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