Évaluation de la biomasse forestière comme matière première de la bioénergie : Disponibilité et récupération de la biomasse dans les forêts inéquiennes

Promoteur principal : Faculté de foresterie de l’Université de Toronto
Lieu : Toronto, Ontario
Contribution de l’Initiative : 273 000 $
Total du projet : 814,000 $

Contexte du projet

Au cours des années récentes, le secteur forestier au Canada souffre d’une concurrence internationale croissante et d’un ralentissement de la demande de produits classiques de bois d’œuvre et de papier. En même temps, le marché des matières premières d’énergie renouvelable et de biomasse inutilisée est en croissance. Il y a un nombre considérable d’arbres non marchands (impropres à fournir du bois d’œuvre ou de la pâte à papier) dans les forêts inéquiennes de la région des Grands Lacs et du Saint-Laurent. La capacité de s’en servir comme matières premières existe pour la production de bioénergie et répond à une demande. Cependant, les entreprises forestières et de production d’énergie ont besoin de meilleures estimations de l’offre de biomasse non marchande pour pouvoir l’exploiter. De plus, elles ont besoin de connaître la quantité de biomasse qui peut être récupérée afin de déterminer si la récupération est à intégrer à leurs activités et l’incidence de cette récupération sur l’ensemble de la chaîne d’approvisionnement.

À cette fin, l’Université de Toronto a proposé un projet d’évaluation de la biomasse forestière comme matière première pour la bioénergie : l’offre et la récupération de la biomasse dans des forêts inéquiennes pour financement par l’Initiative écoÉNERGIE sur l’innovation. Le projet a reçu 273 k$ aux fins de l’élaboration de nouvelles méthodes pour inventorier des peuplements inéquiens par la télédétection (y compris le LiDAR et l’imagerie multispectrale) et des modèles permettant d’estimer la récupération de la biomasse non marchande.

Résultats

Afin de pouvoir faire des prévisions ayant un lien direct avec la récupération de produits, les distributions diamétrales ont été d’abord réparties en six classes structurales : gaules, jeunes arbres, petit bois, bois moyen, gros bois et très gros bois. Ensuite, les prévisions sur la densité des arbres de chacune des classes de dimension se sont faites au moyen de deux méthodes non paramétriques : l’imputation par la méthode des k plus proches voisins (k-NN) et celle des forêts aléatoires ou RF (Random Forest). Il a été déterminé que la méthode RF était plus exacte que la méthode k-NN et suffisamment robuste pour les prévisions de la structure des peuplements les plus communs. Ainsi, cette méthode peut servir à préciser la structure de peuplements inéquiens puisque le modèle BiOS modifié permet de prévoir la récupération en fonction de la densité (et des essences) d’arbres de différentes classes de diamètre.

Deux méthodes ont été élaborées afin de délimiter les cimes individuelles des arbres aux fins de l’identification subséquente. Une méthode de segmentation du bassin versant utilisant toutes les bandes spectrales disponibles (avec l’imagerie multispectrale) a été élaborée. Il a été déterminé que cette méthode était plus exacte que les méthodes existantes de suivi des zones d’ombre. De plus, une méthode d’ajustement à échelles multiples a été élaborée qui détermine les valeurs des paramètres fournissant le meilleur ajustement pour chaque cime de référence. Il a été déterminé que la méthode d’ajustement à échelles multiples était plus exacte que la sélection d’une seule valeur de paramètre en fonction de son ajustement général à l’image dans son ensemble. Ainsi, la méthode peut servir à titre de première étape dans la quantification de la composition des essences.

L’identification de l’essence des cimes délimitées s’est faite par imagerie. En particulier, l’imagerie toutes saisons a servi à distinguer des essences semblables dont la réflectance pourrait être différente selon la saison. Lors de l’utilisation d’images d’une seule saison, l’exactitude la plus absolue a été obtenue au moyen d’une image de mi-été. L’imagerie toutes saisons a joué un rôle considérable dans l’amélioration de l’exactitude. Ainsi, l’une ou l’autre des méthodes pourrait servir à préciser l’abondance relative des principales essences, ce qui est aussi important que la structure d’un peuplement pour faire des prévisions sur la récupération.

FPInterface est un outil de soutien à la prise de décisions créé par FPInnovations qui simule la chaîne d’approvisionnement dans les activités forestières. L’ajout d’un module BiOS aide à estimer le coût de la biomasse forestière. Le modèle BiOS a été modifié pour évaluer l’approvisionnement en biomasse dans des forêts inéquiennes : la récupération est prévue en fonction de la répartition dimensionnelle des arbres (plutôt que les dimensions moyennes des arbres) et les taux de recouvrement ont été rajustés en fonction de chacune des classes de diamètre afin de tenir compte de la variation selon le diamètre lors de la réfaction. Le modèle capte dorénavant la variation observée de récupération dans tous les régimes sylvicoles et selon toutes les méthodes de récolte.

Avantages pour le Canada

Les entreprises forestières au Canada capables d’utiliser le bois non marchand pour réduire les coûts de l’énergie ou fournir le marché de l’énergie acquerront un avantage concurrentiel. Les gouvernements pourraient utiliser l’outil modifié pour mieux affecter l’offre de bois aux entreprises capables d’utiliser du bois de qualité inférieure et des déchets ligneux, y compris des parcelles de récolte qui autrement seraient écartées.

Prochaines étapes

Le projet d’évaluation des attributs du bois par la télédétection AWARE (Assessment of Wood Attributes using Remote Sensing) est un projet de suivi qui se fonde sur les résultats de ce projet et dont le but consiste à évaluer la possibilité de faire appliquer les méthodes de télédétection élaborées dans une vaste gamme de types de forêts, y compris des forêts boréales. Le projet AWARE est un projet collaboratif de recherche et développement financé par le Conseil de recherches en sciences naturelles et en génie (CRSNG).

Pour en apprendre davantage