Échantillonnage dynamique et inference pour un monitoring intelligent des forêts, application à l'Inventaire Forestier National français

Cette thèse aborde les défis rencontrés par les Inventaires Forestiers Nationaux (IFN) pour répondre à la demande croissante de suivi forestier, en raison de perturbations accrues telles que les incendies et la mortalité des arbres. Les dispositifs traditionnels des IFN, fondés sur des cycles périodiques (5 à 10 ans), peinent à fournir des données en temps utile à cause de leur faible intensité d'échantillonnage et de leur rigidité. L'objectif de cette recherche est de développer deux approches d'échantillonnage adaptatif pour des enquêtes d'espaces, spécifiquement appliquées en France. La thèse s'articule autour de trois objectifs principaux :(1) Documenter et évaluer la méthode d'échantillonnage et d'estimation de l'IFN français. Celui-ci repose sur un plan à deux phases et deux degrés d'échantillonage, innovant et flexible. Il utilise une grille régulière de cellules carrées, la première phase consistant à sélectionner des cellules pour un échantillonnage annuel. Cela permet d'ajuster l'intensité d'échantillonnage chaque année sans affecter les autres années du cycle. Des données auxiliaires servent à définir des strates et à concentrer les efforts sur les régions prioritaires. Les estimateurs, tenant compte des intensités variables, sont raffinés par post-stratification, ce qui améliore la précision. Malgré sa souplesse, ce dispositif n'avait pas encore été complètement vérifié et formalisé selon la théorie de l'échantillonnage. Cette étude comble ce manque en proposant un cadre théorique pour l'échantillonnage à deux phases et deux degrés, permettant une inférence fondée sur les estimateurs de Horvitz-Thompson et post-stratifiés, ainsi que leurs estimateurs de variance. (2) Développer et évaluer des techniques d'intensification de l'échantillonnage. Cette seconde approche propose d'ajouter un échantillon dans des domaines d'intérêt (DOI) où l'échantillonnage standard, nous donne des données insuffisantes par exemple après des perturbations ou dans des zones à forte valeur écologique ou économique en prenant des échantillons supplémentaires. Dans ce cas, l'intensification locale augmente la taille de l'échantillon dans le DOI, améliorant les estimations. Cependant, cela soulève la question de l'intégration de deux échantillons non indépendants et de différentes intensités : l'échantillon régulier et l'échantillon intensifié. Une approche conditionnelle permet de combiner ces échantillons et d'obtenir des estimateurs de totaux, de ratios, et leurs variances, tant pour le DOI que pour l'ensemble du territoire. (3) Évaluer la méthodologie d'échantillonnage et d'estimation, par des simulations. Des forêts virtuelles, jeux de données à l'échelle de l'arbre représentant une zone forestière de 10 × 10 km, ont été utilisées pour comparer les dispositifs d'échantillonnage et les estimateurs, évaluer l'IFN français face à des méthodes alternatives, et tester les deux stratégies adaptatives proposées. Les estimateurs sont restés non biaisés dans tous les cas. L'IFN français a produit la plus faible variance, mais ses estimateurs de variance étaient biaisés positivement d'environ 30 à 40%. Les résultats montrent l'efficacité du plan français associé aux estimateurs proposés. L'intensification réduit notablement la variance, tant au niveau des DOI qu'à l'échelle nationale. Les approches développées sont générales et applicables à divers inventaires forestiers et environnementaux. Toutefois, les résultats sont limités aux estimations spatiales et n'intègrent pas encore les évolutions temporelles.