Résumé de la publication

Cet article propose une méthode d’analyse de données satellites à haute résolution temporelle pour prédire la diversité taxonomique et fonctionnelle des communautés de plantes de prairies (permanentes et temporaires). L’étude est basée sur le dénombrement des plantes dans 415 quadrats de 83 prairies couplé à l’analyse de données satellites Sentinelles 2 (47 dates étalées sur 15 mois) dans le site atelier Vallées et Coteaux de Gascogne de la ZA PYGAR (Sud Ouest de Toulouse).

L’originalité de cette étude réside dans le fait que le modèle prédictif (R²=0.45) s’applique sur une étendue d’ordre régionale (40 000 km2) et qu’il établit un lien entre des données satellites et des variables écologiques continues caractérisant les communautés végétales (dominance, diversité des couleurs). La disponibilité en ressources florales pour les insectes pollinisateurs pourra ainsi être estimée sur de grandes étendues.

Pour mieux comprendre cette étude, retrouvez en images les explications du travail mené par les chercheurs du projet SEBIOREF : depuis les relevés sur le terrain jusqu'à l'analyse des images satellites. 

Tout savoir sur cette publication

Titre de la publication : Prediction of plant diversity in grasslands using Sentinel-1 and -2 satellite image time series

Publiée dans la revue: Remote Sensing of Environment

Auteurs : Mathieu Fauvel^a, Mailys Lopes^b, Titouan Dubo^b, Justine Rivers-Moore^b, Pierre-Louis Frison^d, Nicolas Gross^c, Annie Ouin^b

• ^aCESBIO, Université de Toulouse, CNES/CNRS/INRA/IRD/UPS, Toulouse, France
• ^bDYNAFOR, Université de Toulouse, INRA, Castanet-Tolosan, France
• ^cUCA, INRA, VetAgro Sup, UMR 0874 Ecosystème Prairial, Clermont-Ferrand 63000, France
• ^dLaSTIG, Université Paris-Est, IGN, 5 Bd Descartes, Champs sur Marne, 77455 Marne la Vallée, France

Points clés (Highlights) en anglais

• Plant diversity of grasslands is estimated using Sentinel-2 time series.
• Large intra-parcel variability in terms of plant diversity index is observed.
• Large scale prediction is done using random forest regression.
• Sentinel-1 time series could complement Sentinel-2 time series.

Lien vers l'article scientifique :
https://authors.elsevier.com/a/1a7xO7qzSnJLH