Produit Canada Landsat Disturbance (CanLaD) - Incluant les perturbations par insectes forestiers

Cette publication de données contient trois ensembles de données :
1. Cartes de perturbations annuelles détaillées – Quarante couches raster cartographiant les types de perturbations forestières au Canada de 1985 à 2024, avec une résolution de 30 m.
2. Cartes du type et de l’année des perturbations les plus récentes– Une version simplifiée pour une utilisation optimisée, composée de trois rasters indiquant le type et l’année (début et fin de la perturbation) de la perturbation la plus récente.
3. Carte du jour julien le plus récent – Une couche raster indiquant le dernier jour julien de la série temporelle Landsat, correspondant au nombre de jours écoulés depuis le 1er janvier 1970.

Les types de perturbations forestières incluent les feux de forêt, les coupes forestières, les épidémies d’insectes, les chablis, et les nouveaux plans d’eau.
La méthode repose sur la série temporelle des images Landsat (composé annuelle juillet et août) (Guindon et al. 2024). Dans un premier temps, l’approche LandTrendr (Kennedy et al. 2010) a été utilisé pour détecter les perturbations dans la série temporelle. Ensuite, un réseau de neurones convolutionnels unidimensionnels a été appliqué avec une fenêtre d’analyse de 10 ans afin de classifier les types de perturbation. La précision globale des cartes est de 80 %. La précision globale pour les classes agrégées « défoliation / sans-défoliation » est de 88,0 % ± 1,2 %, avec une erreur de commission de 25,4 % ± 5,7 % et une erreur d’omission de 63,2 % ± 4,3 %.
## Contraintes d’utilisation :
1. Les classes de sévérité de la défoliation proposées n’ont pas pour but de correspondre directement aux classifications annuelles des relevés aériens. Elles représentent plutôt l’intensité du changement spectral cumulé à la fin de l’épidémie ou, si celle-ci est toujours en cours, à la dernière année observée. Seules les défoliations cumulées de sévérité moyenne et élevée sont détectées et représentent un bon compromis entre erreur d’omission et commission.
2. Les modèles visent les insectes ravageurs touchant principalement les conifères. Ils peuvent cependant capter des défoliations dans les forêts mixtes ou même à forte proportion feuillues.
2. L’analyse se base sur une fenêtre temporelle de 10 ans afin de capturer adéquatement les effets de la défoliation progressive. Par conséquent, pour détecter adéquatement un ravageur provoquant ce type de défoliation, comme la tordeuse des bourgeons de l’épinette, les données historiques ne deviennent réellement pertinentes qu’à partir d’environ 1995. Pour les insectes avec une défoliation plus rapide, les années 1990 pourraient être considérées comme un point de départ approprié.
3. La classe de récolte de bois correspond au prélèvement d’arbres, indépendamment de l’intention sous-jacente. Elle inclut majoritairement des zones destinées à demeurer forestières, à être reboisées, mais peut englober également certains secteurs convertis à d’autres usages, comme la construction de routes, de mines ou d’infrastructures diverses.
4. Pour la classe des chablis, le modèle s’avère efficace pour détecter les évènements de grande ampleur, mais il présente un taux élevé de fausses détections, notamment en périphérie des zones récoltées, où les pixels mixtes induisent des signatures spectrales similaires à celles des chablis. Il s’agit de la classe de perturbation affichant le taux d’erreur le plus élevé.
5. La classe nouvelle étendue d’eau n’a pas été formellement validée dans cette étude, mais des évaluations visuelles ont été faites pour s’assurer que les grands secteurs avaient été captés.
6. Les mosaïques d’images utilisés par les modèles s’appuient sur les mois de juillet et août, ainsi les perturbations survenues à l’automne ne seront détectées que l’année suivante. Par exemple, un incendie de forêt en aout 2023 pourrait n’être visible que dans la composition de 2024 si l’image utilisée date de juillet. De plus, des données manquantes, dues au masquage des nuages et des ombres, peuvent entraîner un retard de détection d’un ou deux ans par rapport à l’occurrence réelle des perturbations. Les utilisateurs peuvent cependant utiliser la base de données nationale sur les incendies (NBAC Canadian Wildland Fire Information System) pour vérifier et, si nécessaire, ajuster l’année de l’évènement. De plus, le raster des derniers jours juliens peut être utilisé pour mieux interpréter la date de la détection des changements.
7. Les années à la fin de la série temporelle peuvent présenter un taux d’erreur de commission plus élevé. Les mises à jour annuelles permettront de corriger ces erreurs.
8. Seules les perturbations d’une superficie d’au moins 1,08 hectare (12 pixels) sont prises en compte. Les perturbations linéaires (ex. chemins forestiers) pourraient être sous-estimées en raison de cette contrainte.

## Plus de détails seront disponibles dans l’article scientifique en cours de rédaction :
Perbet, P.,
## Citation pour ce jeu de données:
Perbet, P., Guindon, L., Correia D.L.P., P. Villemaire, O., Reisi Gahrouei R. St-Amant, Canada Landsat Disturbance with pest (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire, harvest and pest outbreak detection and attribution since 1987. https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc


## Références citées:
Guindon, Luc, Francis Manka, David L.P. Correia, Philippe Villemaire, Byron Smiley, Pierre Bernier, Sylvie Gauthier, Andre Beaudoin, Jonathan Boucher, et Yan Boulanger. 2024. « A New Approach for Spatializing the CAnadian National Forest Inventory (SCANFI) Using Landsat Dense Time Series ». Canadian Journal of Forest Research, février, cjfr-2023-0118. https://doi.org/10.1139/cjfr-2023-0118.
Kennedy, Robert E., Zhiqiang Yang, et Warren B. Cohen. 2010. « Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — Temporal segmentation algorithms ». Remote Sensing of Environment 114 (12): 2897 2910. https://doi.org/10.1016/j.rse.2010.07.008.
Pelletier, Charlotte, Geoffrey I. Webb, et François Petitjean. 2019. « Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series ». Remote Sensing 11 (5): 523. https://doi.org/10.3390/rs11050523.