Potentiel et dynamique des stocks de carbone des savanes soudaniennes et soudano- guinéennes du Sénégal

II.3. Discussions et conclusion

La régression a pour but la prédiction. Elle est une méthode puissante et utile. Mais il n'y a pas de voie royale en statistique : toute méthode comporte des difficultés (Rouanet et Lebaron, 2006). Ces auteurs distinguent une régression à usage seulement prédictif et la régression à usage explicatif. Dans la régression prédictive la liste des variables prédictrices n'est pas limitative, et les liaisons entre ces variables sont peu gênantes. Dans un schéma explicatif, la variable à prédire est qualifiée de «variable à expliquer», et les variables prédictrices sont des «variables explicatives». Cette dernière approche est plus délicate et se mène dans un champ de recherche de causalité très délicat.

La problématique prédictrice est symétrique. A partir du DBH, on peut prédire la biomasse d'un arbre, et régresser la biomasse de l'arbre sur le DBH; mais on peut tout aussi bien, à l'inverse, à partir de la biomasse de l'arbre, prédire le DBH, et régresser le DBH sur la biomasse de l'arbre (Rouanet et Lebaron, 2006). Les régressions explicatives sont elles dissymétriques, le DBH peut servir à prédire la biomasse mais pas l'inverse. Dans le cadre des régressions allométriques, on se limite à des régressions prédictives.

La quantification de la biomasse passe par l'utilisation de modèles qui définissent une relation synthétique entre une variable dépendante et une ou plusieurs prédicateurs ou variable indépendante. Les modèles servent à faire de la prédiction de valeurs sur une variable non observée à partir de mesures expérimentales réelles. Le volume, la biomasse et le carbone peuvent être estimés en utilisant des équations qu'on a générées à partir de régressions statistiques. Ces régressions permettent d'approcher la variable dépendante à partir de données d'entrée. La qualité d'un modèle réside alors dans son habileté à rapprocher le plus que possible les valeurs réelles des valeurs prédites. Le modèle doit alors reproduire les valeurs de la variable dépendante avec le moins de biais possible (avec le moins d'écart possible).

La première forme d'analyse de la précision d'un modèle est de comparer les valeurs estimées par le modèle et les valeurs mesurées. Le calcul de la somme des résidus doit se rapprocher de zéro pour qu'un modèle puisse être considéré comme précis. Cela implique que les résidus individuels (écarts par rapport au modèle) des observations doivent être faibles.

Des techniques statistiques plus élaborées sont utilisées pour évaluer la précision d'un modèle. Parmi ces techniques:

- le t-test de l'hypothèse d'une erreur moyenne de prédiction égale à zéro;

- les écarts absolus ;

- la distribution normale des erreurs résiduelles des valeurs prédites ;

- les erreurs de la régression linéaire ;

- l'homogénéité des variances de l'erreur du modèle par rapport aux données de base.

Les travaux de Vanclay et Skovesgaard (1996) donnent un aperçu et un cadrage opérationnel pour évaluer la qualité des modèles forestiers. La précision centrale est qu'il faut toujours, quand on applique des modèles de volume ou de biomasse développés pour une zone donnée ou une espèce, procéder à la vérification de la qualité du modèle et le tester avant son utilisation. Ces tests peuvent nécessiter la collecte de quelques données de terrain, ou l'utilisation de données secondaires qui pourront servir de base de comparaison. D'après la FAO (2008), ne pas procéder par ces tests, suppose qu'on estime implicitement que le modèle est approprié, ce qui n'est pas toujours le cas.

Les erreurs d'un modèle proviennent principalement de trois sources que sont les erreurs d'échantillonnage, les erreurs de mesure et les erreurs dues au modèle. On suppose tout de même que les mesures sur les individus sont relativement précises (limite des instruments utilisés), mais que la méthode d'échantillonnage et les modèles entrainent quelques erreurs. Aucune méthode d'inventaire de la végétation ligneuse n'est parfaite.

Dans un contexte où les données de biomasse sont obtenues par voie de collecte sur le terrain (méthode expérimentale), la variable indépendante qui est le DBH est le facteur expérimental, dont on étudie les effets sur la variable dépendante (la biomasse) à l'aide de méthodes classiques comme l'analyse de variance. Techniquement, la régression n'est autre que l'analyse de variance pour des facteurs expérimentaux quantitatifs (Rouanet et Lebaron, 2006). Il faut alors que les facteurs expérimentaux quantitatifs (DBH et biomasse) soient mesurés avec prudence et précision sur le terrain.

En plus du coefficient de détermination R², des tests de signification des régressions ont été faits pour comparer les résultats des modèles allométriques aux quantités de biomasse mesurées. L'inférence statistique est importante à considérer dans les régressions allométriques. Avec les données d'observation, la seule situation où ce cadre d'inférence est opératoire est le sondage aléatoire. Le choix des espèces pour cette étude, est le résultat d'un sondage au hasard dans des strates de végétation et des grappes d'intervalle de diamètres.

Dans plusieurs autres situations, les chercheurs ont utilisé des modèles complexes intégrant des fonctions exponentielles ou logarithmiques. Ces fonctions ont pour but de transformer les données brutes pour améliorer les régressions subséquentes. Les essais que nous avons pu faire ne nous ont pas encouragé à aller dans cette direction, parce que d'une part, on ne connaît pas l'erreur additionnelle introduite avec la transformation des données et d'autres part, les résultats n'ont pas été meilleurs que ceux obtenus par des régressions simples.

Ce chapitre a permis de mettre au point 3 modèles allométriques performants pour les écosystèmes de savane soudanienne et soudano-guinéenne. Ces résultats pourront servir à ajuster les calculs de biomasse et de carbone dans ces écosystèmes au lieu d'emprunter des modèles conçus pour d'autres types de formations végétales. Les résultats révèlent qu'il est possible de mieux caractériser la biomasse s'il s'agit de modèles spécifiques qui portent sur une espèce comparés à des estimateurs globaux. Les modèles spécifiques sont meilleurs quand on travaille dans des écosystèmes dominés par une seule espèce comme c'est le cas dans certaines formations de savane avec la dominance de Combretum glutinosum.

Bibliographie

Awaya, Y., Tsuyuki, S., Kodani, E., Takao G., 2004. Potential of Woody Carbon Stock Estimation Using High Spatial Resolution Imagery: A Case Study of Spruce Stands. In: M-Shiyomi (Editor), Global Environmental Change in the Ocean and on Land. TERRAPUB, pp. 425-440.

Brown S., 1997. Estimating Biomass and Biomass Change of Tropical Forests: a Primer. (FAO Forestry Paper -134). FAO - Food and Agriculture Organization of the United Nations, Roma, 48 p.

Brown S. 2002. Measuring carbon in forests: current status and future challenges. Environmental Pollution, 116:363-372.

Brown, S., Pearson, T., Slaymaker, D., Ambagis, S., Moore, N., Novelo, D., Sabido W. 2005. Creating a virtual tropical forest from three-dimensional aerial imagery to estimate carbon stocks. Ecological Applications, 15 (3):1083-1095.

Brown, S., Sathaye, J., Cannell, M., Kauppi P.E., 1996. Management of forests for mitigation of greenhouse gas emissions. In: D. R.T.Watson, et al. (Editor), Climate change 1995: impacts, adaptations and mitigation of climate change: scientific analyses. Contribution du ^2ième Groupe de travail au deuxième rapport d'évaluation du GIEC. Cambridge University Press, pp. 773-798.

CCNUCC, 1997. Protocole de Kyoto. UNFCCC, p. 24 p.

CGE, 2005. Handbook on land-use change and forestry sector, UNFCCC.

Clark, D.B., Clark D.A. 2000. Landscape-scale variation in forest structure and biomass in a tropical rain forest. Forest Ecology and Management, 137:185-198.

Fleurant, C., Duchesne, J., Raimbault P. 2004. An allometric model for trees. Journal of Theoritical Biology (227):137-147.

IPCC, 2003. Good Practice Guidance for Land Use, Land-Use Change and Forestry. Penman J., Kruger D., Galbally I., Hiraishi T., Nyenzi B., Emmanuel S., Buendia L., Hoppaus R., Martinsen T., Meijer J., Miwa K., and Tanabe K. (Eds). Institute for Global Environmental Strategies, Kanagawa, Japan.

Keller, M., Palace, M., Hurtt G. 2001. Biomass estimation in the Tapajos National Forest, Brazil. Examination of sampling and allometric uncertainties. Forest Ecology and Management, 154:371-382.

Lehtonen A., 2005. Carbon stocks and flows in forest ecosystems based on forest inventory data No. Dissertationes Forestales 11, Finnish Forest Research Institute. Vantaa Research Center, Helsinki.

Lufafa, A., Bolte, J., Wright, D., Khouma, M., Diedhiou, I., Dick, R.P., Kizito, F., Dossa, E., Noller J.S. 2008. Regional carbon stocks and dynamics in native woody shrub communities of Senegal's Peanut Basin. Agriculture, Ecosystems and Environment (In press).

Mbow C., 2005. Dynamic of carbon stock in woody vegetation of savanna ecosystems in Senegal. The Land cover change perspective. Centre for Global Change and Earth Observations, Lansing. 25p.

Moura-Costa, P., Stuart M., 1999. Issues related to monitoring, verification and certification of forestry-based carbon offset projects. In: W.f.A. Conference, et al. (Editor). 18 p.

Nelson, B.W., Mesquitaa, R., Pereirab, J.L.G., S.G., A.d.S., Batistad, G.T., Couto L.B. 1999. Allometric regressions for improved estimate of secondary forest biomass in the central Amazon. Forest Ecology and Management, 117 149-167.

Pearson, T., Walker, S., Brown S., 2005. Sourcebook for Land Use, Land-Use Change and Forestry Projects, Winrock International, Arlington. 64 p.

Proisy C., 1999. Apport des données radar à synthèse d'ouverture pour l'étude de la dynamique des écosystèmes forestiers, Université Paul Sabatier, Toulouse, 103 p.

Rondeux J., 1993. La mesure des arbres et des peuplements forestiers. Les Presses Agronomiques de Gembloux, Gembloux, 521 p.

Rouanet, H., Lebaron F., 2006. La preuve statistique: examen critique de la régression. Séminaire "Qu'est ce que faire preuve?" CNRS, Centre Universitaire de recherches sur l'Action Publique et Politique, Epidémiologie et Sciences Sociales (CURAPP). 20 p.

Sambou B., 2004. Evaluation de l'état, de la dynamique et des tendances évolutives de la flore et de la végétation ligneuse dans les domaines soudanien et sub-guinéen au Sénégal. Doctorat d'Etat, Université Cheikh Anta Diop de Dakar (UCAD), Dakar. 231 p.

San Jose, J.J., Montes, R.A., Farinas, M.R. 1998. Carbon stocks and fluxes in a temporal scaling from a savanna to a semi-deciduous forest. Forest Ecology and Management, 105:251-262.

Scherrer B., 1984. Biostatistique. Gaëtan Morin, Montréal, Paris, 850 p.

St-Onge, B., Jumelet, J., Cobello, M., Véga C. 2004. Measuring individual tree height using a combination of stereophotogrammetry and LIDAR. Canadian Journal of Forest Research (34):2122-2130.

Thenkabail, P.S., Stucky, N., Griscom, B.W., Ashton, M.S., Diels, J., Meer, V.D., B., Enclona, E. 2002. Biomass estimations and carbon Stock calculations in the oil palm plantations of African derived savannas using IKONOS data. Rapport, Center for Earth Observation (CEO), Yale University. 58p.

Vanclay, J.K., Skovsgaard J.P. 1996. Evaluating forest growth models. Ecological Modelling (98 ): 1-12.

Wikipedia, 2008. Wikipédia, l'encyclopédie libre : http://fr.wikipedia.org/wiki/Accueil. Woomer P.L., 2003. Field and laboratory guidelines for carbon characteristisation in African Drylands. printed doc, SACRED Africa. 20 p.

Woomer, P.L., Touré, A., Sall M. 2004. Carbon stocks in Senegal's Sahel Transition Zone. Journal of Arid Environments (59):499-510.

Zianis, D., Mencuccini M. 2004. On simplifying allometric analyses of forest biomass. Forest Ecology and Management, 187:311-332.