Soutenance de thèse de Cofélas FASSINOU

Estimation du stock de carbone des arbres au Sahel par télédétection satellitaire et drone

Vendredi 20 novembre 2026 — 10h00

Soutenance de thèse | Réunion-Joindre | Microsoft Teams

(https://teams.microsoft.com/meet/3136980817894509?p=peDwjX0S8O0OSQmTQ5)

Maison de la Télédétection — Salle ASIE
500 rue Jean-François Breton, 34093 Montpellier Cedex 5

COMPOSITION DU JURY

━━━

RÉSUMÉ

━━━

Cette thèse vise à améliorer les estimations par télédétection du stock de carbone arboré au Sahel. Un modèle de Deep Learning (DL) de cartographie des couronnes arborées, entraîné sur images satellitaires, et un produit de biomasse par arbre ont été évalués selon plusieurs structures de végétation, classes de densité et zones climatiques, à partir de données de terrain (images drone et inventaires de 6 709 arbres au Sénégal et au Burkina Faso). Des modèles de correction empirique du produit de télédétection ont ensuite été développés, en comparant des approches Random Forest et régression linéaire multiple (LM), et calibrés sur les données de terrain. Le produit amélioré a enfin été appliqué pour évaluer l'impact des plantations GMV et privées du Sénégal sahélien sur le stock de carbone ligneux.

Les résultats montrent que le modèle DL performe mieux sur les images drone à 50 cm que sur les images satellitaires de même résolution, mais échoue sur les images à 3 cm. La correction du produit de biomasse révèle une meilleure performance des modèles Random Forest que des modèles linéaires. L'application du produit amélioré met en évidence des gains positifs importants en carbone ligneux dans les plantations privées et dans celles de la Grande Muraille Verte (GMV).

Ce produit amélioré pourrait servir aux inventaires nationaux de carbone ligneux, à l'évaluation de l'impact carbone des aires protégées, à la hiérarchisation des interventions de restauration le long du corridor GMV et à l'initialisation de modèles de surface terrestre pour les simulations climatiques régionales. Il pourrait également permettre aux pays du Sahel de réaliser leur comptabilisation du carbone.

Mots-clés : Télédétection, Biomasse ligneuse, Stock de carbone, Sahel, Deep Learning, Correction empirique, Analyse spatiale, Grande Muraille Verte, Plantations.

Abstract

━━━

This thesis aims to improve remote sensing-based estimates of tree carbon stocks in the Sahel. A Deep Learning (DL) model for mapping tree crowns, trained on satellite images, and a per-tree biomass product were evaluated across several vegetation structures, density classes, and climatic zones, using field data (drone images and inventories of 6,709 trees in Senegal and Burkina Faso). Empirical correction models for the remote sensing product were then developed, comparing Random Forest and multiple linear regression (LM) approaches, and calibrated on the field data. The improved product was finally applied to assess the impact of Great Green Wall (GGW) and Corporate plantations in Sahelian Senegal on woody carbon stocks.

The results show that the DL model performs better on 50 cm drone images than on satellite images of the same resolution, but fails on 3 cm images. The biomass product correction reveals better performance of Random Forest models than linear models. The application of the improved product highlights significant positive gains in woody carbon in both private and GGW plantations.

This improved product could serve national woody carbon inventories, carbon impact assessments of protected areas, spatial prioritization of restoration interventions along the GGW corridor, and the initialization of land surface models for regional climate simulations. It could also enable Sahelian countries to carry out their carbon accounting.

Keywords: Remote Sensing, Wood Biomass, Carbon Stock, Sahel, Deep Learning, Empirical Correction, Spatial Analysis, Great Green Wall, Plantations.