Planification forestière à l’aide du Machine Learning

Github | Documentation

Problématique

  • Notre bilan carbone est difficile à obtenir rapidement
    • Pour tous les réservoirs de l’écosystème
      • Carbone du sol
      • Biomasse souterraine
      • Litière
      • Bois mort
      • Biomasse aérienne
    • Pour la productivité nette de l’écosystème

Problématique

  • La localisation des activités sylvicoles pouvant améliorer le bilan carbone est un enjeu complexe
    • Le calcul du bilan de carbone forestier pour un modèle de planification est complexe
    • L’optimisation spatialement explicite de la localisation des travaux sylvicoles peut être très difficile à réaliser avec un modèle mathématique classique

Productivité nette de l’écosystème

Productivité nette de l’écosystème

Problématique: Productivité nette de l’écosystème ?

Problématique: État des réservoirs ?

Problématique: État des réservoirs ?

Problématique: État des réservoirs ?

Problématique:…Pour chaque période

Objectif

  • Obtention du bilan de carbone rapidement
    • Tous les réservoirs de l’écosystème
      • Carbone du sol
      • Biomasse souterraine
      • Litière
      • Bois mort
      • Biomasse aérienne
    • La productivité nette de l’écosystème

Données d’apprentissage

Apprentissage réalisé

Utilisation de la méthode

Utilisation de la méthode

Concrètement

  • Nouvelle syntaxe pour la section yield
  • Voir dans examples/Models/TWD_land/Scenarios/Predictors
  • Développement d’un nouveau type de yield “*YM”

Modèle pour les réservoirs


  {
  Intrants:
    - GFI = Volume de feuillus intolérants
    - GFT = Volume de feuillus tolérants
    - GF = Volume feuillu total
    - GR = Volume résineux total
  }
  *YM ? ? ?
  AG_Biomass_C,BG_Biomass_C,Deadwood_C,Litter_C,Soil_C _PRED(pools_carbon,GFI,GFT,GF,GR)
  {
  Extrants:
    - AG_Biomass_C = Biomasse aérienne
    - BG_Biomass_C = Biomasse souterraine
    - Deadwood_C = Bois mort
    - Litter_C = Littière
    - Soil_C = Sol

  }

  

Modèle pour la productivité nette de l’écosystème


  {
  Intrants:
    - GFI = Volume de feuillus intolérants
    - GFT = Volume de feuillus tolérants
    - GF = Volume feuillu total
    - GR = Volume résineux total
  }
  *YM ? ? ?
  NEP _PRED(nep_carbon,GFI,GFT,GF,GR)
  {
  Extrants:
    - AG_Biomass_C = Biomasse aérienne
    - BG_Biomass_C = Biomasse souterraine
    - Deadwood_C = Bois mort
    - Litter_C = Littière
    - Soil_C = Sol

  }
  

Suivi des variables



  ;Inventaire de la productivité nette de l'écosystème en (c)
  *OUTPUT NEP_Total
  *SOURCE ? ? ? _INVENT NEP

  ;Inventaire de la biomasse aérienne et souterraine en (c)
  *OUTPUT Biomasse_Total
  *SOURCE ? ? ? _INVENT AG_Biomass_C + ? ? ? _INVENT BG_Biomass_C

  ;Inventaire du carbone du sol en (c)
  *OUTPUT Sols_Total
  *SOURCE ? ? ? _INVENT Soil_C

  

Problématique : Optimisation spatialement explicite

  • Pratiquement impossible avec nos modèles
  • Utilisation d’une heuristique pour placer la récolte
  • Difficile à obtenir à moins d’implémenter une heuristique:
    • Simulated Annealing
    • Tabou Search
  • Utilisation de la programmation mixte intégrale
  • On peut donc difficilement répondre à la question du où doit t’on faire tel ou tel traitement pour améliorer notre bilan de carbone

Objectif : Meilleur bilan

Objectif : Meilleur bilan

Objectif : Meilleur bilan et respect des contraintes

Objectif : Meilleur bilan et respect des contraintes

Apprentissage

Apprentissage

Conclusion

  • On peut maintenant obtenir un bilan de carbone facilement pour:

    • Une solution spatiale explicite et spatialement référencée
    • Les cinqs principaux réservoirs de l’écosystème
    • Le flux de productivité nette de l’écosystème
  • On peut maintenant utiliser le Machine Learning pour:

    • Générer des solutions spatialement explicites plausibles
    • Améliorer notre planification en fonction de notre bilan de carbone

Des Questions?

Github | Documentation