Article scientifique publié sur la modélisation spatiale de la déforestation et dégradation des terres

Les chercheurs de Nitidæ Lab’ et leurs partenaires viennent de publier une étude dans la revue Land Degradation and Development.

L’article présente une méthode de spatialisation de la déforestation, dégradation des terres à l’échelle des paysages et outils d’apprentissage machine. La méthode, innovante, utilise plusieurs jeux de données spatialisés représentant les dynamiques de changements des terres des vingt dernières années, une analyse statistique et quantitative des facteurs influençant chacunes de ces dynamiques et une projection future sur les vingt prochaines années (2034) selon 3 différents scénarios, à l’échelle paysage et sur une étendue régionale.

Des scénarios en Business-as-usual ont mis en évidence les vastes zones menacées de déforestation et de dégradation

Cette étude pilote a été développée sur le territoire du projet Talaky. La finalité de cette étude est de contribuer à améliorer les interventions du projet (compréhension des facteurs de changements, zones prioritaires de luttes contre la déforestation et dégradation des terres, zones prioritaires pour la restauration des terres) et aussi contribuer à la stratégie nationale de lutte contre la dégradation des terres. En effet, Madagascar est engagé depuis plusieurs années dans le programme des Nations-Unies de lutte contre la dégradation des terres et a lancé récemment un programme ambitieux de reforestation.

Un scénario alternatif a permis la localisation de zones appropriées pour la régénération

Le résumé de l’étude est présenté ci-dessous, l’article est également disponible en bas de page.

Land degradation and regeneration are complex processes that greatly impact climate regulation, ecosystem service provision, and population well‐being and require an urgent and appropriate response through land use planning and interventions. Spatially explicit land change models can greatly help decision makers, but traditional regression approaches fail to capture the nonlinearity and complex interactions of the underlying drivers. Our objective was to use a machine learning algorithm combined with high‐resolution data sets to provide simultaneous and spatial forecasts of deforestation, land degradation, and regeneration for the next two decades. A 17,000‐km2 region in the south of Madagascar was taken as the study area. First, an empirical analysis of drivers of change was conducted, and then, an ensemble model was calibrated to predict and map potential changes based on 12 potential explanatory variables. These potential change maps were used to draw three scenarios of land change while considering past trends in intensity of change and expert knowledge. Historical observations displayed clear patterns of land degradation and relatively low regeneration. Amongst the 12 potential explanatory variables, distance to forest edge and elevation were the most important for the three land transitions studied. Random forest showed slightly better prediction ability compared with maximum entropy and generalized linear model. Business‐as‐usual scenarios highlighted the large areas under deforestation and degradation threat, and an alternative scenario enabled the location of suitable areas for regeneration. The approach developed herein and the spatial outputs provided can help stakeholders target their interventions or develop large‐scale sustainable land management strategies.