Présentation

Le Centre d’Expertise Scientifique « Variables pour la biodiversité » regroupe une communauté de chercheurs et de praticiens en télédétection, écologie et botanique, qui participe au développement de méthodes et à la production d’images visant à améliorer la cartographie et le suivi d’indicateurs de biodiversité.

Ce CES s’appuie sur l’expertise des laboratoires de recherches tels que l’UMR TETIS (Montpellier), le LETG (Rennes), le CESBIO (Toulouse), DYNAFOR (Toulouse) ainsi que des Conservatoires Botaniques Nationaux (CBN Alpin, CBN méditerranéen…).

Des variables essentielles pour la biodiversité

La biodiversité connaît un déclin sans précédent, comme en témoigne le dernier rapport de l’IPBES (Plateforme intergouvernementale sur la biodiversité et les services écosystémiques) publié au printemps 2019 (https://www.ipbes.net/news/Media-Release-Global-Assessment-Fr). Plus d’un million d’espèces végétales et animales seraient menacées d’extinction dans les prochaines décennies. Les principaux facteurs responsables de cet effondrement sont les changements d’usage des terres, l’exploitation des ressources, le changement climatique, la pollution, et les invasions biologiques.

Dans une perspective de suivi opérationnel de la biodiversité à large échelle, le réseau scientifique mondial GEO BON (Group on Earth Observations – Biodiversity Observation Network) a proposé un ensemble minimal d’indicateurs correspondant aux EBVs – variables essentielles de la biodiversité (Pereira et al. 2013). Plusieurs études récentes ont montré le potentiel important de la télédétection pour contribuer au suivi des EBVs (Skidmore et al. 2015) et plus généralement, au suivi de la biodiversité (Gillespie et al. 2008 ; O’Connor et al. 2015 ; Jetz et al. 2016 ; Coops et al. 2018 ; Radeloff et al. 2019) avec aussi la nécessité de fixer un cadre commun pour avancer (Pettorelli et al., 2016).

Les images satellitaires offrent une large palette d’indicateurs spectraux pour estimer ces EBVs, caractériser l’hétérogénéité des habitats ou prédire la répartition spatiale des espèces. La mise à disposition gratuite ou à faible coût d’images satellitaires avec des résolutions spatiales et temporelles variées offre des perspectives inédites pour suivre les dynamiques spatio-temporelles de cette biodiversité, qu’elle soit végétale ou animale.

Ainsi, les nouvelles données de télédétection devraient participer à mieux caractériser, à différentes échelles, la répartition, la composition floristique, la phénologie et les traits fonctionnels des végétations naturelles ainsi que les pressions qui s’y exercent. Les indicateurs spectraux peuvent aussi jouer le rôle de proxys pour estimer une diversité en espèce faunistique ou un niveau de service écosystémique. L’identification des indicateurs spectraux pertinents et leur utilisation dans un cadre opérationnel pour prédire et spatialiser des indicateurs de biodiversité à large échelle nécessite une collaboration accrue entre télédétecteurs et écologues.

Objectifs

Le CES « Variables pour la biodiversité » a pour objectifs de :

  • 1 – Développer des méthodes de caractérisation et de suivi de la biodiversité à partir d’images à différentes échelles spatiales et temporelles.
  • 2 – Proposer des variables utiles au suivi d’indicateurs de biodiversité. Ces variables pourront correspondre à différents indices de végétation mais aussi, à des indices texturaux, de diversité ou encore de saisonnalité. Elles exploiteront à la fois la dimension spectrale des images mais également les dimensions spatiale et temporelle. Le calcul de ces variables ne représente pas toujours une difficulté méthodologique mais leur mise à disposition systématique facilitera leur usage et permettra de décloisonner les communautés.
  • 3 – Répondre à des besoins exprimés par les écologues, par les gestionnaires d’espaces naturels ou dans le cadre des politiques publiques environnementales.
  • 4 – Renforcer les collaborations interdisciplinaires entre les experts en télédétection et les acteurs de la biodiversité (botanistes, gestionnaires, écologues…) afin de favoriser l’échange d’expertises et de données nécessaires à la calibration des modèles de prédiction.

Produit proposé

Dynamic Habitat Index pour la France à partir d’image MODIS.

Un premier produit est identifié et fera l’objet de tests et d’évaluation. Il s’agit du Dynamic Habitat index (DHI) basé sur des séries temporelles annuelles Sentinel-2.

Les DHI sont conçues pour l’évaluation de la biodiversité et pour décrire les habitats naturels de différentes espèces. Trois indices individuels composent les DHI :

1. DHI cum – DHI cumulatif, c’est-à-dire l’aire sous la courbe phénologique d’une année.

2, DHI min – DHI minimum, c’est-à-dire la valeur minimale de la courbe phénologique d’une année.

3, DHI var – saisonnalité DHI, c’est-à-dire le coefficient de variation de la courbe phénologique d’une année.

Contact

Samuel Alleaume
INRAE | TETIS
@S.Alleaume
Contributions FR |EN

Sébastien Rapinel
LETG
@S.Rapinel

Vincent Thierion
INRAE | CESBIO
@V.Thierion

David Shereen


David Sheeren
DYNAFOR
@D.Sheeren


Guillaume Papuga
CBN Méditerranéen
@G.Papuga

Jean-Baptiste Féret
INRAE | TETIS
@JB.Feret


Laurence Hubert-Moy
LETG
@L.Hubert-Moy

Mathieu Fauvel

Mathieu Fauvel
INRAE |CESBIO
@M.Fauvel


Marc Isenmann
CBN Alpin
@M.Isenmann


Guilhem De Barros
CBN Méditerranéen
@G.DeBarros

Principaux CES associés

Projets en cours

PIA Dordogne :

Le Département de la Dordogne a été lauréat d’un appel à Projet de l’État à l’attention des collectivités pour la reconquête de la biodiversité dans le cadre du Programme d’Investissement d’Avenir (PIA). Le projet départemental prévoit le développement d’outils cartographiques visant l’amélioration de la connaissance des enjeux de biodiversité, la création d’outils pour les collectivités, des missions d’appui aux collectivités et le développement d’une plateforme de sensibilisation de tous les publics aux enjeux de biodiversité.

CarHAB

Au vu des enjeux importants à la croisée de l’aménagement du territoire et de la protection de la biodiversité, il est proposé de mettre en place un outil cartographique permettant de visualiser la localisation des habitats naturels et semi-naturels, notamment face à l’intensification de l’artificialisation des surfaces. La construction de l’outil se base sur un couplage des outils de télédétection et de modélisation et la mobilisation de données et connaissances de terrain capitalisées dans le SINP.

TOSCA PARCELLE

L’objectif de ce projet est d’encourager les efforts de mutualisation et de capitalisation sur la chaîne de traitements iota2 en favorisant les interactions avec plusieurs CES du pôle THEIA dont le « CES  biodiversité des végétations ». Dans ce cadre, il s’agit d’évaluer et de faire évoluerle potentiel de la chaîne iota2 sur la cartographie des milieux naturels.

TOSCA HyperBIO

L’objectif de ce projet est d’étudier l’apport de l’imagerie hyperspectral et ses spécificités (en terme de résolution spatiale et spectrale) pour estimer des indicateurs de biodiversité forestière (composition en essence principalement).

Thèses

  • Marc Lang : Cartographie des habitats (semi) naturels méditerranéens par une fusion de données multi-capteurs.
  • Yousra Hamrouni : Synergie des données Sentinel optique/radar pour la cartographie des peupleraies à large échelle
  • Nicolas Karasiak : Télédétection hypertemporelle des essences forestières

Références citées

Coops, NC., Kearney, SP., Bolton, DK 2018. Remotely-sensed productivity clusters capture global biodiversity patterns, Scientific Reports, 8: 16261.

Gillespie T., Foody G., Rocchini D., Giorgi A. P., Saatchi S. 2008. Measuring and modelling biodiversity from space, Progress in Physical Geography, 32(2), pp. 203–221

Jetz W., Cavender-Bares J., Pavlick R., Schimel D., Davis F., Asner G.,… Ustin S. 2016. Monitoring plant functional diversity from space, Nature Plants, 2.

O’Connor, B., Secades, C., Penner, J., Sonnenschein, R., Skidmore, A., Burgess, N.D., and Hutton, J.M. (2015). Earth observation as a tool for tracking progress towards the Aichi Biodiversity Targets. Remote Sensing in Ecology and Conservation, 1, 19–28.

Pereira, H., Ferrier, S., Walters, M., Geller, G., Jongman, R., Scholes, R.,… Wegmann, M. 2013. Essential biodiversity variables. Science, 339 (6117), 277–278.

Pettorelli, N., Wegmann, M., Skidmore, A., Mücher, S., Dawson, T.P., Fernandez, M., Lucas, R., Schaepman, M.E., Wang, T., O’Connor, B., et al. (2016). Framing the concept of satellite remote sensing essential biodiversity variables: challenges and future directions. Remote Sensing in Ecology and Conservation 2, 122–131.

Radeloff V.C., Dubinin M., Coops N.C., Allen A.M., Brooks T.M., Clayton M.K., Costa G.C., Graham C.H., Helmers D.P., Ives A.R., Kolesov D., Pidgeon A.M., Rapacciuolo G., Razenkova E., Suttidate N., Young B.E., Zhu L., Hobi M.L. 2019. The Dynamic Habitat Indices (DHIs) from MODIS and global biodiversity, Remote Sensing of Environment, 222, pp. 204-214.

Skidmore, A.K., Pettorelli, N., Coops, N.C., Geller, G.N., Hansen, M., Lucas, R., Mücher, C.A., O’Connor, B., Paganini, M., Pereira, H.M., et al. (2015). Environmental science: Agree on biodiversity metrics to track from space. Nature, 523, 403–405.

Références des laboratoires du CES

Bonthoux S., Lefèvre S., Herrault P.-A., Sheeren D. 2018. Spatial and Temporal Dependency of NDVI Satellite Imagery in Predicting Bird Diversity over France. Remote Sensing, 10(7), 1136.

Cano. E., Denux J.-P., Bisquert M., Hubert-Moy L., Chéret V. 2017. Improved forest-cover mapping based on MODIS time series and landscape stratification, International Journal of Remote Sensing, 38(7), pp. 1865-1888.

Corbane, C., Lang, S., Pipkins, K., Alleaume, S., Deshayes, M., García Millán, V.E., Strasser, T., Vanden Borre, J., Spanhove, T., and Förster, M. 2015. Remote sensing for mapping natural habitats and their conservation status – New opportunities and challenges. International Journal of Applied Earth Observation and Geoinformation, 37, 7–16.

Fauvel M., Arbelot B. , Benediktsson J.A. , Sheeren D. , Chanussot J. 2013. Hedges detection in a rural environment using local orientation feature: from linear opening to path opening. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(1), pp. 15-26.

Fauvel M., Planque C., Sheeren D., Dalla Mura M. 2014. Télédétection des éléments semi-naturels : utilisation des données Pléiades pour la détection des haies. Revue Française de Photogrammétrie et Télédétection, 208, pp. 111-116, 2014.

Lang, M., Alleaume, S., Luque, S., Baghdadi, N., and Féret, J.-B. (2018). Monitoring and Characterizing Heterogeneous Mediterranean Landscapes with Continuous Textural Indices Based on VHSR Imagery. Remote Sensing, 10, 868.

Lopes, M., Fauvel M., Ouin A. and Girard S. 2017. Spectro-temporal Heterogeneity Measures from Dense High Spatial Resolution Satellite Image Time Series: Application to grassland species diversity estimation. Remote Sensing, 9(7) :688.

Lopes, M., Fauvel M., Girard S., and Sheeren D. 2017. Object-based classification of grasslands from high resolution satellite image time series using gaussian mean map kernels. Remote Sensing, 9(7) :688.

Rapinel, S., Hubert-Moy, L., and Clément, B. 2015. Combined use of LiDAR data and multispectral earth observation imagery for wetland habitat mapping. International Journal of Applied Earth Observation and Geoinformation, 37, 56–64.

Rapinel, S., Dusseux, P., Bouzillé, J.-B., Bonis, A., Lalanne, A., and Hubert-Moy, L. 2018. Structural and functional mapping of geosigmeta in Atlantic coastal marshes (France) using a satellite time series. Plant Biosystems – An International Journal Dealing with All Aspects of Plant Biology 1–8.

Sausse C., Chéret V., Coffion R., Ducrot D., Duthoit S., Gross H., Lepennetier A., Manneville V., Sculo R., Sheeren D., Tosser V., Wartelle R. 2018. La télédétection des infrastructures agro-écologiques : de la promesse aux méthodes opérationnelles (Tél-IAE). Innovations Agronomiques, 63, pp. 267-278.

Sheeren D., Bastin N., Ouin A., Ladet S., Balent G., Lacombe J.-P. 2009. Discriminating small wooded elements in rural landscape from aerial photography: a hybrid pixel/object-based analysis approach. International Journal of Remote Sensing, 30(19), pp. 4979-4990.

Sheeren D., Masse A., Ducrot D., Fauvel M., Collart F., May S. 2012. La télédétection pour la cartographie de la trame verte en milieu agricole. Evaluation des potentialités d’images multi-angulaires à très haute résolution spatiale. Revue Internationale de Géomatique, 22(4), pp. 539-563.

Sheeren D., Bonthoux S., Balent G. 2014. Modeling bird communities using unclassified remote sensing imagery: effects of the spatial resolution and data period. Ecological Indicators, 43, pp. 69-82.

Sheeren D., Fauvel M., Josipovic V., Lopes M., Planque C., Willm J., Dejoux, J.-F. 2016. Tree Species Classification in Temperate Forests Using Formosat-2 Satellite Image Time Series. Remote Sensing, 8(9), 734, 2016.

Thierion, V., Alleaume, S., Jacqueminet, C., Vigneau, C., Michel, K., and Luque, S. 2014. The potential of Pléiades imagery for vegetation mapping: an example of grasslands and pastoral environments. Revue Française de Photogrammétrie et de Télédétection 105–110.