Cartes de déforestation produites pour la plateforme ICE CoT.

Les cartes de déforestation EUDR d'ICE CoT sont disponibles sous licence auprès d'ICE

Benchmark Administration Limited.

Space Intelligence crée des cartes d'occupation des sols à une résolution de 10 m pour aider les négociants et les opérateurs de matières premières à respecter leurs obligations de conformité EUDR..

Les cartes que nous produisons établissent la référence de ce qui était forêt ou non au 31 décembre 2020, ainsi que des zones où une déforestation a eu lieu et où une nouvelle forêt a poussé depuis, jusqu'à aujourd'hui.

Ces cartes suivent la définition de la forêt de l'EUDR :

« Forêt » désigne des terres s'étendant sur plus de 0,5 hectare, avec des arbres de plus de 5 mètres de haut et un couvert arboré de plus de 10 %, ou des arbres capables d'atteindre ces seuils in situ, à l'exclusion des terres principalement à usage agricole ou urbain.

Ainsi que la définition de la déforestation de l'EUDR :

« Déforestation » désigne la conversion de forêts à des fins agricoles, que cette conversion soit

d'origine humaine ou non [après la date butoir du 31 décembre 2020]

Appliquer ces définitions implique de déterminer précisément, ce qui est difficile, où se trouvaient des cultures en 2020 et aujourd'hui, alors que ces cultures sont souvent situées sous couvert arboré ou sont elles-mêmes des arbres (par exemple dans les systèmes agroforestiers comme le cacao ou le café). En réalité, des zones arborées peuvent ne pas correspondre à la définition de la forêt pour diverses raisons :

Nous utilisons les datasets satellitaires suivants, avec des images prises tout au long de l'année afin de recueillir des informations sur l'évolution de chaque parcelle de terrain selon les saisons. Pour tenir compte des différences de résolution initiale et de projection cartographique, tous les datasets sont alignés et corrigés du relief sur une même grille de pixels de 10 m x 10 m. Cette grille utilise une projection équivalente (ESPG: 6933) afin que tous les pixels aient la même taille.

Nous utilisons toutes les données de terrain dont nous disposons pour les pays cartographiés, des missions de terrain spécifiques, des photos géolocalisées en libre accès, des datasets cartographiques existants et l'analyse par nos experts de données satellitaires à très haute résolution (<1 m), afin de créer un ensemble de polygons dont nous sommes certains qu'ils correspondent à des classes d'occupation des sols précises.

Nous faisons notamment beaucoup d'efforts pour créer des polygons correspondant avec certitude à des plantations d'arbres, à des cultures arborées et à des cultures sous couvert arboré, ainsi qu'à des forêts ouvertes et fermées. Ces polygons sont essentiels pour distinguer ces classes, qui se ressemblent souvent en apparence dans les données satellitaires.

Nous créons également un dataset de test indépendant composé de points, qui n'est pas utilisé pour créer les cartes, mais pour déterminer quand elles sont suffisamment précises pour être utilisées.

Les datasets satellitaires sont combinés en cubes de données couvrant une période de six mois. Cette période couvre les six derniers mois de 2020 (pour produire des cartes montrant la situation au 31 décembre 2020) et les six mois les plus récents (pour couvrir la période jusqu'à aujourd'hui). La période la plus récente sera mise à jour chaque année, avec les données jusqu'au 30 septembre de

l'année civile concernée.

Les nuages et leurs ombres sont supprimés des données satellitaires optiques, et tous les datasets sont corrigés du relief et radiométriquement, puis alignés.

Nos data scientists entraînent et exécutent ensuite un algorithme d'apprentissage automatique combinant les polygons de vérité terrain et le cube de données satellitaires, afin de prédire les cartes de fin 2020 et de la période la plus récente. Celles-ci sont testées sur le dataset de test indépendant. En fonction des résultats et de l'inspection visuelle de la carte par nos experts, nous améliorons la carte en la générant à nouveau, en modifiant les polygons de vérité terrain, les datasets satellitaires utilisés ou les paramètres

de l'algorithme d'apprentissage automatique, jusqu'à obtenir une carte finale du pays qui respecte nos exigences de précision.

Les cartes à 10 m de résolution font l'objet d'un post-traitement comprenant les modifications suivantes :

Il est important de comprendre la performance (la « précision ») des produits d'occupation des sols pour savoir si les cartes sont adaptées à un cas d'usage donné.

Chez Space Intelligence, nous prenons cela très au sérieux et évaluons la précision de nos produits et leur incertitude de manière statistiquement rigoureuse, conformément

aux bonnes pratiques décrites dans la littérature scientifique1 et aux normes internationales (2,3). Nous fixons des objectifs de performance en fonction des exigences de chaque contrat.

La précision peut être testée de plusieurs manières, mais la seule approche qui donne une évaluation pertinente de la précision d'un pixel aléatoire de la carte produite est l'approche 4. C'est l'approche utilisée par Verra dans la nouvelle Consolidated REDD+ Methodology (VM0048) et recommandée par les guides de bonnes pratiques (1-3), mais elle n'est pas toujours suivie par les entreprises désireuses d'afficher des statistiques de précision élevées. Reportez-vous à la page 4 pour une évaluation plus détaillée de chaque approche.

Il est important de souligner qu'un indicateur unique (comme la précision globale) n'est pas un moyen fiable de décrire la précision d'une carte.

Une méthode bien plus interprétable et transparente consiste à utiliser une matrice d'erreurs indiquant les précisions de commission et d'omission pour chaque classe (ce qui revient à évaluer si la carte surestime ou sous-estime certaines classes). Par exemple, dans une zone où le taux de déforestation est de 1 %, ne signaler aucune déforestation donnerait une précision globale de 99 % tout en étant totalement inadapté. Il vaut mieux indiquer dans ce cas que la carte a une précision de 100 % pour la forêt inchangée et de 0 % pour la déforestation : elle est donc clairement inadaptée.

Pour l'EUDR, l'enjeu est de distinguer la forêt naturelle de tous les autres types d'occupation des sols (qui doivent inclure des classes comportant des arbres, comme le cacao). Cela permet d'évaluer la précision probable d'une conclusion selon laquelle un polygon donné était, par exemple en 2020, une forêt naturelle ou déjà une zone non forestière.

Chez Space Intelligence, nous estimons que l'évaluation indépendante de points isolés selon les bonnes pratiques est la meilleure manière d'évaluer la précision des cartes forêt/non-forêt (l'approche 4 mentionnée précédemment). Nos écologues et data scientists hautement qualifiés évaluent « à l'aveugle » des centaines de points, selon un plan d'échantillonnage statistiquement valide, à l'aide d'images satellitaires ou aériennes à haute résolution et de toutes les autres données de terrain disponibles auprès de partenaires locaux. Afin de correspondre à la manière dont nos cartes sont utilisées pour les tests dans ICE CoT, où l'on considère les pixels de « forêt cœur » légèrement éloignés de la bordure, les points très proches de la bordure des zones forestières sont exclus de l'évaluation.

Our aim is to exceed commission and omission accuracy of 90% for both forest and non-forest classes, with an Overall Accuracy over 95%.

Nous dépassons souvent largement ce niveau, mais cela dépend des types

de végétation et de la complexité du paysage. Par exemple, dans un paysage brésilien

composé de grands massifs de forêt tropicale et de vastes champs de soja, avec une surface moyenne de défrichement de plusieurs dizaines d'hectares, nous nous attendrions à des précisions globales supérieures à 99 %. En revanche, dans un paysage complexe comprenant de petits exploitants, de petites zones déforestées (<1 ha) et des cultures comportant des arbres (par ex. le cacao), de tels niveaux de précision ne sont pas atteignables et doivent être considérés avec méfiance.

Grâce à nos méthodes avancées (combinant plusieurs types de données satellitaires) et

à notre connaissance du terrain, des précisions de commission et d'omission supérieures à 90 % sont possibles, même dans ces paysages complexes.

Les tests qu'ICE CoT effectue sur nos cartes reposent sur la précision de nos cartes, sur le constat que les erreurs cartographiques se concentrent surtout en bordure des zones forestières et déforestées, et sur la précision probable des GPS de terrain utilisés pour cartographier les limites des parcelles.

Le Cambodge présente des taux de déforestation élevés, la plupart des défrichements étant à petite échelle pour diverses cultures, dont des cultures arborées comme le palmier à huile, l'hévéa et l'aréquier. La forêt y est un mélange complexe de forêts sèches, humides et très humides, comprenant des zones marécageuses et des mangroves.

À titre d'étude de cas, nous résumons ci-dessous les résultats d'une carte d'occupation des sols de 2020 réalisée par Space Intelligence dans le cadre d'une série de cartes étudiant la dynamique de l'occupation des sols du pays sur plus de 13 ans. Les cartes affichent une précision élevée et très peu de confusion entre forêt et non-forêt, et nous avons réussi à exclure de la classe forêt les plantations forestières, les cultures arborées et les plantations d'hévéas, comme l'exigerait une évaluation EUDR.

Tableau 1 : précisions thématiques de la référence forestière 2023 de Space Intelligence pour le Cambodge, évaluées de manière indépendante selon un plan d'échantillonnage probabiliste, montrant une précision globale élevée mais aussi une faible confusion entre les classes. Toutes les valeurs incluent l'intervalle de confiance à 95 %.

Figure 1 : extrait de la référence forestière de Space Intelligence pour le Cambodge, avec la forêt en vert, la non-forêt en noir et l'eau en bleu. Les points rouges représentent quelques-uns des milliers de points aléatoires d'évaluation utilisés pour évaluer la précision de la carte.

La précision peut être testée de plusieurs manières, mais la seule approche qui donne une évaluation pertinente de la précision d'un pixel aléatoire de la carte produite est l'approche 4. C'est l'approche utilisée par Verra dans la nouvelle Consolidated REDD+ Methodology (VM0048) et recommandée par les guides de bonnes

pratiques1-3, mais elle n'est pas toujours suivie par les entreprises désireuses d'afficher des statistiques de précision élevées.

Approche 1 : une comparaison des données d'entraînement en entrée (généralement des polygons tracés à l'œil avec des classes telles que « forêt » ou « non-forêt ») avec la carte produite. L'unité utilisée est généralement la proportion de pixels correctement classés (« précision globale »), l'unité d'évaluation étant le pixel individuel et non le polygon entier.

Évaluation : bien que courante, cette méthode n'est pas scientifiquement appropriée, car les datasets de test et d'entraînement ne sont pas indépendants.

Un autre problème est l'utilisation de pixels plutôt que de polygons comme base de comparaison. Les pixels voisins (par exemple tous les pixels formant un champ défriché en forêt) sont traités comme des échantillons indépendants, alors qu'ils sont en réalité voisins et partagent bien plus de caractéristiques que deux pixels aléatoires de la carte produite.

Pour ces deux raisons, cette méthode surestime inévitablement la précision.

Approche 2 : une comparaison similaire de la carte produite avec des polygons, mais en utilisant des polygons produits indépendamment et non utilisés pour entraîner la carte. L'unité utilisée est généralement la proportion de pixels correctement classés (« précision globale »), l'unité d'évaluation étant le pixel individuel et non le polygon entier.

Évaluation : cette méthode partage le problème évoqué ci-dessus : elle traite des pixels voisins non indépendants comme s'ils étaient indépendants, ce qui surestime la précision

Approche 3 : utilisation de données collectées in situ (données de terrain).

Les données de terrain sont souvent présentées comme la « référence absolue » des données de validation, et considérées comme plus précises que les autres sources de données.

Évaluation : toutefois, en raison des difficultés d'accès et de leur coût élevé par rapport, par exemple, à l'interprétation de données de télédétection à haute résolution, la petite taille de l'échantillon et la faible proportion de la zone accessible à l'échantillonnage font que leurs résultats ne peuvent pas être extrapolés de manière fiable à de vastes régions.

Elles ont aussi tendance à présenter un biais spatial, ce qui peut poser problème pour l'évaluation des produits d'occupation des sols, car les zones accessibles sont généralement plus perturbées.

Approche 4 : l'évaluation indépendante d'un ensemble de points isolés, répartis sur l'ensemble de la carte produite selon une méthode d'échantillonnage statistiquement valide (généralement une grille ou un échantillon aléatoire stratifié).

Évaluation : cette approche fournit une évaluation fiable de la précision des différentes classes d'une carte, ainsi que des intervalles de confiance de cette évaluation. Des points supplémentaires peuvent être ajoutés de manière statistiquement valide jusqu'à ce que les intervalles de confiance de l'évaluation soient suffisamment étroits pour répondre aux exigences.