EDF2013 - Chap 1 20/06/2013

EDF2013 - Chap 1 20/06/2013 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Evolution du couvert forestier du niveau national au régional et moteurs de changement / Forest cover evolution from national to regional scale and change drivers Baudouin Desclée 1, Philippe Mayaux 1, Matthew Hansen 2, Patrick Lola Amani 2, Christophe Sannier 3, Benoît Mertens 4, Thomas Häusler 5, René Ngamabou Siwe 5, Hervé Poilvé 6, Valery Gond 7, Mathieu Rahm 8, Jörg Haarpaintner 9, Jean-Paul Kibambe Lubamba 10 Avec la contribution de Peter Potapov 2, Svetlana Turubanova 2, Alice Altstatt 2, Louis- Vincent Fichet 3, Gernot Ramminger 5, Sharon Gomez 5, Guillaume Cornu 7, Lucas Bourbier 7, Quentin Jungers 10, Pierre Defourny 10, Thuy LeToan 11, Manuela Hirschmugl 12, Gabriel Jaffrain 13, Camille Pinet 13, Cédric Lardeux 14, Anoumou Kemavo 14, Philippe Dorelon 15, Donata Pedrazzani 16, Fabian Enβle 17, Joerg Seifert- Granzin 18, Landing Mane 19, Ludovic Nkok Banak 20, Anton Vrieling 21 1 CCR, 2 University of Maryland, 3 SIRS, 4 IRD, 5 GAF AG, 6 Astrium, 7 CIRAD, 8 Eurosense 9 Norut, 10 UCL, 11 CESBIO, 12 JOANNEUM Research, 13 IGN France International, 14 ONF International, 15 INSEE, 16 GMV, 17 Albert-Ludwig University Freiburg, 18 Fundación Amigos de la Naturaleza Bolivia, 19 OSFAC, 20 CNC-Gabon, 21 University of Twente Les forêts tropicales sont au cœur des enjeux internationaux sur le changement climatique et la conservation de la biodiversité. Etant le second plus grand écosystème forestier mondial après l Amazonie, le bassin du Congo joue un rôle important dans le système climatique continental. De façon plus important encore, ces forêts d'afrique soutiennent les moyens de subsistance directe de 60 millions de personnes en milieu rural (fournir de la nourriture, des médicaments, combustibles, fibres, produits forestiers non ligneux ainsi que des fonctions sociales et culturelles) et directement moins 40 millions de personnes vivant dans les centres urbains de ces domaines forestiers (Nasi et al., 2011).

32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 La cartographie de l'étendue des forêts et leur surveillance est d'une importance primordiale car leur l'état affecte le bien-être de millions de personnes en milieu rural et urbain, affecte le climat régional et mondial, et a des conséquences importantes pour la biodiversité. La délimitation précise de la superficie forestière, de sa composition et la documentation de sa dynamique fournissent des informations essentielles la mise en place et le suivi des politiques. Ce lien est considéré à l'échelle locale et mondiale dans les accords multilatéraux sur l'environnement tels que la Convention-cadre des Nations Unies sur les changements climatiques (CCNUCC) - où les politiques telles que la réduction des émissions dues à la déforestation et à la dégradation des forêts (REDD +) reconnaître le rôle des forêts dans le cycle du carbone; et la Convention sur la diversité biologique (CDB) - qui identifie la perte d'habitat de la forêt comme un moteur essentiel de la baisse de la diversité biologique. La politique européenne FLEGT réclame également des informations sur la traçabilité des bois et sur le caractère légal des coupes forestières. La source principale d information sur le couvert forestier et sur son évolution est la télédétection satellite. Les images acquises régulièrement par les différents satellites d observation de la terre (citons parmi les plus utilisés, Landsat, Spot, Aster et DMC- Disaster Monitoring Constellation) fournissent un état de la situation et permettent de comparer l état des forêts à différentes époques. De plus, l accessibilité grandissante des images acquises par différents capteurs facilite les analyses sur des surfaces de plus en plus importantes et permet de contourner le problème de couverture nuageuse importante en réalisant des images composites sans nuages ou en combinaison avec des images radar à ouverture synthétique (SAR). Les nouvelles approches multi-capteurs tentent donc d exploiter au mieux les informations des différents satellites disponibles. Ce chapitre dresse un aperçu non exhaustif des différentes initiatives de suivi des forêts d Afrique Centrale par image satellite. Suivant les objectifs de l initiative et de ses moyens, le champ d analyse passe de l échelle locale, à la couverture nationale voire à l ensemble de l Afrique Centrale. Alors que la plupart des études identifie les surfaces touchées par la déforestation, d autres études plus récentes tentent d identifier des Page 2 44

64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 changements de couvert forestier plus limités tels que la dégradation forestière et la réduction de la biomasse. 1. Initiatives nationales de suivi du couvert forestier/national forest cover monitoring initiatives Plusieurs pays, dont le Gabon, le Cameroun, le Congo, la RCA et la RDC se sont officiellement engagés dans le processus REDD+ (démarche expliquée en détail dans le chapitre 5). Ces pays doivent notamment mettre en place un système intégré de Mesure, Notification et Vérification (MNV) des changements de déforestation et/ou dégradation forestière ainsi que des activités d amélioration du couvert forestier. Ce système nécessite donc de cartographier les zones de changements du couvert forestier afin d élaborer des stratégies adaptées localement face à ces dynamiques. Une telle cartographie détaillée n est pas exigée tous les ans (seulement tous les 3 à 5 ans) mais ce sont les évolutions du couvert forestier qui doivent être suivies plus régulièrement. Cette démarche nécessite également la mise en place de normes nationales telles que la définition de la forêt (en termes de couvert forestier) ainsi qu une grande implication des experts nationaux dans les processus de cartographie et de validation. Cette section dresse un état des lieux pour les pays ayant des premiers résultats lors de ces initiatives nationales de cartographies des changements de couvert forestier. La liste de ces initiatives est reprise dans le Tableau 1. Il est rappelé au lecteur que les résultats de cartographie complète de la RDC (FACET) ne sont pas repris dans ce chapitre étant donné qu ils ont déjà été publiés dans la précédente édition de ce rapport (EDF 2010). Page 3 44

EDF2013 - Chap 1 20/06/2013 88 Tableau 1 : Liste des projets en appui aux initiatives nationales et locales en termes de cartographie des changements du couvert forestier Nom Pays Leader Partenaires institutionnels /pays Partenaires techniques Bailleur Durée Période d'analyse Couverture Application recommandations GIEC Cameroun GAF MINFOF, MINEP FAN ESA, KFW 2008-2010 1990-2000- 2005 Pays Non GSE-FM Congo GAF MDDEFE SIRS, JR ESA, FFEM Gabon SIRS AGEOS GAF, JR ESA, FFEM 2010-2014 2010-2014 1990-2000- 2010 1990-2000- 2010 Pays Pays Oui Oui OSFT RCA Astrium MEFCPEE IGNFI AFD 2010-2014 1990-2000- 2010 33 Sous préfectures (55% Pays) Oui REDDAF FACET RCA SIRS MEFCPEE Cameroun GAF MINEPDED Congo and DRC OSFAC - GAF, CESBIO, JR, LACCEG SIRS, CESBIO, JR, GTG SDSU, UMD, WRI EU EU CARPE/USAI D, NASA, CBFF/BAD 2010-2013 2010-2013 2009-2013 1990-2000- 2010 1990-2000- 2010 2000-2005- 2010 Region Sud- Ouest Province Centre Pays Oui Oui Non ReCover DRC Norut OSFAC ALUFR, GMV EU 2010-2013 1990-2000- 2005-2010 Région Ouest Non REDDiness Congo, Gabon Eurosen se MEF (Gabon), CNIAF (Congo) ITC, IRD EU 2011-2013 2007-2012 Sud Congo, Sud-Est Gabon Non

EDF2013 - Chap 1 20/06/2013 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 1.1 Gabon Le Gabon dispose d une cartographie complète de son couvert forestier pour les années de référence 1990, 2000 et 2010. Cette cartographie a été réalisée dans le cadre du projet GSE FM-Gabon grâce au traitement d images satellites Landsat pour les années 1990 et 2000 et d une combinaison de Landsat et ASTER pour 2010. Etant donné le couvert nuageux permanent, ce travail a nécessité le traitement d environ 300 images satellites, alors qu en l absence de nuages, une quinzaine d images Landsat suffiraient pour couvrir l ensemble du territoire gabonais. La cartographie détaillée a d abord été réalisée sur l année de référence 2000. Chaque image de l année 2000 a été traitée et classée séparément pour en extraire le couvert forestier. Un contrôle qualité détaillé a été appliqué pour chaque emprise d images et les résultats ont été mosaïqués sur l ensemble du territoire pour créer la couche Forêt/Non Forêt (F/NF) de l année 2000. Cette carte F/NF 2000 a ensuite été superposée aux images de 1990 et 2010 pour en extraire les changements observés et les classer selon une nomenclature compatible avec celle du GIEC. Cette carte des changements permet ensuite de dériver les couches forêt/non forêt pour 1990 et 2010. La méthodologie employée est décrite plus en détail par Fichet et al. (2012 et 2013). 108 109 110 Figure 1 : Carte du couvert forestier du Gabon et de son évolution entre 1990 et 2000 (Source : GSE FM-Gabon)

111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 La précision des cartes F/NF produites a été évaluée à près de 98% pour les 3 périodes. Pour estimer celle-ci, un photo-interprète confirmé a réalisé une interprétation visuelle des images satellites, indépendante de la production des cartes, sur base d un plan d échantillonnage couvrant 1% de l ensemble du territoire gabonais. Ce même plan d échantillonnage permet de produire des estimations de surface indépendantes de la carte thématique, mais aussi de combiner ces résultats avec la carte thématique et ainsi d améliorer la précision des estimations grâce à un estimateur de régression. En effet, il n est pas possible d indiquer l incertitude des superficies directement extraites des cartes produites, l estimateur de régression permet d affiner ces estimations et d indiquer le degré d incertitude leur étant associé. L utilisation de l estimateur de régression pour l estimation de la superficie du couvert forestier et de son évolution est décrite par McRoberts et Walters (2012) alors que son application pour le couvert forestier du Gabon est détaillée par Sannier et al. (2013). Les résultats issus de la combinaison entre carte F/NF (Figure 1) et échantillonnage photo-interprété pour l ensemble du Gabon sont détaillés dans le Tableau 2. La forêt représente plus de 88% du territoire gabonais soit environ 23,6 millions d hectares. Le taux annuel de déforestation nette entre 1990 et 2000 est établi à 0,034% soit une diminution du couvert forestier d environ 80 000 ha. Tableau 2 : Estimations des superficies du couvert forestier du Gabon et de son évolution entre 1990, 2000 et 2010 issus de la combinaison entre carte F/NF et échantillonnage photointerprété (Source : Sannier et al., 2013) 1990 2000 2010 1990-2000 2000-2010 Gabon (km²) 267 667 Déforestation nette Couvert (km²) 237 380 236 570 236 335 796 190 forestier (%) 88,68 88,38 88,29 0,34 0,08 Incertitude (km²) ±664 ±711 ±698 ±293 ±259 (95% d intervalle de confiance) (%) ±0,25 ±0,27 ±0,26 ±0,13 ±0,11 Page 6 44

136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 Entre 1990 et 2000, la déforestation brute est estimée à un peu plus de 1000 km² et près de la moitié est due à l exploitation forestière et à l ouverture de routes alors que près d un tiers de la déforestation est due à la conversion de la forêt en prairie/savane. Toutefois, une proportion significative de cette conversion est sans doute due à la pratique de l agriculture itinérante sur brûlis qui n est pas aisément détectable sur les images satellites et se confond avec la savane. La reforestation est de l ordre de 400 km² et les principales causes en sont la conversion des savanes/prairies pour plus de 60% et la reforestation des routes liées à l exploitation forestières pour 25%. La suppression du couvert forestier liée à l exploitation forestière peut être considérée comme n étant pas de la déforestation mais plutôt de la dégradation, car il n y a pas de conversion vers un autre type d utilisation des sols. La forêt dégradée dans ces conditions peut être restaurée par des mesures sylvicoles telles que le reboisement (FAO, 2009) Entre 2000 et 2010, un ralentissement très net de la déforestation est observé, puisque le taux annuel de déforestation observé est de 0.008% sur la période et la zone couverte. D autre part, cette valeur n est pas significativement différente de zéro. Ceci peut s expliquer non seulement par la faiblesse de la densité de population rurale et la dynamique agricole plus réduite mais aussi par les mesures institutionnelles prises par le Gabon sur les parcs nationaux et le code forestier. Ces nouvelles lois ont permis de mettre en place un réseau de 13 parcs nationaux répartis dans l ensemble du pays et le code forestier a conduit les exploitants à organiser l exploitation dans le temps et l espace à travers la réalisation des plans d aménagements forestiers. D autre part, une autre explication possible est à chercher dans les conditions écologiques généralement favorables à une régénération forestière rapide, notamment une très bonne pluviométrie et une bonne dissémination des graines par une diversité faunistique importante (Doucet, 2003). On pourrait également rajouter que le relief accidenté constitue un frein à l exploitation permanente des massifs forestiers. Ces explications doivent être confirmées par les études en cours sur les causes de la déforestation et de la reforestation au Gabon. Page 7 44

168 169 170 171 172 173 174 175 176 177 178 179 180 181 1.2 Cameroon The forest cover assessment for Cameroon comprised the acquisition and analysis of full national satellite image coverage based on Landsat for 1990 and 2000, and DMC data for 2005/06. The forest and non-forest areas were mapped for these years with a Minimum Mapping Unit (MMU) of 5 ha. In two separate projects (GSE-FM and REDDAF), mapping activities have been undertaken for the country but with more focused work limited to the Eastern Province and Central Provinces.The main reasons for limiting the mapping activities are due to budgetary constraints. Based on the forest/non-forest (F/NF) products of the Eastern Province, change masks were generated for the periods: 1990-2000 and 2000-2005 (Figure 2). The changed areas were then classified into the five IPCC compliant categories: cropland; grassland; wetland; settlement land and other land. Training data was derived from Very High Resolution (VHR) data and from the data acquired during the field missions. 182 183 184 Figure 2: Forest cover change (in red) in the Eastern Province of Cameroun for the periods 1990-2000 and 2000-2005 (Source: GSE-FM Cameroun) Page 8 44

185 186 187 188 189 190 191 Table 3 presents the areas of forest cover change for the three periods (1990-2000- 2005). Despite the mapped area slightly differed between the two change periods, this area represents from 96 to 98% of the whole Easter Province covering 112 950 km².the gross deforestation rate for the 1990-2000 period was 0.86%. There was a significant regrowth during this period estimated at 0.21%. For the period 2000-2005, the gross deforestation rate was 0.07%. Given the high rate of regrowth (0.10%), the net deforestation rate over 2000-2005 was estimated at -0.03%. 192 193 194 Table 3: Forest cover change estimations in the Eastern Province of Cameroon over the period 1990-2000-2005 (Source: GSE-FM Cameroun) Eastern Province 1990 2000 (a) 2000 (b) 2005 1990-2000 2000-2005 Mapped area km² 108854 110781 Net Deforestation Forest cover km² 87991 87424 89187 89209 567.7-22.9 % 80.83% 80.31% 80.51% 80.53% 0.65% -0.03% 195 196 197 198 199 200 201 202 203 204 205 206 1.3 Republic of the Congo A wall-to-wall mapping of forest cover and change for the years 1990-2000-2010 has been performed in the framework of the GSE-FM Congo Project. Whereas the project s ambition is to cover the whole country, first analyses were performed over the Northern Congo (Likouala and Sangha Provinces). Different satellite sensors such as Landsat-4, - 5, -7, Aster, DMC, RapidEye and SPOT were used to overcome the problem of heavy cloud cover in some parts of the country. The changed areas were classified into the IPCC compliant land cover classes; i.e agriculture land, grassland, settlement, wetland and other land. Preliminary results of forest cover change indicate gross deforestation rates of approximately 0.33% within the period between 1990-2000 whereas and 0.26% between 2000-2010 (Table 4). 207 208 209 Page 9 44

210 211 Table 4. Forest cover change areas Northern Congo (Likouala and Sangha Provinces) over the period 1990-2000-2010 (Source: GSE-FM Congo) 1990- Likouala & Sangha 1990 2000 2010 2000-2010 2000 Average Mapped area km² 124774 Net Deforestation 212 Forest cover km² 120422 120171 120131 251.1 40.4 % 96.5 96.5 96.3 0.21% 0.03% 213 214 215 216 217 218 219 220 221 222 223 224 225 226 FACET (Forêts d'afrique Centrale Évaluées par Télédétection) is a joint project of the Observatoire Satellital des Forêts d Afrique Centrale (OSFAC) and the University of Maryland that quantitatively evaluates the spatiotemporal dynamics of forest change in Central Africa through the use of multi-temporal satellite data. The RoC FACET atlas is a wall-to-wall mapping exercise performed over the whole Republic of Congo. The approach is similar to that used to produce the FACET atlas for the DRC (Potapov et al., 2012) presented in the last SOF (de Wasseige et al., 2012). An exhaustive exploration of the Landsat ETM + satellite archive was carried out in order to map the extent and loss of forest cover of Congo from 2000 to 2010. A total of 1788 ETM+ images were processed to achieve the final map. The method used is an evolution of approach of Hansen et al. (2008), where MODIS data are used to pre-process time series Landsat images, which are in turn used to characterize the extent and loss of forest cover. Forest cover has been mapped for 2000, and forest cover loss analyzed from 2000 to 2005 and from 2005 to 2010 (Figure 3). Page 10 44

227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 Figure 3: Forest cover/loss map of the Republic of Congo for the period 2000-2005-2010 (Source: FACET Congo) The forest cover change analysis was made across the entire national territory, with 99.9% of the land area covered by cloud-free Landsat observations. The total forest cover was estimated in 2000 at 229,385 km² (Table 4). Terra firme primary forests comprise 52% of the total forest area, whereas secondary forest and swamp forest cover respectively 4% and 44% of the total forest area. The area of gross forest cover loss from 2000 to 2010 was estimated at 1700 km² or 0.7% of the total forest area in 2000. For the total loss of forest cover, 51% occurred in terra firme primary forest, 34% in secondary forest, and 16% in swamp forest. The forest cover loss rates varied by forest type, with the highest rate in secondary forest (6.7%) and lowest in swamp forest (0.3%). The forest cover loss rate for primary forest was 0.7%. Most of the forest cover loss in primary forests is attributed to the expansion of agriculture and logging in pristine forests, potentially causing changes in plant and animal species composition, as well as ecosystem dynamics. The total forest cover loss nearly doubled between 2000-2005 and 2005-2010 intervals. The greatest rate of increase occurred in swamp forest where the loss increased nearly three-fold (284%) while terra firme primary forest loss increased by 182%. Page 11 44

247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 Table 5. Forest cover/loss for the Republic of Congo over the period 2000-2005-2010 (Area reported in square kilometers) (Source: FACET Congo) 2000 2005 2010 2000-2005 2005-2010 Congo km² 339118 Forest Loss Primary Forest km² 117708 117403 116846 305.4 557.2 Secondary Forest km² 8534 8310 7962 224.6 347.4 Swamp Forest km² 101443 101374 101178 68.9 195.9 Total Forest km² 229385 228786 227685 598.8 1100.5 % 67.6% 67.5% 67.1% 0.26% 0.48% 1.4 République Centrafricaine La production de la cartographie forestière en RCA, réalisée dans le cadre des projets REDDAF et OSFT, couvre un ensemble d environ 345 000 km² soit 55% du territoire national comprenant 33 sous-préfectures. Cela correspond à des zones de forêt tropicale dense au sud, des forêts galeries et des zones de formations végétales arborées plus claires et sèches en remontant vers le nord. Les cartographies forestières sont issues de la classification d images satellites : Landsat pour les plus anciennes périodes, SPOT 4/5 et RapidEye pour les plus récentes. Toutes les cartes produites sont ensuite contrôlées et validées par des équipes externes suivant des protocoles stricts basés sur les standards internationaux. La méthodologie utilisée dans le cadre du projet REDDAF pour produire les cartographies des 3 préfectures du Sud-Ouest (Sangha Mbaéré, Lobaye et Ombella- Mpoko) est identique à celle décrite pour le Gabon ( 1.1). La chaine de production mise en œuvre pour les autres préfectures (projet OSFT) utilise une approche innovante de traitement des images satellites qui restitue les caractéristiques physiques du couvert arboré. Elle permet de générer ici deux types de produits: (1) Une analyse historique de la déforestation sur 20 ans et (2) une cartographie détaillée additionnelle sur 2010. L analyse historique de la déforestation sur 20 ans est une combinaison de classification binaire forêt/non-forêt aux trois dates pivots 1990, 2000 et 2010, ainsi que les cartes de changement associées. Les cartes sont générées à partir d'une combinaison d images satellites Landsat (pour les dates plus anciennes) et SPOT, à 20m de résolution spatiale. Pour le pivot le plus récent (2010), une cartographie détaillée est réalisée en 6 classes : forêt dense, savane arborée, savane, zone d habitation, zone humide et zone agricole. Page 12 44

274 275 276 Cette carte est générée à partir d'une mosaïque d images SPOT 5 à 10 m de résolution spatiale. Un exemple sur le Lot 1 couvrant la province de Mambéré Kadei est illustrée en Figure 4. 277 278 279 280 Figure 4: Cartographie des changements forestiers 2000-2010 sur la province de Mambéré Kadei (Lot 1) de la RCA (Source: OSFT) 281 282 283 284 285 286 287 288 289 Un protocole rigoureux de contrôle qualité a été défini et les contrôles ont été réalisés par une équipe indépendante de l équipe de production, en 2 étapes successives. Premièrement, une étape de vérification selon un échantillonnage statistique, qui a notamment permis de détecter des erreurs systématiques sur les premiers lots et d affiner ainsi les règles de classification. Deuxièmement, une phase de validation utilisant un échantillonnage stratifié (on s'assure d'avoir un nombre significatif de points dans chaque classe), vise à quantifier les qualités et les défauts de la classification, sous la forme d'une matrice de confusion. 290 291 292 293 294 Le croisement des cartes des différentes périodes pivot (1990-2000-2010) a permis de dériver des estimations de changement de surfaces forestières. Le tableau 6 fournit les résultats détaillés selon un découpage administratif correspondant généralement aux préfectures. 295 Page 13 44

296 297 298 299 300 301 302 303 304 Tableau 6: Résultats de l analyse historique (1990-2000-2010) par préfecture (Source: OSFT et REDDAF-RCA) Préfecture Surface 1990 Changements 1990-2000 Changements 2000-2010 Totale (km²) Surface forêt Déforestation Régénération Déforestation Régénération (km²) (%) (km²) (km²) (km²) (km²) Mambere-Kadei 30100 9845 32,7% 694 59 436 151 Nana-Mambere 27400 3342 12,2% 251 17 244 19 Ouham 27300 3733 13,7% 200 27 187 28 Kemo-Gribingui 16800 4582 27,3% 318 32 347 15 Ouaka 21100 2974 14,1% 195 26 83 21 (Sud) Ouaka 28100 2272 8,1% 68 86 105 99 (Nord) Haute Kotto 16200 4174 25,8% 182 23 254 27 Basse Kotto 17200 2750 16,0% 54 102 53 160 Mbomou 25800 12228 47,4% 174 64 208 55 (Ouest) Mbomou 34600 11440 33,1% 188 77 156 61 (Est) Haut Mbomou 24000 5731 23,9% 117 139 74 144 Sangha Mbaéré 18700 17713 94,7% 124 34 118 55 Lobaye 18400 10223 55,6% 119 7 128 64 Ombella-Mpoko 32100 6536 20,4% 308 1 115 14 Total 337800 97543 28,9% 2992 693 2508 912 (km²) 2298 1596 Déforestation nette (%) 2,36 % 1,68 % Les phénomènes de déforestation sont relativement faibles sur l ensemble de la RCA, et dans la majorité des préfectures la déforestation est d environ 1% par période de 10 ans seules les 2 préfectures d'ombella-mpoko (Bangui, capitale) et Mambere-Kadeï présentent un taux de déforestation plus important. La forêt dense humide de RCA a perdu 4% de sa surface totale (3894 km²) en 20 ans soit une moyenne de 0,20% par an. Page 14 44

305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 Box 1.5 Monitoring deforestation in the DRC the TerraCongo project Przemyslaw Zelazowski 1,Carlos Riano 2, Stefano Giaccio 1, Inge Jonckheere 1, V. K. Kosa 3, H. K. Koy 3, F. M. Kayembe 3, E. N. Manzila 3, D. V. Mbenza 3, Danaé Maniatis 1 1 Food and Agriculture Organization of the United Nations, Forestry Department, UN- REDD Programme, Rome, Italy 2 Food and Agriculture Organization of the United Nations, UN-REDD Programme, Kinshasa, Italy 3 Direction Inventaire et Aménagement Forestiers (DIAF)/MECNT, Kinshasa, DRC The TerraCongo project, initiated in 2011, stems from a collaboration between the Brazilian Space Agency INPE and FUNCATE (a foundation dealing with the technical development of methods and tools for the Amazon forest monitoring), FAO of the UN, and a number of countries participating in the UN-REDD programme (www.unredd.org), notably DRC, Paraguay and Papua New Guinea. The collaboration aims to build capacity in tropical forest Monitoring and Measurement, Reporting and Verification (M and MRV) based on (mostly) freely available technology and data. Other goals include reinforcement of technical and professional capacities of national experts during the implementation phase, as well as inclusion of existing national data and methods. FAO s role is that of a catalyst of South-South transfer of know-how and capacity building (notably, linked to the Brazilian TerraAmazon software) and of a promoter and generator of freely available and open tools. Page 15 44

326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 Figure 5: Presentation of the DRC forest monitoring initiative DRC s TerraCongo is the first country implementation of the initiative. In the first phase, it focuses on (i) forest area monitoring, and (ii) data dissemination through Internet, which together form the DRC s official National Forest Monitoring System (NFMS). Currently the project encompasses the Kasai-Occidental province, which has circa 96 000 km 2 of forest, and was chosen as it received the highest feasibility rank in an assessment that considered several criteria (area, deforestation rates, REDD+ activity, cloudiness, data availability, topography, forest plots, and forest types). This initial phase will be followed by successive inclusion of all DRC s provinces, each in a separate database. Measurement of the forest area is primarily based on freely available Landsat satellites data, free and open tools for satellite image processing (e.g. http://km.fao.org/ofwiki/index.php/open_foris_geospatial_toolkit), and free-ofcharge TerraAmazon software (www.terraamazon.org) that facilitates multi-user edition of land cover maps. All satellite imagery used in the project is corrected and segmented. Other data processing is specific to one of the two main stages: (i) delineation of forest Page 16 44

344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 area for the year of reference and (ii) change detection. Data pre-processing for the 1 st stage makes use of the officially-adopted forest map, the DRC FACET map, which provides training for image segment classification. Based on comparisons with highresolution imagery, accuracy of the resulting initial forest map is preliminarily estimated to be 85 % (based on hi-res imagery in Google Earth, and not accounting for time differences). Data pre-processing for the 2 nd stage involves automatic detection of change between imagery from different dates. In both data processing phases, a group of 5 national experts from DIAF (Department of Forest Inventory and Management), who received training in Brazil, Italy, and DRC, post-process and validate geo-information derived though automated data processing, ensuring that forest areas conform to the official country definition of forest, submitted to the UNFCCC secretariat. This is done using purpose-build workspace in the TerraAmazon software, with two separate projects (implemented in the same database), one for forest mask finalization, and one for periodic assessment of forest area change, which together cover the whole data production cycle. Recent efforts focus also on gathering high-resolution imagery to aid Landsat data interpretation and project validation, and on the implementation of all data pre- and post-processing in open and free software. Results from the above-described work are published through the official NFMS webportal of DRC (www.rdc-snsf.org), which was officially launched in December 2011 (COP), and is available to import, process, and disseminate any data related to forest Monitoring and MRV. Page 17 44

374 375 2. Evaluation régionale des changements de couvert forestier / Regional assessment of forest cover change 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 L harmonisation à l échelle régionale du suivi du couvert forestier reste cruciale car elle est complémentaire aux différentes initiatives nationales. En effet, certains critères comme la définition cartographique d une forêt peuvent différer d un pays à l autre et rendent complexes la comparaison entre pays. Les approches régionales permettent d obtenir une évaluation cohérente de la situation des forêts sur toute l Afrique Centrale. Deux types d analyse régionale du suivi forestier coexistent car elles ont chacune leurs limites et leurs utilisations. La première est l approche par échantillonnage de zones cartographiées. Celle-ci permet une meilleure compréhension des changements forestiers et possède un historique plus long (depuis 1990 jusqu à 2010). Cette technique a été conçue pour une vision régionale voire nationale et non pas locale. La seconde approche est la cartographie exhaustive (wall-to-wall). Celle-ci est indispensable pour la mise en œuvre des politiques nationales et locales mais elle nécessite des traitements importants au moyen d outils avancés de composition d images satellites. 391 392 393 Tableau 6 : Synthèse des différentes approches de suivi forestier en Afrique Centrale pour les périodes 1990-2000 et 2000-2010 (* Travaux en cours) 1990-2000 2000-2010 National Sampling National Sampling Wall-to-wall Cameroun X(East) X X(East) X X* Congo X(North) X X(North) X X Gabon X X X X X* Guinée Eq. X X X* RCA X(South) X X(South) X X* RDC X X X Chad X X 394 Régional X X X* 395 Page 18 44

396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 2.1 Suivi régional des forêts humides et sèches entre 1990 et 2010 Dans le cadre de l OFAC et dans la continuité des précédentes éditions de l EDF, une nouvelle évaluation cohérente de la déforestation a été réalisée à partir de la plus longue série temporelle (1990-2000-2010) couvrant le Bassin du Congo. Les images satellites couvrant ces dates pivots ont été cartographiées sur base des techniques récentes de traitement d images et croisées afin de déterminer les taux de déforestations pour chaque pays du Bassin du Congo. Cette étude est réalisée dans le cadre du projet TREES lancé en 1992 par la Commission Européenne et qui contribue à l enquête mondiale par télédétection de l Evaluation Globale des ressources forestières mondiales 2010 de la FAO (FRA pour Forest Resource Assessment ; FAO, 2012). L approche TREES/FRA utilise des extraits d images satellites de 10x10 km sur trois époques 1900, 2000 et 2010 sur base d un échantillonnage systématique sur chaque demi-degré de latitude/longitude (et même quart de degré pour le Gabon et la Guinée Equatoriale, fréquemment couverts de nuages), soit un échantillon total potentiel de 510 points systématiquement distribués sur les forêts humides d Afrique Centrale. 311 sites ont été couverts par des images de bonne qualité sur les 3 époques. Les principaux échantillons manquants sont localisés sur les zones côtières du Gabon, de la Guinée Equatoriale et du Cameroun. Bien que les périodes cibles étaient 1990, 2000 et 2010, la recherche des images couvre quelques années autour de chaque période cible vu les contraintes de disponibilités des images (notamment couvert nuageux et faibles acquisitions historiques). Les problèmes techniques sur les satellites Landsat (capteur défectueux sur Landsat-7 et station de réception Landsat-5 défaillante) ont également compliqué l acquisition des images sur 2010, alors que ces données étaient la base pour 1990 et 2000. Dès lors, le jeu de données 2010 a été construit en combinant plusieurs satellites de résolution similaire. Parmi les candidats potentiels, DMC était considéré comme bon candidat étant donné sa courte période de revisite et ses résolutions spatial (de 22 à 32 m) et spectrale similaires à Landsat. Les images SPOT-4 et -5 à plus haute résolution (respectivement 20 et 10 m) ont également été utilisées comme imagerie complémentaire. Au total, Page 19 44

427 428 DMC représentant 43% des images utilisées, SPOT (22%) et Landsat TM pour les 34% restants. 429 430 431 432 433 434 435 436 437 438 439 440 Les changements de couvert forestier sur la période 1990-2000-2010 ont été estimés sur base d une chaine de traitement originale d images qui comprend différentes étapes (Rasi et al., 2013): sélection visuelle des meilleurs images disponibles, co-registration, calibration, masquage des nuages et ombres, segmentation, détection de changement et classification. Cette chaine de traitement a été adaptée pour les échantillons DMC et SPOT (Desclée et al., 2013). Des experts régionaux ont alors vérifié les cartes d occupation du sol produites automatiquement et ont recodé les erreurs détectées. Les changements de couvert forestier ont alors pu être mesurés en comparant les paires de cartes validées entre 1990 et 2000 et sur 2000 et 2010 sur chaque point de l échantillonnage (Mayaux et al., 2013). La Figure 6 présente cette évolution de la déforestation sur l ensemble du bassin du Congo. 441 442 443 444 Figure 6 : Cartes du Bassin du Congo illustrant les taux de déforestation sur chaque point de l échantillonnage sur les périodes 1990-2000 et 2000-2010 (Source : CCR) 445 446 447 Page 20 44

448 449 450 451 452 453 454 455 456 Le tableau 7 reprend les estimations de taux de déforestation par pays et sur l ensemble des forêts humides d Afrique Centrale sur les périodes 1990-2000 et 2000-2010. La tendance générale est une réduction du taux de déforestation entre ces 2 périodes de 0.19% à 0.14% sur les forêts humides du Bassin du Congo. La reforestation diminue de 0.03% et devient négligeable. Tableau 7: Taux annuels (bruts et nets) de déforestation sur les forêts humides d Afrique Centrale pour les périodes 1990-2000 et 2000-2010 (erreur standard entre parenthèses)*(source : UCL (1990-2000) et CCR (2000-2010)) 1990 2000 2000-2010 Pays n Déforesta tion brute Reforestatio n brute Déforestatio n nette Déforestatio n brute Reforestatio n brute Déforestatio n nette Cameroun 45 0,13% (0,04%) 0,04% (0,01%) 0,09% (0,04%) 0,08% (0,03%) 0,02% (0,01%) 0,06% (0,04%) Congo 65 0,09% (0,02%) 0,03% (0,01%) 0,05% (0,02%) 0,07% (0,02%) 0,00% (0,00%) 0,07% (0,02%) Gabon 63 0,07% (0,02%) 0,02% (0,00%) 0,05% (0,02%) 0,03% (0,01%) 0,01% (0,00%) 0,01% (0,01%) Guinée Eq, 7 0,13% (0,08%) 0,10% (0,06%) 0,03% (0,07%) 0,04% (0,03%) 0,05% (0,03%) -0,01% (0,02%) RCA 26 0,11% (0,03%) 0,03% (0,01%) 0,09% (0,03%) 0,06% (0,02%) 0,01% (0,00%) 0,05% (0,02%) RDC 114 0,24% (0,05%) 0,03% (0,01%) 0,22% (0,04%) 0,20% (0,04%) 0,00% (0,00%) 0,19% (0,04%) 457 458 459 460 461 462 Forêts 0,19% 0,03% 0,16% 0,14% 0,00% 0,14% 171 humides (0,03%) (0,01%) (0,03%) (0,03%) (0,00%) (0,03%) *Résultats préliminaires Etant donné l intérêt croissant sur les forêts sèches, une analyse similaire a été réalisée sur ces écosystèmes en Afrique Centrale. Les forêts sèches sont les régions situées en dehors de l écorégion Guineo-Congolien qui correspond aux forêts humides. L approche décrite pour la période 1990-2000 par Bodart et al. (2013) a été étendue sur Page 21 44

463 464 465 466 467 468 469 470 471 472 473 la période 2000-2010 sur les pays de la COMIFAC. Les principaux pays concernés sont le Cameroun, la RCA, la RDC et surtout le Tchad. Alors que la source de données pour les périodes 1990 et 2000 était Landsat uniquement, la période 2010 a été couverte par DMC (62%) et Landsat TM (38%). Les résultats de cette étude sont présentés dans le Tableau 8. Alors que la déforestation brute est similaire entre 1990-2000 et 2000-2010 (0,36% vs 0,42%), il y a une claire réduction de la reforestation entre les 2 périodes (0,14% vs 0,03%). Tableau 8: Taux annuels (bruts et nets) de déforestation sur les forêts sèches d Afrique Centrale pour les périodes 1990-2000 et 2000-2010 (erreur standard entre parenthèses)* (Source : CCR) 1990 2000 2000-2010 Pays Déforestat Reforestati Déforestat Déforestat Reforestati Déforestati n ion brute on brute ion nette ion brute on brute on nette Cameroun 17 0,23% (0,10%) 0,02% (0,02%) 0,21% (0,10%) 0,10% (0,05%) 0,00% (0,00%) 0,10% (0,05%) RCA 41 0,17% (0,06%) 0,06% (0,02%) 0,11% (0,06%) 0,39% (0,19%) 0,00% (0,00%) 0,39% (0,19%) Tchad 108 0,81% (0,50%) 0,61% (0,32%) 0,20% (0,46%) 0,57% (0,27%) 0,09% (0,09%) 0,49% (0,23%) RDC 62 0,42% (0,10%) 0,15% (0,09%) 0,27% (0,12%) 0,47% (0,16%) 0,03% (0,02%) 0,44% (0,16%) Forêts sèches 228 0,36% (0,07%) 0,14% (0,06%) 0,22% (0,08%) 0,42% (0,11%) 0,03% (0,01%) 0,39% (0,11%) 474 475 476 477 478 479 480 481 *Résultats préliminaires 2.2 Regional Landsat-scale forest extent and disturbance FACET map A set of map products has been generated as part of the FACET program. These products, delivered as hard and soft copy atlases of forest type, extent and loss at national scales, represent the first medium spatial resolution maps of their kind. We report here an addition to the FACET product suite, which to date consists of national scale products for the DRC (presented in SOF 2010) and the Republic of Congo Page 22 44

482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 (presented at Section 1.3). These mapping methods have now been extended to the regional scale, characterizing the following countries of Central Africa: Cameroon, CAR, Republic of Congo, DRC, Equatorial Guinea and Gabon. Medium spatial resolution Landsat imagery is the data of choice in quantifying forest extent and change over large areas. The Landsat program meets several requirements for operational monitoring including a formal data acquisition strategy, an open data policy (data are provided free of charge and are readily accessible through the Glovis facilities; http://glovis.usgs.gov), and radiometric and geometric correction of the data, which obviates the need for onerous pre-processing by users. The successful launch of Landsat 8 in February 2013 assures the continuation of the program. Methods for mass-processing the Landsat archive in support of land monitoring programs are now being implemented. Date-intensive computational methods allow for the querying of every Landsat pixel, enabling researchers to overcome the primary limitation of optical earth observation data sets for tropical Africa cloud cover. FACET processing of Landsat data includes per pixel quality assessment in order to retain only viable land surface observations for forest characterization. Technical methods for processing and characterizing Landsat data in this manner are presented by Potapov et al. (2012). For this first regional product, data from 1999 through 2012 were included. To date, FACET products include two maps - forest extent reference at time 1 and forest cover loss estimate between time 1 and time 2. Page 23 44

504 505 506 Figure 7. Landsat-derived regional percent tree cover and forest cover loss for tree cover >=30% canopy cover (Source: FACET) 507 508 509 510 511 512 513 514 515 Regional-scale Landsat-derived forest extent and loss map products were derived and are displayed together in Figure 7: a percent tree cover map for 2000 and a 2000 to 2012 forest cover loss estimate map. Forest cover loss (in red) includes areas with tree cover higher than 30% that experienced stand-replacement disturbance between 2000 and 2012. A regional subset is shown in Figure 8, illustrating the variation in forest disturbance between countries along the northern fringe of the Congo Basin rainforest. The background image captures the high data quality of the input Landsat data and the lack of cloud or haze contamination enabled by mass-processing of the Landsat archive. 516 517 518 519 520 521 522 523 524 525 Such regional maps serve to demonstrate capabilities that could be adopted by national agencies responsible for forest monitoring. As an example, FACET data have been incorporated into UN-REDD activities, including the use of FACET as the primary thematic layer for forest cover extent and loss for the DRC s NFMS. National monitoring tasks in support of the REDD initiative will require such data in establishing baseline carbon emissions estimates. Forest definitions used in REDD may vary based on tree height and cover density. For this regional map, the percent canopy cover of 5 meter or taller trees is estimated per pixel. Percent tree cover maps allow users to vary the definition of forest based on canopy cover and enable the disaggregation of forest Page 24 44

526 527 528 529 530 531 532 loss by canopy density strata. The mapped forest cover loss is for stand-replacement disturbances only, and does not include an assessment of forest degradation due to selective logging. Labeling of forest loss events by antecedent forest type as well as change dynamic (mechanical clearing, fire, storm damage) will be required in order to properly model carbon emissions factors in support of REDD monitoring objectives. The regional product will be made freely available at the CARPE and OSFAC websites (carpe.umd.edu and osfac.net). 533 534 535 536 Figure 8. Regional subset of Figure 1, with forest cover loss from 2000 to 2012 in red and a background composite image of Landsat in 5-4-3 false color (Source: FACET) 537 538 539 540 Box 2.3 Amélioration de la cartographie des types de forêts à partir de MODIS Valéry Gond, Adeline Fayolle, Alexandre Pennec, Sylvie Gourlet-Fleury CIRAD 541 542 543 544 545 546 547 548 En général, les forêts tropicales humides d Afrique Centrale sont regroupées dans une grande couche verte ne distinguant pas les variations des types de forêts. D un autre côté, les études locales montrent au contraire une grande diversité des types forestiers. Dans le cadre du projet CoForChange (www.coforchange.eu), en utilisant l information de la dynamique temporelle des mesures satellites, nous avons produit une carte des types forestiers a été réalisée sur le couloir de la Sangha (latitude 0-5 Nord et longitude 13-19 Est) à partir de 10 ans d archive de données du satellite MODIS Page 25 44

549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 (synthèse d indice de végétation EVI sur 16 jours à 500 m de résolution entre 2000 et 2009). Les données météorologiques de moyenne mensuelle à 8km de résolution (http://earlywarning.usgs.gov/fews/africa/index.php) ont été nécessaires pour analyser la dynamique spatiale des pluies. Les 37.898 placettes d inventaires provenant des concessions forestières ont été utilisées pour la validation de la carte. Enfin, la carte de végétation du Cameroun de Letouzey (1985) a été utilisée pour la validation des classes forestières. La figure 9 présente un extrait de la carte réalisée. Dans la légende, la couleur est attribuée à la combinaison des hauteurs de précipitations mensuelles (barres), la courbe annuelle de l activité photosynthétique de la classe (trait plein) et la courbe annuelle de l activité photosynthétique de l ensemble de la zone d étude (en pointillé). Au nord les couleurs marrons et jaune soulignent la transition entre les savanes et la lisière forestière. Les dégradés de vert marquent les différents types de forêts tropicales humides repérés par l analyse des données satellites (plus la teinte est foncé plus le peuplement est constitué d arbres sempervirents ; et donc plus la teinte est claire plus le peuplement est abrite des arbres semi-caducifoliés). On note aussi en rose les zones agro-forestières autour des voies de communication et des principales agglomérations. Enfin, les savanes incluses dans le secteur de Nola sont clairement identifiées par rapport aux savanes du nord, grâce à leur cycle végétatif différent. En effet, la distinction des types de couvert est réalisée par les variations temporelles au cours de l année de l activité photosynthétique. Page 26 44

570 571 572 573 Figure 9 : Extrait de la carte de l intervalle de la Sangha présentant la lisière nord du massif forestier de Yokadouma (Cameroun) à l ouest, à Nola à l est (République Centrafricaine) jusqu aux grés de Carnot à la frontière de la République du Congo. 574 575 576 577 578 Box 2.4 Regional map of tree cover percentage obtained from radar data Alexandre Bouvet CCR 579 580 581 582 583 584 585 586 587 588 589 A new wall-to-wall map of the percent tree cover has been created over Sub-Saharan Africa. The map is the result of a supervised classification applied on a mosaic of double-polarization data (HH and HV) from PALSAR, Japanese L-band synthetic aperture radar. The mosaic covers the African continent at a spatial resolution of about 100m. The Vegetation Continuous Fields (VCF) product from MODIS, which gives the percentage of the surface covered by trees in each 0.25 km 2 pixel, is used as training data for the classification. The following tree cover classes are retained: 0-10%, 10-20%, 20-30%, 30-40%, 40-50%, 50-60%, and >60% (the PALSAR signal saturates for tree covers higher than 60%). Compared to VCF and other vegetation maps available at large scales, the improved spatial resolution allows the detection of fine structures (e.g. Page 27 44

590 591 592 593 594 gallery forests) and the reduction of the number of mixed pixels, as shown on Figure 10. High-resolution samples of classified optical data from the Global Forest Resources Assessment 2010 (FRA2010) Remote Sensing Survey, available at each square degree, have been used for the validation of these results. The forest/non-forest accuracy has been assessed to be around 89% over the whole Sub-Saharan Africa. 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 Figure 10. Comparison of VCF percent tree cover (left) and classified PALSAR maps (right) (subset centered on -2.5 S, 15.5 E) 3. Etudes de cas et avancées sur la cartographies de la dégradation forestière et de la biomasse Dans le cadre de la gestion durable des forêts et du programme UN-REDD, de nouveaux outils sont nécessaires pour fournir des informations fiables et continues sur les changements des stocks de carbone forestier. La priorité du suivi forestier n est pas seulement sur les processus de déforestation (conversion de forêts en d autres occupations du sol) mais aussi la dégradation forestière, c est-à-dire une réduction des stocks de carbone au sein des zones dégradées en forêt. En utilisant la télédétection, plusieurs activités provoquant des réductions des stocks de carbone peuvent être surveillées, depuis l exploitation sélective jusqu à la récolte du bois de feu. Si les méthodes d estimation de la déforestation semblent robustes, une évaluation fiable de la dégradation forestière reste encore un défi et exige des techniques plus avancées pour analyser les images satellites. Page 28 44

612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 3.1 Evaluation de la dégradation forestière L exploitation des ressources forestières entraîne la création de piste d accès et d exportation des grumes. Les pistes se structurent dans l espace forestier en réseau avec des routes principales très utilisées, des routes secondaires qui mènent aux parcelles et enfin des routes de débusquage qui donnent accès à chaque arbre exploité. Une première étude a mis au point un outil-prototype afin d estimer annuellement la extension des routes forestières à partir de séries temporelles d images Landsat. Les résultats ont été produits à l échelle d une maille de 500 m afin d être compatible avec les données du capteur MODIS. La zone de cette étude comprend le sud-est du Cameroun, le sud de la RCA et le nord de la République du Congo. Les forêts tropicales y sont semi-décidues et la densité de population y est faible. La majorité de l exploitation forestière est gérée par des compagnies privées. Sur base d images Landsat, différents indices ont été calculés afin d augmenter le contraste entre les surfaces forestières et les pistes, généralement associées à des sols nus, grâce à l application d un filtre spatial (Gond et al., 2004). Les valeurs de seuils ont été ajustées pour identifier les sols nus (Bourbier et al., 2013). Sur chaque cellule de 500 m de côté, le pourcentage de pixel de sol nu a été calculé sur une synthèse annuelle afin d estimer la dégradation liée au développement des routes forestières. Ces valeurs sont considérées comme des Indicateurs d Ouverture de Canopée (IOC). Cette synthèse permet de comparer l évolution du réseau de pistes (Figure 11). 635 636 637 638 Figure 11: L indicateur d ouverture de canopée à partir de Landsat (gauche) est agrégé sur un maillage 500m de côté (centre) pour estimer le ratio de surface en sol nu (droite) (Source: Bourbier et al., 2013) Page 29 44

639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 Cet indicateur IOC a été analysé sur la période 1999-2003 sur base de l archive Landsat. L IOC renseigne sur l évolution temporelle de l ouverture (perte de 31 % en 2001 sur la zone rouge) puis la fermeture du couvert forestier (augmentation de 5% en 2002 et 16% en 2003). Par exemple, l IOC de 26% en 2002 de la cellule de 500m (soit 25ha) équivaut à 6,5ha d ouverture de canopée en 2002. Une évaluation peut ainsi être mise en place afin de gérer les réseaux de piste forestière en Afrique centrale. Sur base d une série temporelle d images satellites SPOT, une seconde étude a évalué les changements de couvert forestier sur une concession forestière certifiée en République du Congo (Desclée et al., 2011). Différentes perturbations forestières ont été identifiées par détection de changement sur des images satellites entre 2005 et 2007. Sur une superficie totale de 20.000 ha correspondant à une assiette de coupe, la perte de couvert forestier, identifiée par image satellite, correspondait à seulement 7% de la superficie exploitée entre janvier et mars 2005 (Figure 12). Cette ouverture de la canopée correspond à 60% pour les trouées d abattage et le 40% restant pour les routes d exploitations. La même analyse sur l image acquise en 2007 permet de montrer que les trouées se sont refermées, seules les pistes principales subsistent. L information fournie par la concession forestière peut ainsi être liée à cette carte de perte de couvert forestier. Cette analyse souligne qu un suivi précis des trouées d abattage nécessite des images satellites annuelles et de résolution fine. 660 661 662 Figure 12 : Suivi des trouées d exploitation sélective sur base d une série temporelle d images satellites SPOT entre Janvier 2005 et Janvier 2007 (Desclée et al., 2011) Page 30 44

663 664 665 666 667 668 669 670 671 672 673 674 The potential of optical and radar satellite imagery to detect and monitor forest degradation was evaluated in the framework of the REDDiness project. Degradation mapping was performed over a test site of 20x10km in central Gabon with multispectral very high-resolution Quickbird imagery (2.4m) acquired between 2010 and 2012. The mapping was based on semi-automatic object-based classification. First, large objects that have similar image characteristics were identified for both dates. Within these large objects, smaller patches that contain bare soil in one of the images (canopy gaps, logging roads) were detected. Five levels of forest degradation were then defined based on the percentage area difference of bare soil within each large object between both years. Forest degradation level 5 can be considered as deforestation when the threshold of tree cover falls under the definition of forest (Figure 13). 675 676 677 678 679 680 Figure 13 : Degradation mapping in central Gabon derived from Quickbird images acquired in (a) December 2010 and (b) March 2012. The degradation map (in c) shows the percentage area difference of small patches of bare soil for the period 2010-2012, d) the whole 20x10km study area with black box indicating the location of the figures a, b and c (Source : REDDiness). 681 Page 31 44

682 683 684 685 686 The persistent cloud cover in large areas of the Congo Basin can hamper effective multi-temporal analysis of forest degradation. To overcome this problem, the potential of using radar imagery for detecting forest degradation signs was identified and demonstrated, although the processing and interpretation of these data for small-scale degradation features is complex. 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 3.2 Mapping forest biomass As tropical regions have persistent cloud cover, satellite-based monitoring with cloudpenetrating synthetic aperture radar will play a crucial role in future MRV systems. As part of the ReCover project (Häme et al., 2012; Haarpaintner et al., 2012), both, optical (Pedrazzani et al., 2012) and cloud-penetrating synthetic aperture radar (SAR) (Einzmann et al., 2012) satellite sensor based products were used to produce forest/nonforest maps for the years 1990, 2000, 2005 and 2010 at 30m resolution over a 68,000 km 2 region. These maps have been evaluated and will be improved during 2013. A biomass map over the same region (Figure 14) was also produced based on spaceborne LiDAR data from ICESat/GLAS sensor over the period 2003-2009. Additional input was a forest/non-forest classification derived from Landsat data, whereas biomass was estimated by an interpolation and conversion of ICESat/GLAS based tree heights at 1km² resolution. For this first map, the allometric equation provided by Saatchi et al. (2011) was used. 702 703 704 Figure 14: Biomass map in forested areas over Eastern DRC derived from a combination of forest/non-forest and tree height maps (Source: REDDAF). Page 32 44

705 706 707 708 709 710 711 712 713 714 Two methods for the direct assessment of forest degradation have been tested in the REDDAF project,: (1) a NDVI based approach based on the comparison of NDVI values derived from RapidEye satellite data from 2009 to 2011 and (2) the application of Cosmo-Skymed stereo satellite data to compute 3D models illustrating logging gaps and logging roads. Finally, a transferable model to estimate above ground biomass of low carbon forest using SAR data has been developed. Figure 15 presents the result of this model leading to a biomass map for the Adamawa region in Cameroon. Extensive biomass field measurements were carried out and used for the calibration and validation of the model. The model offers a cost-effective approach for estimating above-ground biomass in low-carbon forest. 715 716 717 718 719 720 721 722 723 724 725 726 727 Figure 15: Biomass mapping results for the Adamawa region, Cameroon (Source: REDDAF- Cameroon) The Emission Factor assessment focused on one of the main agents of forest degradation in Cameroon, which is planned selective logging. Two field inventories assessed biomass and carbon impacts due to selective logging in a FSC certified forest concession as well as in a non-certified concession. The sampling design was based on the installment of Carbon Impact Zone (CIZ) plot in the logging gaps and an additional plot in a distance of 50 m from the CIZ plot to measure the intact carbon stocks. The results of the inventory indicated an average above ground biomass of 326 tons per hectare. The comparison of the Carbon Impact Zones with the measurements in the intact plots indicated that the logging damage per m³ extracted timber is 1.99 tons of carbon in the uncertified concession and 1.34 tons of carbon in the certified concession. Page 33 44

728 729 730 731 732 The results demonstrated that improved forest management and logging practices can lead to a substantial reduction of emissions. This study also illustrated that it is possible to track degradation signals due to selective logging using remote sensing imagery; important to note is the need to have a high frequency of satellite data for degradation assessment. 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 Based on these case studies, satellite imagery has high potential to detect forest degradation, but requires either good-quality remote sensing imagery at frequent intervals (at least once per year), and at high spatial resolutions (<10m). This has implications on the costs of a national monitoring system, which may need to implement a sampling approach. Persistent cloud cover is the main problem for optical image acquisition in the Congo Basin, but radar has its own intrinsic difficulties. The limited availability of optical and radar archive imagery makes it currently difficult to set proper baselines for forest degradation. This calls for systematic observation strategies where a satellite sensor frequently covers the territory using the same observation characteristics. 4. Analyse des moteurs de déforestation 4.1 Moteurs de la déforestation et facteurs sous-jacents De nombreuses études récentes (Defourny et al., 2011 ; Ernst et al., 2013 ; Mayaux et al., 2013 ; Rudel, 2013 ; Megevand, 2013) ont identifié les facteurs directs et les causes sous-jacentes de la déforestation dans le bassin du Congo. Dans cette région, les phénomènes de déforestation sont observés à petite échelle et correspondent à des activités croissantes d agriculture sur brulis, d exploitation artisanale du bois d œuvre et de bois-énergie, soit sous forme de carbonisation artisanale, soit sous forme de collecte de bois de feu. La carbonisation artisanale est principalement destinée à l approvisionnement des centres urbains et provoque dès lors une auréole de dégradation autour des grandes métropoles de la région (Kinshasa, Douala, Yaoundé ). Le recours à des énergies fossiles, dont la prospection va croissante dans le bassin, pourrait dans le futur diminuer Page 34 44

759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 la part du bois dans le bouquet énergétique des populations de la région, mais celui-ci devrait rester majoritaire. L expansion agricole est principalement liée à des activités rurales villageoises à des fins de consommation locale, et plus marginalement pour la consommation des centres urbains les plus proches. L agriculture industrielle a jusque-là peu affecté le couvert forestier, excepté dans le cas de plantations de palmiers à huile et d hévéas implantées à proximité des axes de transport fluviaux ou des ports d exportation. Il convient toutefois de vérifier l impact futur de certaines politiques publiques (notamment sur les biocarburants) sur l apparition plus soutenue de grands projets agro-industriels. Aucune étude ne pointe l exploitation forestière de bois d œuvre comme un facteur direct de déforestation, en raison des faibles densités d exploitation concentrée sur quelques espèces à haute valeur ajoutée. Par contre, la concomitance de populations élevées et l ouverture de routes forestières peut conduire localement à des situations de dégradation importante du couvert forestier. Les secteurs minier et pétrolier ne représentent pas non plus un grand facteur de déforestation, du moins en termes de surface, mais la pollution engendrée dans l air et les rivières affecte localement l état des forêts. Dans ces secteurs également, de nombreux projets sont à l étude (par exemple exploitation pétrolière dans le parc national des Virunga) et ne manqueront pas d avoir un impact plus prononcé. De manière unanime, les principales causes sous-jacentes sont : (1) la pression démographique rurale et urbaine, (2) la pauvreté rurale, (3) les infrastructures et (4) la gouvernance du secteur forestier. La déforestation reste faible pour autant que la population rurale ne dépasse pas un seuil de 8 habitants par km 2. Au-delà de ce seuil, la déforestation augmente de manière abrupte, signe cette valeur représente la capacité actuelle de l agro-écosystème, en l état actuel d intensification agricole. La proximité des villes, et plus encore le temps de parcours pour les rallier, influence fortement l état de dégradation des écosystèmes forestiers. Passé un temps de parcours de 16h, l influence des centres urbains devient statistiquement négligeable (Mayaux et al., Page 35 44

791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 2013). L absence d infrastructures routières de bonne qualité est un frein au développement d activités d exportation. Les études ont montré que la mauvaise gouvernance au niveau local et national est également un facteur sous-jacent favorisant la déforestation, en particulier dans les zones ou la mauvaise ou l absence de planification spatiale ne permet pas de juguler les activités illégales. 4.2 Simulation de la perte du couvert forestier en RDC à l horizon 2035 Dans le cadre de la mise en œuvre de l initiative REDD+ en RDC et en collaboration avec la représentation nationale de la FAO en RDC, une étude portant sur la simulation des risques de perte du couvert forestier en RDC à l horizon 2035 a été réalisée par l UCL. L année 2035 a été choisie car elle constitue le terme de l actuelle stratégie nationale REDD+ en RDC. Cette étude s est basée sur l évolution du couvert forestier de la RDC pour la période 2000-2010 décrite dans l atlas FACET (Potapov et al., 2012). La simulation du risque de perte du couvert forestier, implémentée sur la base d un réseau de neurones et déclinée à la résolution spatiale d 1 km², s est appuyée sur les moteurs de la déforestation et de la dégradation des forêts en RDC identifiés par Defourny et al. (2011). Deux variables-clés la distribution de la population humaine ainsi que le temps d accès aux marchés et zones urbaines traduisant de manière spatialement explicite les dynamiques des moteurs de changement de couvert forestier en RDC ont été dérivées par l équipe de recherche de l UCL (Kibambe et Defourny, 2010 ; Kibambe et al. 2013). La calibration du modèle de simulation a été réalisée sur base des cartes d occupation du sol pour les années 2000 et 2005 extraites de l atlas FACET. La cartographie du couvert forestier pour l année 2010 issue de la même source a servi à la validation du modèle. Deux scénarios ont permis de contraster les simulations réalisées. Le scénario business-as-usual (BAU) basé sur l évolution démographique (doublement de la population en 2035) ainsi qu un scénario conservateur pour lequel la perte annuelle de Page 36 44

822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 couvert forestier à l horizon 2035 a été considérée comme étant du même ordre de grandeur que celle observée pour la période 2000-2005. La perte de couvert forestier pour la période 2005-2010 a été estimée à 19.759 km² (Potapov et al., 2012). Le résultat correspondant à la simulation conservatrice pour la même période est sous-estimé d environ 12,75%. Cette sous-estimation est notamment due à l accroissement de la perte de superficie forestière de l ordre de 13,8% observée entre les périodes 2000-2005 et 2005-2010, dont les causes d après les auteurs sont difficilement explicables. Sur base de la simulation conservatrice, le taux annuel moyen de perte de couvert forestier à l horizon 2035 serait de l ordre de 0.19%. Ce taux semble à priori peu réaliste en comparaison des tendances observées aussi bien par Ernst et al. (2013) augmentation des taux bruts de déforestation (0.11% à 0.22%) et de dégradation forestière (0.06% à 0.12%) entre les périodes 1990-2000 et 2000-2005 que par Potapov et al. (2012) qui indique une augmentation du taux brut de perte de couverture forestière de 0.22% à 0.25% entre les périodes 2000-2005 et 2005-2010. Le taux moyen annuel de perte du couvert forestier à l horizon 2035 sur base du scénario BAU a été estimé à 0.31%, en considérant une croissance démographique en milieu rural de l ordre de 0.2% à 3%, une densité de population maximale de 6 habitants/km² en zone forestière (Kibambé et Defourny, 2010), ainsi qu un besoin en terre forestière par ménage rural de 0.25 hectares (Tollens, 2010). Ce taux moyen de 0.31% est 4 fois inférieur à l estimation réalisée par Zhang et al. (2002). Les simulations ont aussi montré que l hypothèse conservatrice pouvait être un bon indicateur de l évolution du couvert forestier à court terme (~ 5 ans), car les superficies forestières mobilisées pour être converties en zone non forestières ne concernent que de petites étendues à l échelle du massif forestier de la RDC. La simulation basée sur la croissance démographique montre cependant que les pertes du couvert forestier pourraient être plus importantes, étant donné que la population congolaise pourrait doubler au cours des trois prochaines décennies, c-à-d au terme de l actuelle stratégie nationale REDD+ en RDC. Page 37 44

854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 5. Perspectives de suivi des forêts tropicales Les différentes initiatives de cartographie et suivi forestier en Afrique Centrale démontrent le grand intérêt international pour les forêts tropicales. La tendance est la réalisation de cartographie exhaustive des forêts qui deviennent de plus en plus nombreuses. En effet, les images satellites sont disponibles en nombre croissant (notamment avec l arrivée des nouveaux satellites Landsat-8 et Sentinel-2) et la résolution de ces images de plus en plus fine. Il est donc crucial d harmoniser les méthodes et la définition des classes ainsi que de détailler davantage la validité de ces informations, ce qui est actuellement rarement le cas. La réalisation sur certains pays comme Rwanda, Burundi et Sao Tomé et Principé est également indispensable afin d avoir une vision globale sur tous les pays de la COMIFAC. Les études sur la dégradation forestière et la biomasse sont encore en phase de développement. Elles nécessiteraient une meilleure intégration de données de terrain pour la biomasse notamment par le développement d un réseau de collecte et archivage de données de terrain. Il est également important de renforcer les capacités régionales pour la collecte, le traitement et l analyse des données de suivi forestier afin que cela soit réalisé par des experts de la région. Le projet de la station de réception SPOT de Libreville sera peut-être un tremplin dans ce sens. REFERENCES BIBLIOGRAPHIQUES Desclée B, Simonetti D, Mayaux P, Achard F. Multi-Sensor Monitoring System for Forest Cover Change Assessment in Central Africa. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2013; 6, 110-120. Raši R, Beuchle R, Bodart C, Vollmar M, Seliger R, Achard F. Automatic updating of an object-based tropical forest cover classification and change assessment. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2013; 6, 66-73. Page 38 44

885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 Mayaux P., Pekel J.-F., Desclée B., Donnay F., Lupi A., Achard F., Clerici M., Bodart C., Nasi R. and Belward A., State and evolution of the African rainforests between 1990 and 2010, Philosophical Transactions of the Royal Society B: Biological Sciences. 2013; In Press. FAO (2012). FAO Forest Resources Assessment 2010. FAO Forestry Paper. Rome. Report No.163. Doucet, 2003. L Alliance délicate de la gestion forestière et de la biodiversité dans les forêts du centre du Gabon. Thèse de doctorat. Faculté des Sciences agronomiques de Gembloux, Belgique. Fichet, L. V., Sannier, C., Massard Makaga, E., Mertens, B. (2012). Monitoring forest cover change at national level in Gabon for 1990, 2000 and 2010 with optical imagery. IEEE International Geoscience and Remote Sensing Symposium, July 2012, Munich. Fichet, L. V., Sannier, C., Massard Makaga, E., Seyler, F. (2013). Assessing the accuracy of forest cover map for 1990, 2000 and 2010 at national Gabon. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. Accepted. Sannier, C.A.D., McRoberts, R. E., Fichet, L.V., Massard K. Makaga, E. (2013). Application of the regression estimator with Landsat data to estimate forest cover area and net deforestation in GabonApplication. Submitted to the ForestSat 2012 Remote Sensing of Environment special issue, Final review. FAO, 2009. Vers une définition de la dégradation des forêts : Analyse comparative des définitions existantes. Programme d évaluation des ressources forestières, Document de travail 154, 63p McRoberts, R. E., & Walters, B. F. (2012). Statistical inference for remote sensingbased estimates of net deforestation. Remote Sensing of Environment, 124, 394 401. Page 39 44

917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 Einzmann, Kathrin, Jörg Haarpaintner, and Yngvar. Larsen. 2012. Forest Monitoring in Congo basin with combined use of SAR C- & L-band. Proceedings of IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2012, July 22-27, Munich, Germany, IEEE Catalog Number CFP12IGA-USB, 6573-6576. Haarpaintner, Jörg, Kathrin Einzmann, Donata Pedrazzani, María Teresa Mateos San Juan, Marta Gómez Giménez, Johannes Heinzel, Fabian Enßle, and Landing Mane. 2012. Tropical Forest Remote Sensing Services for the Democratic Republic of Congo case inside the EU FP7 ReCover project (1st iteration). Proceedings of IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2012, July 22-27, Munich, Germany, IEEE Catalog Number CFP12IGA-USB, 6392-6395. Pedrazzani, D., M.T. Mateos San Juan, M. Gómez Giménez, J. Haarpaintner, K. Einzmann, and L. Mane, Potential applications of Sentinel-2 data to forest monitoring services in support to REDD activities: The Democratic republic of Congo case within ReCover Project. Proceedings of the Sentinel-2 Preparatory Symposium 23-27 April 2012, ESA-ESRIN, Frascati, Italy, ESA Communication SP-707, 2012. OSFAC, Monitoring the forests of Central Africa using remotely sensed data sets (FACET), 2010. Forest cover and forest cover loss in the Democratic Republic of Congo from 2000 to 2010. South Dakota State University, Brookings, South Dakota, USA. ISBN: 978-0-9797182-5-0, 2010. OSFAC, Monitoring the forests of Central Africa using remotely sensed data sets (FACET), 2012. Atlas of forest cover and loss for 2000-2010 in the Republic of the Congo. South Dakota State University, Brookings, South Dakota, USA. Potapov, P.V., Turubanova, S.A., Hansen, M.C., Adusei, B., Broich, M., Altstatt, A., Mane, L., and Justice, C.O., Quantifying forest cover loss in Democratic Republic of the Congo, 2000-2010, with Landsat ETM+ data, Remote Sensing Environment, 2012, 122, 106-116. Page 40 44

949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 Gond, V., Fayolle, A., Pennec, A., Cornu, G., Mayaux, P., Camberlin, P., Doumenge, C., Fauvet, N., Gourlet-Fleury, S., 2013, Climatic control on vegetation structure and functioning in Central Africa : new insights from MODIS multi-temporal data, Philosophical Transaction of the Royal Society (serie B), In Press Gond, V., Bartholomé, E., Ouatara, F., Noguierma, A., Bado, L., 2004. Surveillance et cartographie des plans d eau et des zones humides et inondables en régions arides avec l instrument VEGETATION. International Journal of Remote Sensing, 25: 987-1004. Bourbier, L., Cornu, G., Pennec, A., Brognoli, C., Gond, V., 2013, Large scale forest opening estimation using remote sensing in Central Africa, Bois et Forêts des Tropiques, 315 : 3-9. Guitet, S., Pithon, S., Bruneaux, O., Jubelin, G., Gond, V., 2012. Impacts of logging on the canopy and the consequences for forest management in French Guiana. Forest Ecology and Management, 277: 124-131. Pithon, S., Jubelin, G., Guitet, S., Gond, V., 2013. Statistical based method for loggingrelated canopy gap detection using high resolution optical remote sensing. International Journal of Remote Sensing, 34: 700-711. Congalton, R.G.,1991, A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37, 35 46. Letouzey, R. 1985 Notice de la carte phytogéographique du Cameroun au 1:500,000 Inst. Carte Intern. Végétation, Toulouse et Inst. Rech. Agron. Yaoundé. Nasi R, Taber A, van Vliet N. Empty forests, empty stomachs: bushmeat and livelihoods in Congo and Amazon Basins. International Forestry Review. 2011: 355-368. Page 41 44

981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 JMN Consultant (2012). Rapport sur le Bilan, l Analyse et les Perspectives des Initiatives REDD+ dans les pays de l espace COMIFAC, Dimension stratégique, institutionnelle et opérationelle, 90 p. P. Potapov, S. Turubanova, M. Hansen, B. Adusei, M. Broich, A. Altstatt, L. Mane and C. Justice, Quantifying forest cover loss in Democratic Republic of the Congo, 2000-2010, with Landsat ETM+ data, Remote Sens. Environ., vol. 122, p. 106-116, 2012. Matthew C. Hansen, et al. 2008. A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin, Remote Sensing of Environment, Vol 112 (5), 2495-2513. Desclée B., Mayaux P. (2011), Monitoring selective logging in certified forest: a case study in North Congo (Brazzaville), Proceeding of the IUFRO International Conference, Montpellier, 15-18 November 2011. Bodart, C.; Brink, A.B.; Donnay, F.; Lupi, A.; Mayaux, P.; Achard, F., Continental estimates of forest cover and forest cover changes in the dry ecosystems of Africa between 1990 and 2000. Journal of Biogeography 2013, n/a-n/a. Defourny, P., Delhage, C., Kibambe, J.-P. (2011), Analyse quantitative des causes de deforestation et de la dégradation forestière des forêts en République Démocratique du Congo, Rapport final, (FAO-RDC Coordination Nationale REDD N UNJP/DRC /041/01/2009). Université Catholique de Louvain, 58 p. Ernst, C., Mayaux, P., Verhegghen, A., Bodart, C., Christophe, M. and Defourny, P. (2013), National forest cover change in Congo Basin: deforestation, reforestation, degradation and regeneration for the years 1990, 2000 and 2005. Global Change Biology, 19: 1173 1187. doi: 10.1111/gcb.12092 Page 42 44

1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 Megevand, C., 2013, Deforestation Trends in the Congo Basin: Reconciling Economic Growth and Forest Protection. Washington, DC: World Bank. doi: 10.1596/978-0-8213-9742-8. Rudel, T., 2013. The National Determinants of Deforestation in Sub-Saharan Africa, Philos. Trans. Royal Society, Accepted Kibambe et Defourny, 2010 : Kibambe Lubamba, J.-P. and Defourny, P. 2010. Towards Land Use Dynamics Modeling: A Case Study of the Democratic Republic of the Congo. In: Monitoring Forest Carbon Stocks and Fluxes in the Congo Basin, February 2-4, Brazzaville, Republic of Congo. Kibambe Lubamba, J.-P., Radoux, J. and Defourny P. 2013. Multimodal accessibility modeling from coarse transportation networks in Africa. International Journal of Geographical Information Science, 27(5): 1005-1022. Defourny, P., Delhage, C., and Kibambe Lubamba, J.-P. 2011. Analyse quantitative des causes de la déforestation et de la dégradation des forêts en République Démocratique du Congo. Technical report, Earth and Life Institue Environment - Université catholique de Louvain. Tollens, E. 2010. Potential Impacts of Agriculture Development on the Forest Cover in the Congo Basin. Technical report, Katholieke University of Leuven (K.U.Leuven). Zhang, Q., Justice, C. O., and Desanker, P. V. 2002. Impacts of simulated shifting cultivation on deforestation and the carbon stocks of the forests of central Africa. Agriculture, Ecosystems & Environment, 90(2):203-209. Häme, T., L. Sirro, E. Cabrera, J. Haarpaintner, J. Heinzel, J. Hämäläinen, B. de Jong, F. Paz Pellat, D. Pedrazzani, J. Reiche, Chapter 8: ReCover: Services for the Monitoring of Tropical Forest to Support REDD+, in Let s Embrace Space, vol. II by Schulte-Braucks, R., P. Breger, H. Bischoff, S. Borowiecka, S. Sadiq (eds.), Page 43 44

1044 1045 1046 1047 1048 1049 1050 1051 Publication office of the European Union, ISBN 978-92-79-22207-8, doi: 10.2769/31208, 2012. Saatchi, S. S.; Harris, N. L.; Brown, S.; Lefsky, M.; Mitchard, E. T. A.; Salas, W. et al. (2011): Benchmark map of forest carbon stocks in tropical regions across three continents. In: Proceedings of the National Academy of Sciences 108 (24), S. 9899 9904. Page 44 44