L'Importance de la Protection des Zones Humides
Les zones humides sont un E9cosystE8me important qui fournit un habitat pour de nombreuses espE8ces de plantes et d'animaux, amE9liore la qualitE9 de l'eau, recharge les nappes phrE9atiques et attE9nue la sE9vE9ritE9 des inondations et des sE9cheresses. Cependant, la qualitE9 et l'existence des zones humides sont menacE9es par la reconversion agricole ou le dE9veloppement, le ruissellement de polluants et le changement climatique. C9tant donnE9 la valeur E9cologique fournie par les zones humides et la menace permanente pour leur santE9, les efforts de gestion et de conservation des zones humides sont impE9ratifs. La crE9ation rapide et fiable de cartes de rE9partition des zones humides peut bE9nE9ficier E0 ces efforts. Le ModE8le d'Identification des Zones Humides (WIM) est un cadre proposE9 pour crE9er ces donnE9es.
Comment le WIM Vise C0 Soutenir les Efforts de Protection des Zones Humides
Bien qu'il existe de nombreux types de zones humides, toutes peuvent EAtre identifiE9es par des caractE9ristiques communes, notamment la prE9sence de conditions hydrologiques qui inondent la zone, une vE9gE9tation adaptE9e E0 la vie dans un sol saturE9, et des sols hydriques. Les donnE9es LiDAR (Light detection and ranging) offrent de nouvelles opportunitE9s pour observer ces caractE9ristiques 00 diverses chelles et fournissent une rsolution plus lev
e et une disponibilit
e plus large que d'autres options de t
e
m
e e
m
e e
m
e e
m
e e
m
e e
m
e e
m
e e
m
e e
m
e e
m
e e
m
e e
ce
moteur. Les retours LiDAR peuvent tre interpol
s pour cr
er des mod
les num
riques d'altitude (DEM)
haute r
solution, qui peuvent ensuite
tre utilis
s pour d
river des m
triques topographiques d
crivant la convergence du flux et l'humidit
du sol proche de la surface afin d'indiquer les zones humides. De plus, il a
t
montr
que la d
rivation de m
triques topographiques
partir des DEM LiDAR augmente la pr
cision de la cartographie de l'
tendue de saturation comparativement aux DEMs plus grossiers (c'est-
0-dire > 2 m).
Le WIM utilise les DEM LiDAR pour d
river des m
triques topographiques qui d
crivent les facteurs hydrologiques de formation des zones humides et les utilise comme pr
dicteurs des zones humides via l'algorithme random forests (Breiman, 2001). Le WIM se compose de trois parties principales : pr
traitement, calcul des variables pr
dictrices, classification et
valuation de la pr
cision. Les donn
es d'entr
e requises sont un mod
le num
rique d'altitude (DEM) haute r
solution et une couverture v
rifi
ne des zones humides/non-zones humides (donn
es terrain), toutes deux au format TIFF. L'impl
mentation actuelle exige aussi un raster d'eau superficielle en entr
e, bien que les futures impl
mentations le d
ront directement du DEM d'entr
e. Les sorties finales du mod
le sont les pr
dic tions des zones humides et un rapport de pr
cision.
- Le DEM d'entrée est prétraité en utilisant des méthodes spécifiques à la dérivation des paramètres hydrologiques à partir de DEMs haute résolution.
- Le DEM prétraité est utilisé pour calculer les variables prédictives : l'indice topographique d'humidité (TWI), la courbure, et l'indice cartographique profondeur-à-l'eau (DTW).
- Les données d'entraînement sont extraites des données terrain.
- Les données d'entraînement sont associées aux variables prédictives fusionnées pour entraîner l'algorithme random forests (Breiman, 2001).
- Les données terrain non utilisées pour l'entraînement du modèle servent à évaluer la précison des prédictions. Les métriques de précison générées sont choisies pour minimiser les évaluations non représentatives des performances du modèle dues à un désiquilibre entre classes cibles.
Performance Précé)dente du WIM et Applications Potentielles
Le WIM a été crée grâce à une recherche originale à l'Université de Virginie. Il a été initialement développé et évalué pour des applications en planification environnementale, spécifiquement pour simplifier le processus d'autorisation des zones humides en fournissant des inventaires précieux limitant le relevé manuel aux seules zones susceptibles d'tre humides. Après calibration sur quatre régions géo-graphiques en Virginie utilisant un riche jeu de données terrain confirmant juridiquement les zones humides et non-humides, le WIM a pu identifier 80-90 % des vraies zones humides sur ces sites. La proportion de prédictions correctes variait entre 22 % et 69 %. Globalement, ces rèsultats suggèrent un fort potentiel du WIM pour soutenir la dèlination des zones humides. Cependant, le succès dans d'autres paysages dèpendera de la qualitè du DEM et des donnèes terrain disponibles. Ces donnèes permettent la calibration nèc essaire des paramètres du WIM aux paysages spècifiques. Ce processus itèrative rèv elera probablement des paramètres uniques de prè-traitement du DEM qui amèl ioreront la reprèsentation de la surface terrestre pour les zones humides propres à ; chaque rè:gion. De plus, une abondance fiable de donnè:es terrain permettra au modè:le d'apprendre une gamme caractè:ristique variée des zones humides et fournira une é:valuation reprè:senta tive de sa prè:cision.
Démarrage avec WIM
WIM a été implémenté dans Arc Hydro Pro 2.5 et versions supérieures. Pour plus de documentation sur le WIM en tant qu'ensemble d'outils Arc Hydro, voir Arc Hydro – Wetland Identification Model. Notez que l'implémentation des outils WIM nécessite l'installation du package python Scikit-Learn dans l'environnement python Pro.
Lectures Complémentaires
Pour approfondir le développement et l'évaluation du WIM, voir les publications suivantes :
O'Neil, G. L., Goodall, J. L., Behl, M., Saby, L. (2020). Deep Learning using Physically-Informed Input Data for Wetland Identification. Environmental Modelling and Software. 104665. https://doi.org/10.1016/j.envsoft.2020.104665.
O'Neil, G. L., Saby, L., Band, L. E., Goodall, J. L. (2019). Effects of LiDAR DEM Smoothing and Conditioning
Techniques on a Topography-Based Wetland Identification Model. Water Resources Research, 55. https://doi.org/10.1029/2019WR024784.
O'Neil, G. L., Goodall, J. L., Watson, L. T. (2018). Evaluating the potential for site-specific modification of LiDAR DEM derivatives to improve environmental planning-scale wetland identification using random forest classification. Journal of Hydrology, 559, 192-208.
https://doi.org/10.1016/j.jhydrol.2018.02.009.
Citations
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
