📄 agriculture

Beyond the Breast Height: Leveraging Stump Diameter as a Robust Predictor of Biomass and Carbon Stocks in Tropical Acacia Plantations

Cette étude démontre que le diamètre de la souche mesuré à 30 cm au-dessus du sol constitue un prédicteur robuste et pratique pour estimer la biomasse et les stocks de carbone dans les plantations d'*Acacia* au Bangladesh, offrant une alternative viable aux mesures conventionnelles à hauteur de poitrine pour un suivi post-récolte efficace et l'atténuation du changement climatique.

Auteurs originaux : Niamjit Das, Md. Qumruzzaman Chowdhury

Publié 2026-07-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Niamjit Das, Md. Qumruzzaman Chowdhury

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Livre Caché de la Forêt

Imaginez les forêts du monde comme de gigantesques comptes bancaires vivants. Chaque arbre est un dépôt, stockant du carbone (un ingrédient clé de l'air qui réchauffe notre planète) dans son bois, ses feuilles et ses racines. Les scientifiques et les gouvernements doivent savoir exactement combien d'« argent » se trouve sur ces comptes pour lutter contre le changement climatique et protéger la nature. Pour ce faire, ils jouent généralement au jeu du « mesurer et deviner ». Ils mesurent la largeur d'un arbre à une hauteur spécifique — environ à la hauteur de la poitrine d'une personne, appelée « diamètre à hauteur de poitrine » — et utilisent ce chiffre pour calculer la quantité totale de bois et de carbone que l'arbre entier contient. C'est comme deviner la taille d'une pastèque en mesurant simplement son milieu.

Mais que se passe-t-il quand l'arbre a disparu ? Si une forêt est dense et enchevêtrée, ou si les arbres ont déjà été abattus pour le bois d'œuvre, vous ne pouvez plus mesurer la poitrine. L'arbre est soit trop encombré pour y accéder, soit n'est plus qu'un tas de bûches au sol. Cela laisse un grand vide dans notre grand livre comptable : nous ne pouvons pas compter le carbone si nous ne pouvons pas mesurer l'arbre. C'est là qu'intervient une nouvelle idée : regarder la souche. La souche est la base de l'arbre laissée dans le sol après une récolte. La grande question pour les scientifiques est simple : pouvons-nous mesurer la largeur de cette souche et l'utiliser pour déterminer la taille de l'arbre entier, même si nous n'avons jamais vu le sommet ?

Le Détective des Souches : Résoudre l'Énigme Manquante de la Forêt

Dans une étude récente, les chercheurs Niamjit Das et Md. Qumruzzaman Chowdhury ont décidé de jouer les détectives dans les plantations du Bangladesh. Ils étudiaient trois types d'arbres à croissance rapide : Acacia auriculiformis, Acacia mangium, et un mélange « hybride » spécial des deux. Ces arbres sont comme les sprinteurs du monde forestier, poussant rapidement pour fournir du bois et absorber du carbone. L'équipe voulait voir s'ils pouvaient remplacer la traditionnelle « mesure de la poitrine » par une « mesure de la souche » sans perdre en précision.

Pour résoudre le mystère, ils ne se sont pas contentés de deviner ; ils ont mené une véritable enquête médico-légale. Ils ont sélectionné 1 050 arbres répartis sur dix sites différents. Pour 75 de ces arbres, ils ont pris la décision radicale de les abattre, de les couper en sections et de les sécher dans un four à 105 °C jusqu'à ce qu'ils soient parfaitement secs. Ils ont pesé chaque morceau pour obtenir la quantité exacte de biomasse (poids du bois). Cela leur a donné la « vérité » pour comparer avec leurs mesures. Pour le reste des arbres, ils ont mesuré le diamètre de la souche (la largeur de la souche à 30 cm du sol) et le diamètre traditionnel à hauteur de poitrine (DBH).

Les chercheurs ont ensuite construit une boîte à outils numérique remplie de 14 modèles mathématiques différents. Certains étaient des lignes droites simples, d'autres étaient courbes, et d'autres encore étaient des programmes informatiques sophistiqués appelés « apprentissage automatique » (machine learning) qui tentent de trouver des modèles dans les données. Ils ont demandé aux modèles : « Si vous connaissez seulement la taille de la souche, pouvez-vous nous dire le poids total de l'arbre ? »

Les résultats furent une heureuse surprise. L'étude a révélé que le diamètre de la souche est un substitut extrêmement fiable à la mesure de la poitrine. Lorsqu'ils ont utilisé un type spécifique de mathématiques (appelé régression log-log), les modèles étaient incroyablement précis, avec un taux de réussite (R²) supérieur à 0,98. Cela signifie que la taille de la souche prédisait presque parfaitement la taille de l'arbre. En fait, les modèles basés sur la souche fonctionnaient aussi bien que ceux basés sur la poitrine traditionnelle.

Cependant, l'étude a également testé des modèles « intelligents » de haute technologie. Un programme informatique, appelé Forêt Aléatoire (Random Forest), a confirmé l'avis des chercheurs selon lequel la souche était l'indice le plus important. Mais un autre programme, appelé Gradient Boosting, s'est un peu trop enthousiasmés par les données et a commencé à faire du « surapprentissage » (overfitting) — en gros, il a tellement bien mémorisé les arbres spécifiques étudiés qu'il ne pouvait plus deviner correctement pour de nouveaux arbres. Cela a appris aux chercheurs que, bien que les ordinateurs sophistiqués soient géniaux, une formule simple et robuste est parfois préférable.

L'équipe a également découvert que les Acacia hybrides étaient les poids lourds du groupe, stockant le plus de carbone par hectare, suivis par l'A. mangium et enfin l'A. auriculiformis.

Pourquoi cela est-il important ? Parce que cette méthode change la donne pour les forêts qui ont déjà été récoltées. Si une forêt est coupée, vous ne pouvez plus mesurer la poitrine, mais les souches sont toujours là. En mesurant les souches, les forestiers peuvent désormais calculer rapidement et précisément la quantité de carbone retirée ou la quantité de biomasse récoltée. Cela aide les pays à mieux suivre leurs « comptes bancaires de carbone », ce qui est crucial pour les objectifs climatiques mondiaux. L'étude suggère que cette astuce simple — mesurer la souche plutôt que la poitrine — pourrait être un outil puissant et pratique pour gérer les forêts tropicales et lutter contre le changement climatique, transformant un tas de bois laissé sur place en une image claire du passé et de l'avenir de la forêt.

Résumé technique : Au-delà de la hauteur de poitrine – Exploiter le diamètre de la souche comme prédicteur robuste de la biomasse et des stocks de carbone dans les plantations d'Acacia tropicales

Énoncé du problème
L'estimation précise de la biomasse des arbres est fondamentale pour la gestion des forêts tropicales, l'atténuation du changement climatique et le suivi REDD+. Les inventaires conventionnels reposent fortement sur le diamètre à hauteur de poitrine (DHP). Cependant, la mesure du DHP est souvent peu pratique ou impossible dans certains contextes spécifiques, tels que les peuplements denses avec une végétation de sous-bois obstruante, les arbres à contreforts, ou, plus crucialement, dans les scénarios post-récolte où les arbres ont été abattus. Dans ces situations, le diamètre de la souche (mesuré à 30 cm au-dessus du sol) est souvent la seule métrique disponible. Malgré son utilité potentielle, le diamètre de la souche a été peu étudié en tant que prédicteur systématique de la biomasse dans la foresterie de plantation tropicale, particulièrement pour les espèces d'Acacia, ce qui entraîne une dépendance vis-à-vis des modèles basés sur le DHP qui ne peuvent pas être appliqués au suivi post-récolte.

Méthodologie
L'étude a été menée sur dix sites de plantation dans la division de Sylhet, au Bangladesh, en se concentrant sur trois taxons : Acacia auriculiformis, Acacia mangium et leur hybride (A. auriculiformis × A. mangium).

Échantillonnage : Un plan d'échantillonnage aléatoire stratifié a été employé, sélectionnant 1 050 arbres (350 par espèce) pour couvrir une large gamme de classes de taille.
Échantillonnage destructif : Pour calibrer les équations de biomasse, 75 arbres (25 par espèce) ont fait l'objet d'un échantillonnage destructif. Ces arbres ont été abattus, sectionnés, séchés à l'étuve à 105 °C jusqu'à masse constante, puis pesés pour déterminer la biomasse précise de la tige.
Mesures : Pour tous les arbres échantillonnés, le diamètre de la souche ( $d_{st}$ à 30 cm), le DHP (à 1,3 m), la hauteur totale et la hauteur de la tige ont été enregistrés.
Approches de modélisation : Les chercheurs ont évalué quatorze modèles, incluant :
- Modèles de régression : Régressions linéaires, log-log (ln–ln) et polynomiales reliant le diamètre de la souche au DHP et à la biomasse de la tige.
- Modèles à effets mixtes : Utilisés pour rendre compte des variations aléatoires entre les espèces et les sites.
- Apprentissage automatique (Machine Learning) : Les algorithmes Random Forest et Gradient Boosting ont été mis en œuvre pour capturer les relations non linéaires et les interactions.
Validation : Une stratégie de validation rigoureuse à deux niveaux a été utilisée : (1) validation indépendante à l'aide d'un ensemble de données de 975 arbres non utilisés pour la calibration, et (2) validation croisée à cinq plis stratifiée par espèce. La performance a été évaluée à l'aide du $R^2$ ajusté, de la RMSE, de l'AIC, des statistiques de Durbin-Watson et des tests t pour échantillons appariés.
Estimation du carbone : La biomasse de la tige a été convertie en stocks de carbone à l'aide de facteurs de conversion spécifiques aux espèces (0,475 pour A. auriculiformis, 0,480 pour A. mangium, et 0,485 pour l'hybride Acacia).

Résultats clés

Le diamètre de la souche comme proxy : Le diamètre de la souche a démontré une corrélation très stable et forte avec le DHP pour les trois taxons. Le modèle de régression log-log (ln–ln) a produit des valeurs de $R^2$ ajusté supérieures à 0,98, avec une faible RMSE (0,048–0,074) et des résidus non biaisés.
Prédiction de la biomasse : Les modèles de biomasse basés sur le diamètre de la souche ont performé de manière comparable, et dans certains cas mieux, que les modèles conventionnels basés sur le DHP. Le modèle parcimonieux ln–ln basé sur la souche a atteint des valeurs de $R^2$ ajusté comprises entre 0,945 et 0,968.
Performance des modèles :
- Modèles à effets mixtes : Ceux-ci ont réduit significativement le biais, particulièrement pour l'Acacia hybride, améliorant la généralisabilité entre les sites.
- Apprentissage automatique : Random Forest a systématiquement identifié le diamètre de la souche comme le prédicteur le plus important de la biomasse de la tige. En revanche, Gradient Boosting a montré des signes de surapprentissage (overfitting), malgré une précision apparente élevée, soulignant la nécessité de prudence lors de l'application d'algorithmes complexes en foresterie.
Validation : La validation indépendante et la validation croisée ont confirmé que les prédictions basées sur la souche étaient non biaisées (p > 0,05) avec des intervalles de confiance étroits et de faibles erreurs types de l'estimation.
Stocks de carbone : Les estimations spécifiques aux espèces ont indiqué que l'Acacia hybride était le plus productif en termes de stock de carbone, suivi de A. mangium et A. auriculiformis.

Signification et affirmations
Les auteurs affirment que cette étude fournit un outil pratique et évolutif pour l'évaluation rapide de la biomasse et la comptabilité du carbone, répondant spécifiquement à la lacune du suivi post-récolte où le DHP n'est pas disponible. En validant le diamètre de la souche comme un substitut robuste au DHP, la recherche offre une méthode pour reconstruire la biomasse des peuplements et les stocks de carbone après la récolte, ce qui est crucial pour la surveillance, la notification et la vérification (MRV) dans le cadre de REDD+ et des cadres du GIEC de niveau 2/3.

L'étude soutient que ses conclusions appuient les objectifs mondiaux de climat et de biodiversité, spécifiquement l'ODD 13 (Action climatique) et l'ODD 15 (Vie terrestre), en permettant un suivi efficace des stocks de carbone dans la foresterie de plantation tropicale. L'intégration de l'échantillonnage destructif avec des approches statistiques et d'apprentissage automatique avancées établit un cadre méthodologique qui permet une comptabilité du carbone précise, efficace et spécifique aux espèces dans diverses conditions de terrain, y compris les peuplements denses et les zones récoltées. Les auteurs soulignent que bien que les modèles basés sur la souille soient robustes, l'utilisation de cadres à effets mixtes et la sélection prudente d'algorithmes d'apprentissage automatique (favorisant Random Forest par rapport à Gradient Boosting dans ce contexte) sont essentielles pour minimiser le biais et le surapprentissage.

Le Grand Livre Caché de la Forêt

Le Détective des Souches : Résoudre l'Énigme Manquante de la Forêt

Articles similaires