterminer le niveau de stress environnemental que les marais peuvent supporter avant d'être endommagés. Ils permettent également de distinguer les espèces, leurs mécanismes de croissance uniques et leurs contributions à la production de biomasse. En outre, la recherche vise à améliorer les capacités de stockage du carbone, cruciales pour l’atténuation du changement climatique.

Défi : Données satellitaires, hyperspectrales ou multispectrales et intégration LiDAR ?

L'innovation du projet réside dans l'intégration des données de drones provenant de capteurs multispectraux et LiDAR, créant ainsi un cadre technologique de pointe. Cette configuration avancée permet la collecte de données à haute résolution, permettant une différenciation précise des habitats et améliorant considérablement la précision des estimations de la biomasse.

L'équipe a utilisé un capteur multispectral MicaSense à 10 bandes, tel que le RedEdge-P double, en conjonction avec le système DJI Zenmuse L1 LiDAR, tous deux montés sur le drone DJI Matrice 300 RTK.

Pour le professeur Luis Barbero, les données satellitaires traditionnelles, bien qu'efficaces pour la surveillance à grande échelle, n'ont pas la résolution spatiale nécessaire pour capturer les moindres détails des zones humides côtières et des écosystèmes de marais salants. Cette limitation entraîne souvent des inexactitudes dans les estimations de la biomasse et l'identification des espèces.

L’équipe reconnaît le potentiel des données hyperspectrales pour identifier les types et espèces de végétation, mais souligne que leur approche représente une amélioration significative, car les méthodes hyperspectrales sont inefficaces en raison de la redondance, des coûts élevés, de la complexité et des exigences informatiques.

Professeur Luis Barbero

« L’utilisation du LiDAR et des données multispectrales est cruciale pour distinguer avec précision les habitats primaires des marais et créer des modèles détaillés de biomasse, avec une précision sans précédent. Cette méthode est conviviale, reproductible et rentable, permettant l’étude des marais salants, des tendances évolutives et de la réponse au changement climatique nécessitant moins de travail sur le terrain ».

Principaux avantages de l’approche LiDAR multispectrale :

• Analyse multispectrale améliorée : les données recueillies à l'aide du Caméra MicaSense a permis le calcul de différents indices de végétation, facilitant la détection de pigments végétaux tels que les anthocyanes et la chlorophylle. Ces pigments sont des indicateurs cruciaux du stress des plantes et de la biomasse.
• Modèles d'altitude précis : le LiDAR a généré des données d'altitude précises, un facteur crucial pour distinguer les espèces en fonction de l'altitude de l'habitat dans les marais salants.
• Surveillance saisonnière de la biomasse : la combinaison d'indices multispectraux (par exemple, ARI2, NDVI et SIPI) avec des données LiDAR a permis un suivi détaillé des changements saisonniers de la biomasse.

Découvrez la double caméra RedEdge-P

Le site d étude : Cartographie saisonnière de l écosystème dynamique d une baie

La recherche s'est concentrée sur la baie de Cadix, située sur la côte sud-ouest de l'Espagne. Cet écosystème atlantique peu profond abrite les zones humides côtières européennes les plus méridionales, caractérisées par un environnement intertidal dynamique, idéal pour étudier les modèles de biomasse saisonniers et spécifiques aux espèces.

Pour capturer la variabilité saisonnière de l'écosystème, l'équipe a mené des travaux de terrain sur plusieurs saisons (2022-2023), combinant des études détaillées de la végétation avec des données de drones.

Le drone a étudié une zone de 20 hectares (50 acres) à une altitude de 100 mètres (330 pieds), fournissant des données haute résolution avec une distance d'échantillonnage au sol (GSD) de 7 cm (2,7 pouces). Le double capteur MicaSense a été configuré pour capturer des images à intervalles de 2,2 secondes, garantissant un chevauchement frontal de 80 % et latéral de 70 %. Deux plans de vol cohérents ont été reproduits dans toutes les campagnes pour garantir la comparabilité des résultats.

Indices utilisés pour l'analyse

.

L’indice de végétation par différence normalisée (NDVI) était particulièrement important. Il a créé un calque de masque pour délimiter la répartition de la végétation. Ce masque excluait efficacement les régions non végétalisées, telles que l'eau et le sol nu, de toutes les couches raster de l'analyse, garantissant ainsi des informations précises sur la végétation.

D'autres indices clés comprenaient l'indice de végétation à large bande (BBVI), l'indice de réflectance des anthocyanes (ARI), l'indice de végétation des pigments des feuilles (LPVI), l'indice de végétation d'efficacité d'utilisation de la lumière (LUEVI) et l'indice de végétation à bande étroite (NBVI).

Principaux résultats de l'étude

1. Estimation améliorée de la biomasse :

• En combinant les données multispectrales MicaSense avec LiDAR, l'étude a permis d'obtenir des prévisions de biomasse plus précises par rapport aux modèles précédents utilisant des données satellite.
• L'indice de réflectance des anthocyanes 2 (ARI2), capturé à l'aide des deux bandes de caméra MicaSense, combiné au modèle numérique de surface (DSM), s'est avéré crucial pour identifier les deux espèces dominantes des marais salants : Sarcocornia et Sporobolus maritimus. ARI2 s'est révélé particulièrement utile pour détecter les pigments liés au stress salin, qui changent avec les saisons et diffèrent selon les espèces.
• Les estimations de la biomasse ont montré des tendances différentes pour les deux espèces, suggérant qu'elles croissent et se comportent différemment tout au long de l'année, entraînant des variations dans la production de biomasse.

2. La saisonnalité compte :

• Les données ont démontré des tendances saisonnières claires, avec une biomasse culminant en été et diminuant au printemps. Ces tendances, capturées avec les données MicaSense, mettent en évidence l'importance du timing pour l'échantillonnage.
• L'analyse des indices de végétation démontre que Sarcocornia et Sporobolus maritimus suivent des schémas de croissance différents au cours de l'année. Cela montre que l’inclusion de la saisonnalité dans les modèles est essentielle pour des prévisions précises de la biomasse.
• Le printemps a été identifié comme la saison la plus stressante pour les plantes, avec des réponses diverses aux défis environnementaux. Comprendre ces modèles est important pour gérer la tolérance au stress des plantes.

3. Informations spécifiques aux espèces :

• Contrairement aux modèles généraux de marais, les modèles spécifiques aux espèces (activés par Données MicaSense) a révélé des réponses uniques au stress des conditions environnementales, telles que la salinité et la sécheresse. Ce niveau de détail est crucial pour les efforts de conservation ciblés.
• Bien que le stress dû à la salinité puisse être considéré comme le principal facteur influençant la répartition des plantes dans la zone d’étude, l’équipe a pris en compte d’autres facteurs de stress potentiels, tels que le manque d’oxygène et le compactage du sol.
• Ignorer les données spécifiques aux espèces dans le modèle de marais conduit à une mauvaise interprétation du modèle du système cyclique.

4. Applications plus larges :

• Les modèles développés dans cette étude peuvent être utilisés pour d’autres marais salants, aidant ainsi à reproduire et à estimer la biomasse dans des écosystèmes similaires.

Conclusion : Transformer la surveillance des écosystèmes

La combinaison des capteurs multispectraux MicaSense avec LiDAR a permis une surveillance plus précise des écosystèmes des marais salants et de leurs variations saisonnières, dépassant de loin les limites des données satellitaires. Leur approche permet également de surmonter la complexité associée aux méthodes hyperspectrales. Cette solution innovante offre aux chercheurs, aux gestionnaires de l’environnement et aux défenseurs de l’environnement des perspectives uniques pour :

• Surveiller les changements saisonniers de la biomasse pour améliorer la gestion des marais.
• Identifier et cartographier les habitats spécifiques à certaines espèces pour une conservation ciblée.
• Détectez les premiers signes de stress des plantes dus à des facteurs tels que la salinité ou la sécheresse.

Contrairement aux travaux de terrain traditionnels, qui peuvent être invasifs et longs, la surveillance par drone fournit une estimation précise et non destructive de la biomasse. Cette approche réduit également les coûts et la complexité par rapport à la collecte de données hyperspectrales, qui nécessite un temps de traitement important, ou à l'imagerie satellite, qui n'a pas la résolution spatiale nécessaire.

En adoptant cette méthode, les chercheurs font progresser la surveillance et la préservation des écosystèmes critiques.