Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

Après qu'un incendie de forêt a déferlé sur une forêt, le paysage est souvent laissé cicatrisé et silencieux. Pour les gestionnaires forestiers et les écologues, la question la plus pressante n'est pas seulement l'ampleur des dégâts subis, mais de savoir si la forêt guérira d'elle-même. De nouveaux pins et sapins prendront-ils racine, ou la terre restera-t-elle dominée par les arbustes et les graminées ? Cette décision détermine si une région nécessite une intervention humaine coûteuse pour replanter des arbres ou si la nature fera le travail d'elle-même. Pour répondre à cela, les scientifiques se sont longtemps tournés vers les satellites, qui peuvent observer de vastes zones de terres brûlées trop dangereuses ou reculées pour les humains. Cependant, une image satellite n'est qu'une image de la lumière rebondissant sur le sol ; elle ne peut pas faire la différence entre un jeune plant de pin, un arbuste qui germe ou une branche d'arbre survivante. Le défi a toujours été de déterminer si les motifs observés depuis l'espace prédisent réellement là où de nouveaux conifères poussent, et si ces motifs restent vrais lorsqu'on observe un incendie complètement différent de celui sur lequel l'ordinateur a été entraîné.

Une nouvelle étude menée par le chercheur indépendant Joshua Puliafico s'attaque à ce problème en testant la capacité des données satellites à prédire la régénération forestière à travers différents incendies. La recherche se concentre sur l'utilisation des données du programme de satellite Landsat, qui photographie la Terre depuis des décennies. L'équipe voulait savoir si le fait de résumer les données satellites en tendances saisonnières larges serait plus utile pour prédire la régénération forestière que d'essayer de capturer chaque détail du cycle de croissance de la végétation. Ils ont construit des modèles informatiques pour apprendre à partir de données de terrain collectées après vingt-cinq incendies différents dans l'ouest des États-Unis. Ces modèles ont ensuite été testés sur treize nouveaux incendies que l'ordinateur n'avait jamais vus, simulant un scénario réel où un gestionnaire doit évaluer un nouveau site brûlé en utilisant les leçons tirées d'événements passés.

Les chercheurs ont comparé trois manières différentes d'injecter des informations dans leurs modèles informatiques. La première était une approche de base qui utilisait uniquement le contexte écologique, tel que l'intensité de l'incendie, la distance du site par rapport aux arbres existants capables de libérer des graines, et le climat local. La deuxième approche ajoutait un résumé des données satellites, condensant des mois d'observations en une seule image saisonnière pour chaque année après l'incendie. La troisième approche était la plus détaillée, ajoutant des centaines de variables supplémentaires qui tentaient de capturer le moment précis du débourrement (le verdissement), le pic de croissance et le déclin de la végétation au cours de chaque saison. L'objectif était de voir quelle méthode aidait le mieux l'ordinateur à deviner si une parcelle de terrain aurait de nouveaux arbres ou non.

Les résultats ont montré que l'approche intermédiaire, utilisant des résumés saisonniers, était la grande gagnante. Lorsque les modèles ont été testés sur les treize nouveaux incendies, l'ajout des données satellites saisonnières a considérablement amélioré leur capacité à distinguer les zones qui allaient se régénérer de celles qui ne le feraient pas. Cette amélioration était constante à travers presque tous les nouveaux incendies, suggérant que la méthode fonctionne bien même en passant d'une zone géographique à une autre. Les modèles utilisant des résumés saisonniers ont été capables de classer les sites d'incendie plus précisément, aidant les gestionnaires à prioriser les zones qu'ils doivent visiter en premier. Plus précisément, lorsque les modèles devaient sélectionner les vingt pour cent de parcelles les plus susceptibles de manquer de nouveaux arbres, l'approche saisonnière les a aidés à trouver une proportion beaucoup plus élevée de ces espaces vides par rapport à l'utilisation des seules données écologiques de base.

Il est intéressant de noter que l'approche la plus détaillée n'a apporté aucun avantage supplémentaire. L'ajout des centaines de variables supplémentaires qui suivaient le calendrier précis de la croissance au sein des saisons n'a pas rendu les prédictions plus précises. En fait, pour les nouveaux incendies, le modèle détaillé a légèrement moins bien performé que le simple résumé saisonnier. Cela suggère que, pour le but de prédire la régénération forestière à travers différents incendies, une vue large du cycle saisonnier est plus fiable qu'une vue à haute résolution des changements quotidiens ou hebdomadaires. Le détail supplémentaire a pu introduire trop de bruit ou dépendre trop fortement de conditions locales qui ne s'appliquaient pas aux nouveaux incendies.

L'étude a également révélé une nuance cruciale sur ce que les données satellites mesurent réellement. Les chercheurs ont testé une version du modèle qui n'utilisait que des données satellites antérieures à l'incendie. De manière surprenante, cette information pré-incendie a également amélioré les prédictions par rapport à la base écologique de base. Cela signifie que le succès du modèle saisonnier n'est pas uniquement dû à l'observation de la croissance de nouveaux arbres après l'incendie. Au contraire, les données satellites capturent probablement un mélange de facteurs : l'état du terrain avant l'incendie, la sévérité de la brûlure et la régénération subséquente. Comme les données pré-incendie étaient déjà utiles, les chercheurs ont conclu que le modèle saisonnier complet ne peut pas être crédité entièrement de la mesure de la régénération post-incendie de manière isolée. C'est un outil puissant qui combine l'histoire et les conditions actuelles pour faire une meilleure supposition.

En fin de compte, ce travail offre une voie pratique pour la gestion forestière. Il démontre qu'un résumé relativement simple des observations satellites peut aider les gestionnaires à identifier les zones brûlées qui peinent à se régénérer et celles qui sont susceptibles de s'en sortir par elles-mêmes. En utilisant ces résumés saisonniers, les agences peuvent concentrer leurs équipes de terrain aux ressources limitées sur les sites qui en ont réellement besoin, plutôt que de gaspiller des ressources dans des zones qui se régénèrent déjà. Bien que les modèles ne soient pas parfaits et ne puissent pas encore remplacer une visite physique de la forêt, ils fournissent un moyen fiable de filtrer des milliers d'acres et de prendre des décisions plus intelligentes sur les lieux où investir dans les efforts de reforestation. L'étude confirme que regarder la forêt à travers le prisme du changement saisonnier, plutôt que d'essayer de capturer chaque moment fugace de croissance, est le moyen le plus efficace de prédire l'avenir de ces paysages en régénération.