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