Détection à haute résolution spatiale des principaux métaux lourds qui affectent l’établissement de la végétation sur les affleurements rocheux situés à proximité de la fonderie de Rouyn-Noranda

By: Admin 234 123

Les affleurements rocheux autour des fonderies présentent des états de surface diversifiés, allant de la roche nue polluée à la roche recouverte de végétation. Cartographier ces états est essentiel pour déterminer le niveau de pollution. Cette tâche est difficile en raison de la taille des affleurements et de leurs réponses spectrales. Jusqu’à présent, les études sur les affleurements près des fonderies se sont concentrées sur la distinction entre les affleurements noirs et ceux sans revêtement noir, ignorant d’autres états de surface qui pourraient expliquer l’accumulation de métaux lourds. De plus, peu d’études de la distribution spatiale des métaux lourds ont été menées sur les affleurements, et la perception des parties prenantes sur la restauration de ces zones est peu documentée. Ce projet de thèse vise à développer une méthode innovante pour détecter et quantifier les métaux lourds sur les affleurements rocheux autour de la fonderie de Rouyn-Noranda, afin de poser les bases d’une discussion sur les priorités de restauration selon la perception des parties prenantes. Dans le premier chapitre de ce projet, il sera question d’amélioration l’identification et la cartographie des affleurements pour mieux caractériser leurs états de surface et détecter les métaux lourds. Cette cartographie utilisera un réseau neuronal convolutif (CNN) et la télédétection pour créer une carte haute résolution, fournissant des informations cruciales pour la surveillance environnementale près de la fonderie de cuivre. Le deuxième chapitre de ce projet porte sur la quantification de la distribution spatiale des concentrations de métaux lourds à l’aide de modèles de prédiction. Les métaux lourds tels que le cuivre, le zinc, l’arsenic, le sélénium, le cadmium, le mercure et le plomb seront détectés autour de la fonderie Horne avec un spectromètre XRF. Les cartes prédictives montreront un gradient de perturbation due à la pollution, dirigeant ainsi les efforts de restauration. Des covariables seront également extraites de données haute résolution (radar, multispectral, et LiDAR). Le troisième chapitre de ce projet vise à l’évaluation de la perception des parties prenantes sur les priorités de restauration des affleurements rocheux à Rouyn-Noranda, en utilisant des groupes de discussion et des entretiens semi-dirigés. Cette démarche permettra de définir les conditions favorables à la restauration selon les attentes et intérêts des parties prenantes. Cette thèse apportera des informations précieuses pour la surveillance et l'évaluation de l'environnement à proximité de la fonderie de cuivre.

Mots clés : Affleurement rocheux, polluants, fusion des minerais, restauration, télédétection, forêt boréale, Canada

Suitability of wildlife and human activities using machine learning and aerial reconnaissance ecological monitoring data in a Central African protected area

By: Admin 456 264

The Bili-Uere hunting area (DCBU) is one of the main protected areas (PA) in the Democratic Republic of Congo, covering more than 60,000 km². It is characterized by its rich biodiversity and landscapes (ranging from savannahs to dense rainforests). But today, its integrity is threatened by a number of anthropogenic activities. The ever-increasing pressure of human activities on natural resources in this PA is jeopardizing the conservation of the site's biodiversity. Like the majority of protected areas in the DRC, DCBU is faced with insufficient human (number of rangers per square kilometer), material (logistics, research) and financial resources to carry out conservation efforts. To ensure the success of conservation action within the hunting domain, it is important to target and prioritize areas where intensified conservation efforts are essential, in order to optimize already very limited resources. To date, aerial survey work has enabled us to identify and locate anthropogenic activities that are undermining conservation efforts in the DCBU. However, this information is still not sufficiently exploited to ensure the efficient management of this protected area. Numerous studies have shown that machine learning (ML) methods can be used to analyze and synthesize a range of information to inform decision-making.

Mots clés : Machine Learning, biodiversity, ecological monitoring, remote sensing, protected area, Congo

Cartographie et modélisation de la déforestation dans le paysage Ituri-Epulu-Aru (République Démocratique du Congo)

By: Admin 431 312

La déforestation et la dégradation des forêts constituent un enjeu environnemental majeur en RD Congo. Le but de cette étude est d’analyser la déforestation dans le paysage Ituri-Epulu-Aru, tout en envisageant son état futur à court, moyen et long terme. La classification multi-date (2003 – 2010 – 2016) des images Landsat (ETM+ et OLI) a permis de quantifier la déforestation historique. L’analyse en composante principale a permis de dresser un profil historique de déforestation en fonction des secteurs. Ensuite, la combinaison de la matrice de transition (2003 – 2016) adaptée à trois scénarios – Business As Usual, Gestion Durable de l’Environnement (GDE) et Croissance Économique Rapide (CER) – avec les cartes de potentiel de transition et les facteurs explicatifs a permis d’établir un suivi prospectif régulier jusqu’à 2061 àen utilisant un modèle probabiliste conçu dans la plateforme DINAMICA EGO. En effet, 19 facteurs explicatifs de la déforestation ont été retenus. La validation du scénario BAU a été faite à l’aide de la budgétisation des erreurs et des prédictions correctes entre la carte simulée en 2014 et celle produite par classification d’images satellite la même année. L’analyse des changements historiques du couvert forestier révèle, d’une part, une diminution des forêts primaires (50 048 ha entre 2003 et 2010, 108 319 ha entre 2010 et 2016) et, d’autre part, une hausse des forêts secondaires (35 065 ha entre 2003 et 2010, 70 813 ha entre 2010 et 2016). Les taux annuels de déforestation ont plus que doublé passant de 0,05 % entre 2003 et 2010 à 0,14 % entre 2010 et 2016. Aussi, les forêts primaires ont présenté une tendance à la fragmentation. Quatre profils de déforestation ont été déterminés en fonction des secteurs. La modélisation de l’influence des variables révèle dans tous les cas que la distance par rapport aux complexes ruraux et la distance par rapport aux routes nationales influencent significativement la déforestation. Les trois scénarios – BAU, CER et GDE – montrent qu’à l’horizon 2061, ce paysage serait toujours dominé par les forêts (+ 60 %). Le scénario GDE donne l’espoir que la restauration et la préservation des habitats prioritaires de la biodiversité sont encore possibles si les décideurs en prennent conscience.

Mots clés : déforestation, conservation, biodiversité, modélisation, télédétection, République Démocratique du Congo