Planification forestière à l’aide du Machine Learning (Mise à jour 2023)

Github | Documentation

Les problématiques

  • Notre bilan carbone est difficile à obtenir rapidement
    • Pour tous les réservoirs de l’écosystème
    • Pour la productivité nette de l’écosystème
  • 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

Les objectifs

  • Obtention du bilan de carbone rapidement (Article #1)
    • Tous les réservoirs de l’écosystème
    • La productivité nette de l’écosystème

Bilan carbone avec l’IA

stateDiagram direction LR state IA_par_pixel { direction LR state Intrants { direction LR Dernières_perturbations Volume_de_feuillus_tolérants Volume_de_feuillus_intolérants Volume_de_résineux } Intrants --> Réservoir state Réservoir { Biomasse_aérienne Biomasse_souterraine Bois_mort Carbone_du_sol Litière } Intrants --> Flux State Flux { Productivité_nette_de_l'écosystème } } IA_par_pixel --> Entrainement State Entrainement { direction LR CPF2328 --> Global CPF2328 --> Pessière CPF2328 --> Sapinière CPF2328 --> Érablière } Entrainement --> Validation State Validation { direction LR Spatial --> 07152 Non_Spatial --> 07152 Spatial --> 02751 Non_Spatial --> 02751 Spatial --> 08665 Non_Spatial --> 08665 Spatial --> 08762 Non_Spatial --> 08762 Spatial --> 09751 Non_Spatial --> 09751 }

Les objectifs

  • Génération de planification spatialement explicite (Article #2)
    • Maximisant le bilan carbone

Planification spatiale par IA

stateDiagram direction LR Modèle --> FMTsamodel state FMTsamodel { direction LR state Intrants { direction LR (i)Cellule --> Âge (i)Cellule --> Opérabilité (i)Globale --> Taille_des_blocs (i)Globale --> Délai_dadjacence } Intrants --> IA state Générateur { direction LR Calcul_2328 --> Apprentisage } State IA { Générateur --> Prédiction state Prédiction { (o)Spatiaux --> Blocs_de_coupes (o)Non_spatiaux --> faisabilité (o)Non_spatiaux --> Bilan_carbone } } IA --> Optimisation State Optimisation { Validation --> Amélioration } } FMTsamodel --> Solution
gantt dateFormat YYYY-MM-DD title Projet FORAC excludes weekends section IA estimateur carbone Script d'entrainement :done,des1,2021-04-01,2021-09-01 Script d'utilisation : done,des2,2021-04-01,2021-09-01 Sélection du modèle : done,des2,2021-04-01,2021-05-01 Rapport : done,des3,2021-09-01,2021-10-01 Installation FMT release :done,des4,2021-10-01,2021-11-01 Pytorch à C++ : done,des5, 2021-10-01,2021-12-01 Installation FMT debug : done,des6, 2021-12-01,2022-03-01 Implémentation : done,des8, 2021-12-01,2022-03-01 Écriture de l'article estimateur de carbone :des16,2022-09-01,2023-04-01 Test et validation avec modèles réels :active,des15,2022-10-01,2023-05-01 section IA Planification spatiale Test et extension à la planification référencée : done,des9, 2022-02-01,2022-05-01 Mise en place d'un plan : done,des10, 2021-12-01,2022-02-01 Lien FMT avec Python avec exemple : done,des11, 2022-01-01,2022-04-01 Modèle IA de spatialisation mimétique: done,des12, 2022-04-01,2022-10-01 Modèle IA d'évaluation de planification spatialisée :crit,des13,2022-09-01,2023-03-01 Modèle IA de spatialisation (avec carbone) :crit,des14,2023-02-01,2023-08-01 Écriture de l'article planification forestière :des17,2023-04-01,2023-08-01

Résultats concrets de la phase 1

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

Nouvelle syntaxe Yields


  {
  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

  }
  

Nouvelle Syntaxe Outputs



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

  ;Inventaire de la biomasse anérienne 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

  
gantt dateFormat YYYY-MM-DD tickInterval month axisFormat %b%d title Validation excludes weekends section Échelle Globale Apprentissage (29 UA) :done,des1,2023-01-09,2023-01-23 Tests avec spatialisation : done,des2,2023-03-01,2023-04-01 Analyse des résultats : done,des3,2023-04-01,2023-04-17 Présentation : active,des4,2023-05-01,2023-05-02 section Échelle des régions écologiques Apprentissage (29 UA) :done,des5,2023-01-02,2023-01-16 Tester l'IA (08665) : done,des6,2023-03-06,2023-03-27 section Optimisation du NEP Tester avec 02751 : done,des7,2023-04-03,2023-04-24

GCBM vs IA (02751)

  • Les modèles d’IA testés
    • Région écologique trois modèles (Pessière,Sapinière,Érablière) entrainés avec calcul-2328
    • Global un modèle entrainé avec calcul-2328
  • Les types de modélisations
    • Spatial (cellules de 14 ha)
    • Non spatial (à l’échelle de la strate)
  • Notre référence GCBM

GCBM vs IA (02751)

GCBM vs IA (02751)

Constats IA vs GCBM

  • Le modèle d’IA par région écologique performe moins bien
    • Sous estime le carbone des réservoirs
    • À le plus grand écart avec le bilan des émissions nettes de GCBM
  • Le modèle d’IA Global est le meilleur
  • Les scénarios spatialement explicites se collent à GCBM
    • Les scénarios non spatiaux performent moins bien
    • L’objetif du projet était l’utilisation avec des modèles spatialement explicites

Pourquoi ces différences?

  • Les résultats de l’IA diffèrent de GCBM car:
    • L’IA suppose le feu comme perturbation historique
    • GCBM utilise plus d’intrants
      • Température annuelle moyenne
      • Précipitations
      • Transitions après perturbation
  • Le modèle par région écologique performe moins bien car:
    • Manque de données par modèle
    • Les régions écologiques sont difficiles à identifier dans les modèles
    • Superficie orphelines dans les modèles

Optimisation du NEP (02751)

  • Les scénarios sont non spatiaux
    • MAX_OVOLTOTREC: Détermination
    • MAX_OAAM: Optimisation de l’accroissement annuel moyen
    • MAX_NEP_GLOBAL: Optimisation du bilan (IA)

Optimisation du NEP (02751)

Constats

  • Le scénario MAX NEP a le meilleur bilan carbone
  • Le scénario MAX AAM stock plus de carbone dans les différents réservoirs

Conclusion

  • On peut maintenant obtenir un bilan de carbone facilement pour:
    • Une solution spatiale explicite et spatialement référencée
    • Les cinq principaux réservoirs de l’écosystème
    • Les émissions nettes de l’écosystème
  • On peut maintenant utiliser le Machine Learning pour:
    • Générer des intrants au calcul (Courbes de production, Paramètres économiques)
  • La génération de solution spatiale avec IA:
    • Nous permettra de faire de l’optimisation spatialement explicite
    • Utilisation du projet de fin d’étude à B. Forest
    • Replanification spatialement explicite

Les prochaines étapes

  • Validation de l’impact de l’optimisation du NEP sur
    • Le choix des travaux sylvicoles
    • La productivité
    • Les rotations
  • Faire d’autres analyses (UA du sud)
  • Faire un scénario de maximisation des puits de carbone
  • Générer une base de donnée contenant les actions:
    • Feux
    • Récupération après feux
  • Tester le tout en replanification

Des Questions?

Github | Documentation

%!(EXTRA string=sha512-as1BF4+iHZ3BVO6LLDQ7zrbvTXM+c/1iZ1qII/c3c4L8Rn5tHLpFUtpaEtBNS92f+xGsCzsD7b62XP3XYap6oA==)