Un drone pour l’évaluation de la phytomasse ligneuse et herbacée des savanes sahéliennes

Auteurs

    M. Bossoukpe, O. Ndiaye, O. Diatta, S. Diatta, A. Audebert, P. Couteron, L. Leroux, A.A. Diouf, M. Dendoncker, E. Faye, S. Taugourdeau

DOI :

https://doi.org/10.19182/remvt.36802

Mots-clés


biomasse aérienne, arbre, graminée, imagerie multispectrale, conduite des herbages, Sahel, Sénégal

Résumé

La phytomasse des plantes herbacées et ligneuses est la principale source d’alimentation du bétail pastoral dans les savanes sahéliennes. L’évaluation de la matière première disponible joue un rôle clé dans les politiques nationales d’élevage et nécessite généralement de nombreux relevés de mesures de terrain des plantes herbacées et ligneuses. Dans cette étude, nous avons testé la possibilité d’utiliser un drone à bandes spectrales rouge-vert-bleu (RGB) pour évaluer la phytomasse des espèces ligneuses et herbacées. Avec un drone Dji Spark nous avons ainsi cartographié 38 parcelles d’un hectare dans le nord du Sénégal. La phytomasse herbacée a été mesurée au sol. Pour les communautés ligneuses, nous avons évalué la phytomasse foliaire en utilisant des paramètres dendrométriques associés à des équations allométriques. Nous avons effectué des régressions des moindres carrés partiels entre les indices (en trois dimensions et couleurs) obtenus par drone et la phytomasse. Les résultats ont montré un Q² (résultats de validation croisée pour chaque variable de réponse) de 0,57 pour la phytomasse des ligneux, 0,68 pour la masse sèche des herbacées, et 0,76 pour leur masse fraîche. Cette étude a confirmé la pertinence de l’utilisation d’un drone RGB à faible coût pour l’évaluation de la phytomasse des savanes.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Affiliations

  • M. Bossoukpe
    marinabossoukpe@gmail.com
    UCAD, Département de biologie végétale, PPZS, Dakar, Sénégal.
  • O. Ndiaye ISRA, CRZ Dahra-PPZS, Dahra Djoloff, Sénégal.
  • O. Diatta ISRA, CRZ Dahra-PPZS, Dahra Djoloff, Sénégal.
  • S. Diatta UCAD, Département de biologie végétale, PPZS, Dakar, Sénégal.
  • A. Audebert
    https://publications.cirad.fr/en/auteur.php?mat=1207
    CIRAD, UMR AGAP, F-34398 Montpellier, France. AGAP, Univ Montpellier, CIRAD, INRAE, Institut Agro, Montpellier, France. ISRA, CERAAS, Thies, Sénégal.
  • P. Couteron CIRAD, UMR AMAP, F-34398 Montpellier, France. AMAP, Univ Montpellier, CNRS, CIRAD, INRAE, IRD, Montpellier, France.
  • L. Leroux
    https://publications.cirad.fr/en/auteur.php?mat=16663
    CIRAD, UPR AIDA, Dakar, Sénégal. AIDA, Univ Montpellier, CIRAD, Montpellier, France.
  • A.A. Diouf Centre de suivi écologique, Fann Résidence, Dakar, Sénégal.
  • M. Dendoncker Université catholique de Louvain, Earth and Life Institute, 1348 Louvain-la-Neuve, Belgique.
  • E. Faye
    https://publications.cirad.fr/en/auteur.php?mat=13299
    CIRAD, UPR HortSys, F-34398 Montpellier, France. HortSys, Univ Montpellier, CIRAD, Montpellier, France. ISRA, CDH, Dakar 14000, Sénégal.
  • S. Taugourdeau
    https://publications.cirad.fr/en/auteur.php?mat=14142
    CIRAD UMR SELMET-PPZS, Dakar, Sénégal. SELMET, Univ Montpellier, CIRAD, INRAE, Institut Agro, Montpellier, France.

    Références

    Anifantis A.S., Camposeo S., Vivaldi G.A., Santoro F., Pascuzzi S., 2019. Comparison of UAV photogrammetry and 3D modeling techniques with other currently used methods for estimation of the tree row volume of a super-high-density olive orchard. Agriculture 9 (11): 233 DOI: https://doi.org/10.3390/agriculture9110233

    Becker C., Häni N., Rosinskaya E., d’Angelo E., Strecha C., 2017. Classification of aerial photogrammetric 3D point clouds. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., IV-1W/1: 3-10 DOI: https://doi.org/10.5194/isprs-annals-IV-1-W1-3-2017

    Bourgoin C., Betbeder J., Couteron P., Blanc L., Dessard H., Oszwald J., Le Roux R., et al., 2020. UAV-based canopy textures assess changes in forest structure from long-term degradation. Ecol. Ind., 115: 106386 DOI: https://doi.org/10.1016/j.ecolind.2020.106386

    Brandt M., Mbow C., Diouf A.A., Verger A., Samimi C., Fensholt R., 2015. Ground‐ and satellite‐based evidence of the biophysical mechanisms behind the greening Sahel. Global Change Biol., 21 (4): 1610-1620 DOI: https://doi.org/10.1111/gcb.12807

    Brandt M., Tucker C.J., Kariryaa A., Rasmussen K., Abel C., Small J., Chave J., et al., 2020. An unexpectedly large count of trees in the West African Sahara and Sahel. Nature, 587: 78-82 DOI: https://doi.org/10.1038/s41586-020-2824-5

    Cunliffe A.M., Brazier R.E., Anderson K., 2016. Ultra-fine grain landscape-scale quantification of dryland vegetation structure with drone-acquired structure-from-motion photogrammetry. Remote Sens. Environ., 183: 129-143 DOI: https://doi.org/10.1016/j.rse.2016.05.019

    Fall A., 2014. Approche géographique de la vulnérabilité des anthroposystèmes sahéliens. Thèse Doct., Sorbonne, Paris, France (mcm: si ST est ok)

    Gao R., Kong Q., Wang H., Su Z., 2019. Diagnostic feed values of natural grasslands based on multispectral images acquired by small unmanned aerial vehicle. Rangel. Ecol. Manag., 72 (6): 916-922 DOI: https://doi.org/10.1016/j.rama.2019.06.005

    Garba I., Cesaro J.-D., Touré I., Ickowicz A., Toutain B., 2012. Evolution des transhumances. In: Atlas des évolutions des systèmes pastoraux au Sahel : 1970-2012. FAO, Rome, Italie, p. 14-15

    Grenzdörffer G., Engel A., Teichert B., 2008. The photogrammetric potential of low-cost UAV in forestry and agriculture. Remote Sens. Spat. Inf. Sci., 31 (B3): 1207-1214

    Henry M., Picard N., Trotta C., Manlay R., Valentini R., Bernoux M., Saint André L., 2011. Estimating tree biomass of subSaharan African forests: a review of available allometric equations. Silv. Fenn., 45 (3B): 477-569 DOI: https://doi.org/10.14214/sf.38

    Hiernaux P., 2006. Le suivi écologique de Widou Thiengoly : un patrimoine scientifique à développer et valoriser. Rapport de mission, Saint-Louis, Sénégal, PAPF 47

    Hiernaux P., Gérard B., 1999. The influence of vegetation pattern on the productivity, diversity and stability of vegetation: The case ofbrousse tigrée’in the Sahel. Acta oecologica, 20 (3): 147-158 DOI: https://doi.org/10.1016/S1146-609X(99)80028-9

    L’Hote Y., Mahé G., Somé B., Triboulet J.P., 2002. Analysis of a Sahelian annual rainfall index from 1896 to 2000; the drought continues. Hydrol. Sci. J., 47 (4): 563-572 DOI: https://doi.org/10.1080/02626660209492960

    Le Houerou H.N., 1980. The rangelands of the Sahel. J. Range Manag., 33 (1): 41-46 DOI: https://doi.org/10.2307/3898226

    Lesnoff M., Corniaux C., Hiernaux P., 2012. Sensitivity analysis of the recovery dynamics of a cattle population following drought in the Sahel region. Ecol. Model., 232: 28-39 DOI: https://doi.org/10.1016/j.ecolmodel.2012.02.018

    Levang P., Grouzis M., 1980. Méthodes d’étude de la biomasse herbacée de formations sahéliennes: application à la Mare d’Oursi, Haute-Volta. Oecol. Plant., 1 (15): 231-244

    Lussem U., Bolten A., Gnyp M., Jasper J., Bareth G., 2018. Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., 42 (3): 1215-1219 DOI: https://doi.org/10.5194/isprs-archives-XLII-3-1215-2018

    Lussem U., Bolten A., Menne J., Gnyp M.L., Schellberg J., Bareth G., 2019. Estimating biomass in temperate grassland with high resolution canopy surface models from UAV-based RGB images and vegetation indices. J. Appl. Remote Sens., 13 (3): 034525 DOI: https://doi.org/10.1117/1.JRS.13.034525

    Mayr M.J., Malß S., Ofner E., Samimi C., 2018. Disturbance feedbacks on the height of woody vegetation in a savannah: a multi-plot assessment using an unmanned aerial vehicle (UAV). Int. J. Remote Sens., 39 (14): 4761-4785 DOI: https://doi.org/10.1080/01431161.2017.1362132

    Pecina M.V., Bergamo T.F., Ward R., Joyce C., Sepp K., 2021. A novel UAV-based approach for biomass prediction and grassland structure assessment in coastal meadows. Ecol. Indic., 122: 107227 DOI: https://doi.org/10.1016/j.ecolind.2020.107227

    Possoch M., Bieker S., Hoffmeister D., Bolten A., Schellberg J., Bareth G., 2016. Multi-temporal crop surface models combined with the RGB vegetation index from UAV-based images for forage monitoring in grassland. Remote Sens. Spat. Inf. Sci., 41: 991 DOI: https://doi.org/10.5194/isprs-archives-XLI-B1-991-2016

    Raynal J., 1964. Etude botanique de pâturages du Centre de Recherches Zootechniques de Dahra-Djoloff (Sénégal). Orstom, Paris, France, 99 p.

    Roupsard O., Audebert A., Ndour A.P., Clermont-Dauphin C., Agbohessou Y., Sanou J., Koala J., et al., 2020. How far does the tree affect the crop in agroforestry? New spatial analysis methods in a Faidherbia parkland. Agric. Ecosyst. Environ., 296: 106928 DOI: https://doi.org/10.1016/j.agee.2020.106928

    Sadeghi S., Sohrabi H., 2019. The effect of UAV flight altitude on the accuracy of individual tree height extraction in a broad-leaved forest. Remote Sens. Spat. Inf. Sci., 42 (4/W18)

    Sanchez G., 2012. plsdepot: Partial Least Squares (PLS) Data Analysis Methods. R package version 0.1.17. https://CRAN.R-project.org/package=plsdepot

    Sarron J., 2019. Estimation spatialisée des rendements d’une culture pérenne en Afrique de l’Ouest : le cas du manguier au Sénégal. SupAgro, Montpellier, France

    Surový P., Almeida Ribeiro N., Panagiotidis D., 2018. Estimation of positions and heights from UAV-sensed imagery in tree plantations in agrosilvopastoral systems. Intern. J. Remote Sens., 39 (14): 4786-4800 DOI: https://doi.org/10.1080/01431161.2018.1434329

    Taugourdeau S., Le Maire G., Avelino J., Jones J.R., Ramirez L.G., Quesada M.J., Charbonnier F., et al., 2014. Leaf area index as an indicator of ecosystem services and management practices: an application for coffee agroforestry. Agric. Ecosyst. Environ., 192: 19-37 DOI: https://doi.org/10.1016/j.agee.2014.03.042

    White L., 1970. Brousse tigrée patterns in southern Niger. J. Ecol., 58 (2): 549-553 DOI: https://doi.org/10.2307/2258290

    Xue J., Su B., 2017. Significant remote sensing vegetation indices: A review of developments and applications. J. Sens., Article ID 1353691, 17 p. DOI: https://doi.org/10.1155/2017/1353691

Téléchargements

Métriques
Vues/Téléchargements
  • Résumé
    1107
  • pdf en anglais
    538

Publié

13-12-2021

Comment citer

Bossoukpe, M., Ndiaye, O., Diatta, O., Diatta, S., Audebert, A., Couteron, P., Leroux, L., Diouf, A. A., Dendoncker, M., Faye, E., & Taugourdeau, S. (2021). Un drone pour l’évaluation de la phytomasse ligneuse et herbacée des savanes sahéliennes. Revue d’élevage Et De médecine vétérinaire Des Pays Tropicaux, 74(4), 199–205. https://doi.org/10.19182/remvt.36802

Numéro

Vol. 74 No 4 (2021)

Rubrique

Ressources alimentaires et alimentation

Catégories

Licence

© M.Bossoukpe et al., publié par CIRAD 2021

Creative Commons License

Ce travail est disponible sous la licence Creative Commons Attribution 4.0 International .

Crossref
Scopus
Google Scholar
Europe PMC

Funding data

Articles les plus lus par le même auteur ou la même autrice