PowerPoint-presentatie

PowerPoint-presentatie

Module 2.7 Estimation des incertitudes Auteurs : Giacomo Grassi, Centre commun de recherche de la CE Suvi Monni, Benviroc Frdric Achard, Centre commun de recherche de la CE Andreas Langner, Centre commun de recherche de la CE Martin Herold, Universit de Wageningen Au terme du cours, les participants devraient tre mme de : Source : GPG-UTCATF Dterminer les sources dincertitudes associes lestimation des variations de superficies (donnes dactivit) et des variations de stocks de carbone (facteur dmission) Mettre en application les mesures appropries pour calculer les incertitudes associes lestimation des variations de superficies et des variations de stocks de carbone

Comprendre les options permettant de traiter les incertitudes de faon prudente V2, 12. 2016 Module 2.7 Estimation des incertitudes 1 Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF Licence Creative Commons de la Banque mondiale Documents de base GOFC-GOLD. 2014. Sourcebook. Section 2.7. GIEC. 2003. Recommandations en matire de bonnes pratiques pour le secteur de lutilisation des terres, changements daffectation des terres et foresterie. Ch. 5.2, Identification et quantification des incertitudes.

GIEC. 2006. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz effet de serre, vol. 1, ch. 3, Incertitudes. GFOI. 2014. Integrating Remote-sensing and Ground-based Observations for Estimation of Emissions and Removals of Greenhouse Gases in Forests: Methods and Guidance from the Global Forest Observation Initiative (MGD). Sections 3.7 and 4. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 2 Plan du cours 1. Importance didentifier les incertitudes 2. Concepts gnraux 3. Incertitudes dans lestimation des variations des superficies 4. Incertitudes dans lestimation des variations des stocks de carbone

5. Combinaison des incertitudes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 3 Plan du cours 1. Importance didentifier les incertitudes 2. Concepts gnraux 3. Incertitudes dans lestimation des variations des superficies 4. Incertitudes dans lestimation des variations des stocks de carbone 5. Combinaison des incertitudes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 4

Lincertitude dans le contexte du GIEC et de la CCNUCC Lincertitude dsigne labsence de connaissance de la valeur vraie dune variable (des estimations de superficies et de stocks de carbone dans le contexte de REDD+ par exemple ) Lvaluation des incertitudes est fondamentale dans les contextes du GIEC et de la CCNUCC : le GIEC dfinit des inventaires des gaz effet de serre (GES) conformes aux bonnes pratiques comme ceux qui ne sont ni surestims ni sous-estims autant quon puisse en juger, et [dont] les incertitudes doivent tre rduites dans la mesure du possible . Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 5 Importance didentifier les incertitudes

Une identification et une quantification correctes des diffrentes sources dincertitudes permettent dvaluer la robustesse de tout inventaire de GES (y compris les estimations REDD+) et de dterminer les mesures prioritaires ncessaires pour la ralisation de futurs inventaires. Sur le plan de la comptabilit, linformation sur lincertitude peut galement servir prparer des estimations REDD+ prudentes, de sorte que les rductions dmissions ou les augmentations dabsorptions ne sont pas surestimes. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 6 But du prsent module : Estimation de lincertitude

Sappuyant sur les Recommandations du GIEC (2003), le prsent module vise fournir des lments de base pour lidentification, la quantification et la combinaison des incertitudes dans les estimations de : superficies et variations de superficies (les donnes dactivit, AD) stocks de carbone et variations de stocks de carbone (les facteurs dmissions, EF) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 7 Plan du cours 1. Importance didentifier les incertitudes 2. Concepts gnraux 3. Incertitudes dans lestimation des variations des superficies 4. Incertitudes dans lestimation des variations des stocks de carbone

5. Combinaison des incertitudes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 8 Erreurs systmatiques et erreurs alatoires (1/2) Lincertitude se dcline en deux composantes : Le biais ou lerreur systmatique (manque dexactitude) se produit par exemple en cas de dfaillances dans les mesures ou les mthodes dchantillonnage ou en raison de lutilisation dun facteur dmissions inappropri Lerreur alatoire (manque de prcision) est une variation alatoire suprieure ou infrieure une valeur moyenne. Elle ne peut tre vite compltement, mais peut tre rduite en augmentant par exemple la taille de lchantillon. Exactitude : agrment entre des estimations et des valeurs exactes ou relles Prcision : agrment entre des mesures rptes ou des estimations A) Exact mais imprcis B) Prcis mais inexact

C) Exact et prcis Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 9 Erreurs systmatiques et erreurs alatoires (2/2) Les erreurs systmatiques doivent tre vites dans la mesure du possible, ou quantifies ex post et supprimes. Les incertitudes dcoulant derreurs alatoires ont tendance sannuler mutuellement des niveaux suprieurs dagrgation. Par exemple, des estimations lchelon national (biomasse totale, superficie forestire totale, etc.) sont gnralement* moins influences par des erreurs alatoires que des estimations ralises une chelle rgionale. *En supposant que des superficies plus larges donnent des chantillons de taille plus importante qui favorisent une plus grande prcision et moins dincertitudes. Cependant, pour une superficie plus petite et une autre plus grande dont les chantillons ont la mme

taille, la plus petite gnrera probablement plus de prcision et moins dincertitudes, car souvent plus htrogne. Ainsi, la taille de lchantillon et non la taille de la superficie est importante. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 10 95 % dintervalle de confiance Lincertitude est gnralement exprime par un intervalle de confiance 95 % : 95 % dintervalles de confiance construits partir dchantillons obtenus laide du mme plan dchantillonnage donneront la valeur vraie. Si la superficie dune terre forestire convertie lagriculture (valeur moyenne) est de 100 ha, assortie de 95 % dintervalle de confiance compris entre 80 et 120 ha, lincertitude concernant lestimation des superficies est de 20 %. Le 2,5e centile est de 80 et le 97,5e centile est de

120. 80 90 100 110 120 Source : GPG-UTCATF Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 11 Corrlation La corrlation dsigne la dpendance entre diffrents paramtres : Le coefficient de corrlation de Pearson pose des valeurs entre [-1, +1]

Un coefficient de corrlation +1 dsigne une corrlation positive parfaite Si les variables sont indpendantes les unes des autres, le coefficient de corrlation est de 0 Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 12 Incertitude de la tendance La tendance dcrit la variation des missions ou des absorptions entre deux priodes. Lincertitude de la tendance dsigne lincertitude dans la variation des missions ou des absorptions. Elle est sensible la corrlation entre les estimations de variables utilises pour estimer les missions ou les absorptions deux priodes distinctes. Lincertitude de la tendance est exprime en points de

pourcentage. Par exemple, si la tendance est de +5 % et 95 % de lintervalle de confiance de la tendance est de +3 +7 %, nous pouvons dire que lincertitude de la tendance est de 2 points de pourcentage. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 13 Plan du cours 1. Importance didentifier les incertitudes 2. Concepts gnraux 3. Incertitudes dans lestimation des variations des superficies 4. Incertitudes dans lestimation des variations des stocks de carbone 5. Combinaison des incertitudes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale

14 Incertitudes associes aux variations de superficies Dans le contexte de REDD+, lestimation dune superficie et/ou dune variation des superficies procde gnralement de lanalyse dune carte tablie par tldtection. De telles cartes sont sujettes des erreurs de classification qui introduisent des biais dans les estimations. Une approche convenable consiste valuer lexactitude de la carte et utiliser les rsultats obtenus pour corriger les estimations de superficies. La plupart des mthodes de classification des images comprennent des variables qui peuvent tre ajustes de faon rduire les incertitudes. Un bon ajustement rduit les biais, mais est subjectif dans une certaine mesure. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 15

valuation de lexactitude de la couverture des sols et des changements daffectation des terres (1/4) Utilisation des rsultats de lvaluation de lexactitude pour lestimation des superficies Le but de lvaluation de lexactitude est de caractriser la frquence des erreurs (domission et de commission) pour chaque catgorie de couverture terrestre. Les diffrences dans ces deux erreurs peuvent tre utilises pour ajuster les estimations de superficies et estimer les incertitudes (intervalles de confiance) pour les superficies associes chaque catgorie. Ajuster les estimations de superficies sur la base dune valuation rigoureuse de lexactitude reprsente une amlioration par rapport une simple notification des superficies des catgories de carte. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 16

valuation de lexactitude de la couverture des sols et des changements daffectation des terres (2/4) Concernant les cartes de couverture des sols, lexactitude des donnes de tldtection (date unique) peut tre value laide de mthodes largement reconnues. Ces mthodes consistent valuer lexactitude dune carte en utilisant des donnes de rfrence indpendantes (de meilleure qualit que la carte) pour dterminer par catgorie dutilisation des terres ou par rgion lexactitude globale, et : les erreurs domission (exclure une superficie dune catgorie laquelle elle appartient vritablement, autrement dit sous-estimation des superficies) les erreurs de commission (inclure une superficie dans une catgorie laquelle elle nappartient pas vritablement, autrement dit surestimation des superficies) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 17 valuation de lexactitude de la couverture des sols et des changements daffectation des terres (3/4)

Exemple de mesures dexactitude pour la classe des forts : Erreur de commission : (13+45)/293 = 19,80 % Erreur domission : (25+3)/263 = 10,65 % Exactitude de lutilisateur : 235/293 = 80,20 % Exactitude du producteur : 235/263 = 89,35 Exactitude globale = (235+187+215+92+75)/986 = 81,54 % Donnes de rfrence Donnes de F A W class. F 235 13 0 A 25 187 7 W 3 0

215 NS 0 0 0 B 0 0 0 Total 263 200 222 NS 45 18 0 92 16 171 B Total

0 20 0 35 75 130 293 257 218 127 91 986 Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 18 valuation de lexactitude de la couverture des sols et des changements daffectation des terres (4/4) Concernant les changements daffectation des terres, dautres considrations sont prises en compte :

Il est gnralement plus difficile dobtenir des donnes de rfrence multitemporelles appropries ou de meilleure qualit utiliser comme base dvaluation de lexactitude, particulirement pour des priodes prcises. tant donn que les classes ayant subi des changements reprsentent souvent de petites proportions des paysages, il est plus facile dvaluer les erreurs de commission (en examinant de petites superficies identifies comme ayant subi des changements) que les erreurs domission (en examinant de larges superficies considres comme restes inchanges). Dautres erreurs comme la golocalisation de sries de donnes multitemporelles et des incohrences dans le traitement/lanalyse et dans les normes cartographiques/thmatiques sont exagres et plus frquentes dans les valuations de changements. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 19 Sources dincertitudes Diffrentes composantes du systme de surveillance influent sur la qualit des estimations, entre autres :

Qualit et viabilit des donnes satellitaires (notamment en termes de rsolution spatiale, spectrale et temporelle) Prtraitement radiomtrique/gomtrique (golocalisation correcte) Normes cartographiques (dfinitions des catgories de terres et UCM notamment) Procdure dinterprtation (algorithme ou interprtation visuelle) Post-traitement des produits cartographiques (notamment pour grer labsence de donnes, les conversions, lintgration avec diffrents formats de donnes) Disponibilit de donnes de rfrence (ralit de terrain) pour lvaluation et ltalonnage du systme Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 20 Sattaquer aux sources dincertitude

Bon nombre de ces sources dincertitude peuvent tre gres en utilisant des donnes et des approches largement reconnues : Donnes satellitaires appropries : les donnes de type Landsat, par exemple, se sont avres utiles pour les changements daffectation des terres denvergure nationale dans le cas dune UCM de 1 ha Qualit des donnes : prtraitement adquat pour la plupart des rgions mis disposition par certains fournisseurs de donnes (comme les images Landsat Geocover) Cartographie homogne et transparente : les mmes normes cartographiques et thmatiques et des mthodes dinterprtation acceptes doivent tre appliques de faon transparente avec laide dexperts en interprtation Lvaluation de lexactitude doit fournir des mesures de lexactitude thmatique et des intervalles de confiance pour les estimations des donnes dactivit Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 21 Erreurs destimation des variations de superficies :

Exemple Pourquoi les erreurs destimation des variations de superficies sont-elles plus frquentes que les erreurs destimation des superficies Carte au moment 1 Carte au moment 2 Superposition (changement) Erreur domission (fort notifie comme terre non forestire) Erreur de commission (terre non forestire notifie comme fort) Faux reboisement Faux dboisement Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 22 Construire des cartes de variation des superficies Deux approches gnrales pour construire des cartes de variation des superficies :

La classification directe consiste construire une carte directement partir dun ensemble de donnes dapprentissage du changement et de deux ou plusieurs sries de donnes de tldtection. Dans la mesure du possible, cette approche est souvent privilgie, galement parce quelle comporte une seule srie derreurs La classification postriori consiste construire la carte en comparant deux cartes de couverture des sols distinctes, chacune tablie sur la base de sries uniques de donnes dapprentissage de la couverture des sols et de donnes de tldtection. Souvent, cest la seule autre option possible quand on ne peut pas observer les mmes sites de multiples occasions (ce qui est requis pour obtenir des donnes dapprentissage du changement), quand le nombre dobservations dapprentissage du changement est insuffisant, ou quand on est oblig dutiliser une carte de rfrence historique. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 23 Donnes de rfrence et donnes dapprentissage Les donnes de rfrence doivent tre distingues des donnes dapprentissage.

Si les estimations de lexactitude, de la couverture des sols ou du changement daffectation des terres doivent tre reprsentatives de lensemble de la zone dintrt, les donnes de rfrence doivent tre acquises partir dun plan dchantillonnage de probabilit. La nature des donnes de rfrence dpend de la mthode utilise pour construire la carte : Pour des cartes construites en utilisant la classification directe, les donnes de rfrence doivent consister en des observations du changement effectues deux dates sur les mmes sites chantillons. Pour des cartes construites en utilisant la classification postriori, les donnes de rfrence peuvent tre les mmes que celles utilises pour les cartes construites sur la base de la classification directe ou pour deux dates, chacune des sites diffrents. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 24 lments dune solide valuation de lexactitude Les validations statistiquement rigoureuses dune

valuation robuste de lexactitude des cartes et des estimations de la couverture des sols et du changement daffectation des terres se basent sur trois composantes : Plan dchantillonnage Plan de rponse Plan danalyse Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 25 Plan dchantillonnage Protocole de slection des sites sur lesquels les donnes de rfrence sont recueillies : Il indique la taille de lchantillon, les sites de lchantillon et les units dvaluation de rfrence (comme des pixels ou des blocs dimage). Lchantillonnage stratifi doit tre utilis pour des classes rares (comme des catgories de changement). Lchantillonnage systmatique partir dun point de dpart alatoire est gnralement plus efficace quun chantillonnage

simple alatoire ; il est galement plus transparent. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 26 Plan de rponse Protocoles utiliss pour dterminer les classes de rfrence ou de terrain et la dfinition de lagrment pour comparer les classes de cartes aux classes de rfrence. Linformation de rfrence doit provenir de donnes de meilleure qualit que les tiquettes de cartes ; les observations au sol sont gnralement considres comme la norme, mme si des donnes de tldtection plus haute rsolution sont galement utilises. Cohrence et compatibilit sont requises dans les dfinitions thmatiques et les interprtations afin de comparer les donnes de rfrence et les donnes des cartes. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF

de la Banque mondiale 27 Plan danalyse Il comprend des estimateurs (formules statistiques) et des procdures danalyse aux fins destimation et de notification de lexactitude. Les estimateurs doivent tre compatibles avec le plan dchantillonnage. Les comparaisons de donnes de cartes et de rfrence produisent une srie destimations statistiques parmi lesquelles des matrices derreurs, des exactitudes pour des classes spcifiques (derreur de commission et domission), des estimations de superficies et de variations de superficies, et des variances et des intervalles de confiance associs. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 28 lments pour la mise en uvre et la notification

Les techniques dcrites se fondent sur des plans dchantillonnage de probabilit et sur la disponibilit de donnes de rfrence adquates. Une telle approche pourrait tre inapplicable, en particulier pour des changements daffectation des terres dans une perspective historique. Durant les premires tapes de mise au point dun systme national de surveillance, les efforts de vrification doivent aider instaurer la confiance. Une plus grande exprience (notamment pour mieux comprendre la source et lampleur des erreurs potentielles) aidera rduire les incertitudes. Si aucune valuation de lexactitude nest possible, il est recommand de procder, tout le moins, une valuation de cohrence (autrement dit une rinterprtation indpendante de petits chantillons), qui peut gnrer des informations sur la qualit des estimations. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 29 Renforcer la confiance dans les estimations Linformation obtenue sans un plan dchantillonnage de

probabilit appropri peut encore tre utile pour renforcer la confiance dans les estimations, par exemple : Valeurs de confiance distribution spatiale issues de linterprtation Examens qualitatifs systmatiques de la carte et comparaisons (qualitatives/quantitatives) avec dautres cartes Analyse par des experts locaux et rgionaux Comparaisons avec des donnes non-spatiales et statistiques Toute limite dincertitude doit tre traite avec prudence afin dviter de gnrer un avantage pour le pays (surestimation des absorptions ou des rductions dmissions) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 30 Plan du cours 1. Importance didentifier les incertitudes 2. Concepts gnraux 3. Incertitudes dans lestimation des variations des superficies

4. Incertitudes dans lestimation des variations des stocks de carbone 5. Combinaison des incertitudes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 31 Incertitudes dans les variations de stocks de carbone Lvaluation des incertitudes associes aux estimations des stocks de carbone et des variations de stocks de carbone est gnralement plus difficile (et souvent subjective) que lestimation des incertitudes lies aux superficies et aux variations de superficies Les travaux disponibles montrent que lincertitude globale associe aux estimations de stocks de carbone est gnralement plus importante que lincertitude entourant les estimations de superficie. Cependant,

lorsquon observe les variations (ou les tendances) des stocks de carbone et des superficies, cette image peut changer, en fonction de la corrlation possible des erreurs (nous y reviendrons) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 32 Erreurs alatoires et erreurs systmatiques Lincertitude associe aux stocks de carbone peut tre due la fois des erreurs alatoires et des erreurs systmatiques, mais il est parfois difficile dtablir une distinction entre les deux. Reprsentativit Conversion des mesures des arbres en biomasse (quations allomtriques ou FEB)

Erreurs dchantillonnage (taille/nombre de parcelles) Imprcision/ biais de linstrument Exhaustivit Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 33 Incertitudes dues des erreurs alatoires Imprcision due aux instruments (bruit, mauvaise manipulation, etc.) Erreurs dchantillonnage (taille et

nombre de parcelles), courantes en raison de la forte variation naturelle de la biomasse dans les forts tropicales La biomasse dpend de la temprature, des prcipitations, du type et des espces de forts, de la stratification, de lchelle spatiale, des perturbations naturelles et humaines, du type de sol et des nutriments du sol. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 34 Conversion des mesures darbres en biomasse Modle allomtrique ou facteurs dexpansion de la biomasse (FEB) : Slection du modle allomtrique le mieux adapt au type de fort concern 20 % derreur destimation dAGB des arbres

Globalement : Incertitudes au niveau de la parcelle ( 95 % CI*) : 5 % 30 % Fourchette moyenne dAGB du GIEC : -60 % +70 % *CI = intervalle de confiance. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 35 Grer les incertitudes dues des erreurs alatoires Si possible : augmenter la taille de lchantillon (peut tre difficile) Forte biodiversit des arbres les modles allomtriques rgionaux/pantropicaux sont meilleurs que les modles propres chaque site (erreur 5%) Peuplements de fort sche : AGB = exp(-2,187 + 0,916 x ln(pD2H)) 0,112 x (pD2H)0,916 AGB = p x exp(-0,667 + 1,784ln(D) + 0,207(ln(D))2 0,0281(ln(D))3) O H (hauteur), les estimations sont plus exactes

Peuplements de fort humide : AGB = exp(-2,977 + ln(pD2H)) 0,0509 x pD2H AGB = p x exp(-1,499 + 2,148ln(D) + 0,207(ln(D))2 0,0281(ln(D))3) quations de Chave et al., 2005 Module 2.7 Estimation des incertitudes 36 Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale Autres modles allomtriques rgionaux/pantropicaux (erreur 5%) Peuplements de fort humide de mangrove : AGB = exp(-2,977 + ln(pD2H)) 0,0509 x pD2H AGB = p x exp(-1,349 + 1,980ln(D) + 0,207(ln(D))2 0,0281(ln(D))3) Peuplements de fort pluvieuse : AGB = exp(-2,557 + 0,940 x ln(pD2H)) 0,0776 x (pD2H)0,940 AGB = p x exp(-1,239 + 1,980ln(D) + 0,207(ln(D))2 0,0281(ln(D))3) (AGB = biomasse arienne en kg ; D = diamtre en cm ; p = volume de bois sch ltuve sur bois vert en g/cm^-3 ; H = hauteur des arbres en m ; = identit mathmatique) Module 2.7 Estimation des incertitudes

Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 37 Incertitudes dues des erreurs systmatiques Exhaustivit des rservoirs de carbone : biomasse arienne, biomasse souterraine, carbone organique du sol, bois mort, litire Les documents disponibles indiquent que pour le dboisement, 15 % des missions peuvent provenir de matires organiques morte et 25 30 % proviendraient des sols (plus sil sagit de sols organiques) Toutefois, ces rservoirs ne sont souvent pas pris en compte dans le calcul des facteurs dmissions, par manque de donnes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF

de la Banque mondiale 38 Grer les incertitudes dues lexhaustivit des rservoirs de carbone Toutes les activits et tous les rservoirs significatifs doivent tre pris en compte : Premirement, les catgories cls (KC) des catgories/activits contribuant substantiellement aux inventaires nationaux de GES doivent tre identifies conformment aux recommandations du GIEC (GIEC, 2006, V4, Ch1.1.3) Dans une KC, un rservoir est significatif sil reprsente >25-30 % des missions provenant de ladite catgorie Les rservoirs peuvent tre omis selon le principe de prudence De plus, des missions/absorptions associes une KC et des rservoirs significatifs doivent tre estimes selon les mthodes de niveau 2 ou 3*, que lon considre comme moins incertaines que celle du niveau 1 *La situation du pays (manque de ressources document par exemple) peut justifier lutilisation du niveau 1 pour des KC Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF

de la Banque mondiale 39 Reprsentativit des parcelles dchantillonnage Forte variation de la teneur en biomasse dans des forts tropicales un chantillon non reprsentatif peut introduire un biais significatif Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 40 Grer les incertitudes dues la reprsentativit Bon chantillonnage statistique ncessaire dans les points chauds Rpartition des chantillons entre les principaux gradients des sols ou gradients topographiques du paysage; par exemple, 20 parcelles (chacune de 0,25ha) ou un chantillon de 5ha peuvent permettre une estimation de

lAGB lchelle du paysage 10 % (95 % CI) Si la situation gographique est connue, des cartes mondiales de biomasse (1km Saatchi / 500m Baccini) peuvent tre utilises pour estimer lAGB Dans le cas o la situation gographique est inconnue, des cartes mondiales de biomasse peuvent tre utilises pour amliorer les valeurs des donnes de niveau 1 Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 41 Propagation derreur destimation de lAGB Pour le centre du Panama : (Chave et al. 2004) (gravit) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF

de la Banque mondiale 42 Exemples dincertitudes associes des cartes mondiales dAGB rcentes (1/3) Carte Saatchi 95 % CI : Incertitude globale dAGB au niveau du pixel (moyenne) 30 % (6 % 53 %) Incertitudes rgionales : Amrique 27 % ; Afrique 32 % Asie 33 % Incertitudes entourant le stock de carbone total au niveau du pixel (moyenne) 38 % ; 5 % (10 000ha) ; 1 % (>1 000 000ha) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale

43 Exemples dincertitudes associes des cartes mondiales dAGB rcentes (2/3) Carte Baccini 95 % CI : Incertitudes rgionales pour les stocks de carbone : Amrique 7,1 % ; Afrique 13,2 % Asie 6,5 % Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 44 Exemples dincertitudes associes des cartes mondiales dAGB rcentes (3/3) Diffrence entre les cartes de Baccini et Saatchi : Des analyses rcentes montrent des diffrences localement

significatives, tandis que les rsultats sont comparables au niveau rgional Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 45 Plan du cours 1. Importance didentifier les incertitudes 2. Concepts gnraux 3. Incertitudes dans lestimation des variations des superficies 4. Incertitudes dans lestimation des variations des stocks de carbone 5. Combinaison des incertitudes Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale

46 Combinaison des incertitudes Les incertitudes associes des variables individuelles peuvent tre combines par : Propagation derreur (Niveau 1 du GIEC), qui est facile applique en utilisant un outil de type tableur ; certaines conditions doivent tre remplies cette fin. Simulation Monte Carlo (Niveau 2 du GIEC), qui est base sur la modlisation et ncessite plus de ressources ; elle peut sappliquer nimporte quelle donne et nimporte quel modle. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 47 valuation de niveau 1 (1/3) Le niveau 1 doit de prfrence tre utilis uniquement lorsque :

Lestimation des missions et des absorptions est base sur laddition, la soustraction et la multiplication Il ny a aucune corrlation entre les catgories (ou les catgories sont agrges de sorte que les corrlations ne sont pas importantes Les plages dincertitude relatives dans les facteurs dmissions et les estimations de superficies sont les mmes durant les annes 1 et 2 Aucune variable ne comporte une incertitude > 60 % Les incertitudes sont symtriques et suivent une distribution normale Mme dans le cas o ces conditions ne sont pas toutes runies, la mthode de niveau 1 peut tre utilise pour obtenir des rsultats approximatifs En cas de distributions asymtriques prendre une valeur absolue suprieure Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 48 valuation de niveau 1 (2/3) quation pour la

multiplication : quation pour laddition et la soustraction : Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 49 valuation de niveau 1 (3/3) Exemples de combinaison dincertitudes utilisant la mthode du niveau 1 Multiplication Addition Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 50 valuation de la tendance de niveau 1 (1/2)

Lincertitude de la tendance est estime (niveau 1) laide de deux types de sensibilits : Sensibilit de type A, qui rsulte des incertitudes qui affectent galement les missions ou les absorptions durant les annes 1 et 2 (autrement les variables sont corrles au fil des ans) Sensibilit de type B, qui rsulte des incertitudes qui affectent uniquement les missions ou les absorptions durant les annes 1 et 2 (autrement les variables ne sont pas corrles au fil des ans) Hypothse de base : Facteurs dmission pleinement corrls au fil des ans (sensibilit de type A), donnes dactivit non corrles au fil des ans (sensibilit de type B) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 51 valuation de la tendance de niveau 1 (2/2) Tableau pour combiner les incertitudes des niveaux et des tendances en

utilisant la mthode de niveau 1 K 2 + L2 Une mthode dvaluation de la tendance et de calcul de lincertitude gnrale de niveau 1 peut tre applique en utilisant ce tableau. Voir GOFC-GOLDC (2014) Sourcebook, section 2.7, pour lexplication des notes. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 52 valuation de niveau 2 : Simulation Monte Carlo (1/2) La mthode de niveau 2 est base sur une simulation Monte Carlo : La mthode de niveau 2 peut sappliquer nimporte quelle quation (tandis que le niveau 1 ne sapplique qu laddition, la soustraction et la multiplication). Le niveau 2 peut aussi sappliquer des modles entiers.

Le niveau 2 donne des rsultats plus fiables que le niveau 1, particulirement lorsque les incertitudes sont grandes, les distributions sont anormales, ou des corrlations existent. Lapplication du niveau 2 passe par la programmation ou lutilisation dun logiciel statistique. Pour en savoir plus, voir les Recommandations (2003, ch. 5) et les Lignes directrices (2006, vol. 1, ch. 3) du GIEC. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 53 valuation de niveau 2 : Simulation Monte Carlo (2/2) Le principe de lanalyse Monte Carlo consiste choisir des valeurs alatoires de facteurs dmission, de donnes dactivits et dautres paramtres destimation partir de leurs propres courbes de densit de probabilit (CDP), et calculer les valeurs dmissions

correspondantes. Cette procdure est reproduite un grand nombre de fois (5 000 ou 10 000 par exemple) par ordinateur. Elle gnre 5 000 ou 10 000 valeurs pour lmission, partir desquelles lutilisateur peut calculer la valeur moyenne des missions et son intervalle de confiance 95 %. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 54 Illustration de la mthode Monte Carlo Source : GIEC 2006, Ch. 3. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 55 Diagramme de calcul pour lanalyse Monte Carlo

Le diagramme de calcul pour lanalyse Monte Carlo des missions absolues et de la tendance pour une catgorie individuelle, estimes en multipliant le facteur dmission par un taux dactivit (GIEC 2006). La figure montre le cas o le facteur dmission est corrl 100 % entre lanne de rfrence et lanne t (le mme facteur dmission est utilis pour chaque anne et on ne prvoit pas de variation interannuelle) Pour le cas o le facteur dmission nest pas corrl, voir GIEC (2006, vol. 1, ch. 3, fig. 3.7). Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 56 Donnes ncessaires pour raliser une simulation Monte Carlo Incertitude de chaque paramtre exprime comme une

courbe de densit de probabilit : Toute distribution peut tre utilise avec Monte Carlo. Pour des besoins de simplicit (et si des informations plus dtailles ne sont pas disponibles), les incertitudes symtriques sont souvent considres comme distribues normalement et les incertitudes positivement asymtriques comme prsentant une distribution log-normale. Corrlations entre 1,2 paramtres : La simulation 1,0 Monte Carlo peut traiter 0,8 0,6 la fois des corrlations partielles 0,4 0,2 et compltes. 1,0 1,5 0,5 Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale

572,0 Notification des incertitudes Les incertitudes doivent tre notifies selon un format standard Voir GOFC-GOLDC (2014, sect. 4) Sourcebook pour lexplication des notes. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 58 Rcapitulatif (1/2) Lvaluation de lincertitude est fondamentale dans les contextes du GIEC et de la CCNUCC. Lincertitude se dcline en deux composantes : erreurs systmatiques et erreurs alatoires. Lvaluation de lexactitude de la couverture des sols et

des changements daffectation des terres est utilise pour caractriser la frquence des erreurs (domission et de commission) pour chaque classe et lexactitude globale de la carte laide dune srie de donnes de rfrence indpendantes. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 59 Rcapitulatif (2/2) Lvaluation des incertitudes associes aux estimations des stocks de carbone et des variations des stocks de carbone est gnralement plus difficile en raison de diffrents types derreurs alatoires et systmatiques. Les incertitudes incertitudes associes des variables individuelles peuvent tre combines en utilisant soit une propagation derreur (niveau 1) soit une analyse Monte Carlo (niveau 2). Module 2.7 Estimation des incertitudes

Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 60 Exemples nationaux et exercices Exemples nationaux 1. Combustion de la biomasse 2. Analyse de lincertitude : UTCATF en Finlande 3. Appliquer lapproche de prudence lexemple de la RDC (approche de la matrice) voir galement lexercice 4 Exercices 1. Incertitudes associes aux superficies et la variation des superficies 2. Utilisation des quations du GIEC pour combiner les incertitudes 3. Utilisation des quations du GIEC pour valuer les incertitudes de la tendance 4. Lapproche de la matrice de REDD+ (voir le fichier xls dexercices et les exemples nationaux cet exercice est repris au Module 3.3) 5. Prparatifs pour Monte Carlo Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 61

Modules complmentaires recommands Module 2.8 pour en savoir plus sur le rle des progrs technologiques dans la surveillance des variations des superficies forestires et des variations de stocks de carbone forestier Modules 3.1 3.3 pour en savoir plus sur lvaluation et la notification dans le contexte de REDD+ Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 62 Rfrences Baccini, A., S.J. Goetz, W. S. Walker, N. T. Laporte, M. Sun, D. Sulla-Menashe, J. Hackler, P.S. A. Beck, R. Dubayah, M. A. Friedl, et al. 2012. Estimated Carbon Dioxide Emissions from Tropical Deforestation Improved by Carbon-Density Maps. Nature Climate Change 2: 182185.

Brown, S. 1997. Estimating Biomass and Biomass Change of Tropical Forests: A Primer. FAO Forestry Papers 134. Rome, Italy: FAO. http://www.fao.org/icatalog/search/dett.asp?aries_id=7736. Card, D. H. 1982. Using Known Map Category Marginal Frequencies to Improve Estimates of Thematic Map Accuracy. Photogrammetric Engineering and Remote Sensing 48: 431439. Chave, J., R. Condit, S. Aguila, A. Hernandez, S. Lao, and R. Perez. 2004. Error Propagation and Scaling for Tropical Forest Biomass Estimates. Philosophical Transactions of the Royal Society B 359: 40920. Chave, J., A. Andalo, S. Brown, M. A. Cairns, J. Q. Chambers, D. Eamus, H. Foelster, F. Fromard, N. Higuchi, T. Kira, J-P Lescure, B. W. Nelson H. Ogawa, H. Puig, B. Riera, and T. Yamakura. 2005. Tree Allometry and Improved Estimation of Carbon Stocks and Balance in Tropical Forests. Oecologia 145: 8799. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 63

Clark, D. B., and D. A. Clark. 2000. Landscape-scale Variation in Forest Structure and Biomass in a Tropical Rain Forest. Forest Ecology Management 137 : 185198. Feldpausch, T. R., J. Lloyd, S. L. Lewis, R. J. W. Brienen, M. Gloor, A. Monteagudo Mendoza, G. LopezGonzalez, L. Banin, K. Abu Salim, K. Affum-Baffoe, et al. 2012. Tree Height Integrated into Pantropical Forest Biomass Estimates. Biogeosciences 9 : 33813403. Freibauer, A. 2007. Soil Carbon Losses by Deforestation in the Tropics. PowerPoint presentation. https://seors.unfccc.int/seors/attachments/get_attachment? code=L1NPQ1Y0F267LFN0O8Y2F43H78MJW8ZA. Fuller, R. M., G. M. Smith, and B. J. Devereux. 2003. The Characterization and Measurement of Land Cover Change through Remote Sensing: Problems in Operational Applications? International Journal of Applied Earth Observation and Geoinformation. 4 : 243253. GFOI (Global Forest Observations Initiative). 2014. Integrating Remote-sensing and Ground-based

Observations for Estimation of Emissions and Removals of Greenhouse Gases in Forests: Methods and Guidance from the Global Forest Observations Initiative. (Often GFOI MGD.) Geneva, Switzerland : Group on Earth Observations, version 1.0. http://www.gfoi.org/methods-guidance/. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 64 GOFC-GOLD (Global Observation of Forest Cover and Land Dynamics). 2014. A Sourcebook of Methods and Procedures for Monitoring and Reporting Anthropogenic Greenhouse Gas Emissions and Removals Associated with Deforestation, Gains and Losses of Carbon Stocks in Forests Remaining Forests, and Forestation. (Often GOFC-GOLD Sourcebook.) Netherland: GOFC-GOLD Land Cover Project Office, Wageningen University. http://www.gofcgold.wur.nl/redd/index.php. Grassi, G., S. Monni, S. Federici, F. Achard, and D. Mollicone. 2008. Applying the Conservativeness Principle to REDD to Deal with the Uncertainties of the Estimates. Environmental Research Letters 3 (3).

Grassi, G., S. Federici, and F. Achard. 2013. Implementing Conservativeness in REDD+ Is Realistic and Useful to Address the Most Uncertain Estimates. Climatic Change 119 : 269275. http://link.springer.com/article/10.1007%2Fs10584-013-0780-x. Houghton, R. A. 2005. Aboveground Forest Biomass and the Global Carbon Balance. Global Change Biology 11 : 94558. Houghton, R. A., et al. 2001. The Spatial Distribution of Forest Biomass in the Brazilian Amazon: A Comparison of Estimates. Global Change Biology 7 : 73146. GIEC, 2003. 2003 Recommandations en matire de bonnes pratiques pour le secteur de lutilisation des terres, changements daffectation des terres et foresterie, Edit par le Programme GIEC des invetaires nationaux de gaz effet de serre, Penman, J., Gytarsky, M., Hiraishi, T., Krug, T., Kruger, D., Pipatti, R., Buendia, L., Miwa, K., Ngara, T., Tanabe, K., Wagner, F. Publi par : IGES, Japon. http://www.ipcc-nggip.iges.or.jp/public/gpglulucf/gpglulucf.html (Souvent dsign par GPG-UTCATF) Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale

65 GIEC, 2006. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz effet de serre. Volume 4 : Agriculture, foresterie et autres affectations des terres. Edit par le Programme des inventaires nationaux de gaz effet de serre, Eggleston H.S., Buendia L., Miwa K., Ngara T. and Tanabe K. Publi par : IGES, Japon. http://www.ipcc-nggip.iges.or.jp/public/2006gl/vol4.html (souvent dsignes par LD-AFAT) Keller, M., M. Palace, and G. Hurtt. 2001. Biomass Estimation in the Tapajos National Forest, Brazil; Examination of Sampling and Allometric Uncertainties. Forest Ecology Management 154 : 371382. Langner, A., F. Achard, G. Grassi, and M. Bucki. Can Recent Pan-Tropical Biomass Maps Be Used as Improved Tier 1 Level Emission Factors for Reporting for REDD+ Activities under the UNFCCC? In preparation. Lehtonen, A., E. Cienciala, F. Tatarinov, and R. Makipaa. 2007. Uncertainty Estimation of Biomass Expansion Factors for Norway Spruce in the Czech Republic. Annals of Forest Science 64 : 133140

Lowell, K. 2001. An Area-Based Accuracy Assessment Methodology for Digital Change Maps. International Journal of Remote Sensing 22: 35713596. McRoberts, R. E. 2014. Post-classification approaches to estimating change in forest area using remotely sensed auxiliary data. Remote Sens Environ. doi : 10.1016/j.rse.2013.03.036. McRoberts, R E., W. B. Cohen, E. Nsset, S. V. Stehman, and E. Tomppo. 2010. Using Remotely Sensed Data to Construct and Assess Forest Attribute Maps and Related Spatial Products. Scandinavian Journal of Forest Research 25 (4) : 340367. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 66 McRoberts, R. E., and B. F. Walters. 2012. Statistical Inference for Remote Sensing-Based Estimates of

Net Deforestation. Remote Sensing of Environment 124: 394401. Mitchard, E. T. A., S. S. Saatchi, A. Baccini, G. P. Asner, S. J. Goetz, N. L. Harris, and S. Brown. 2013. Uncertainty in the Spatial Distribution of Tropical Forest Biomass: A Comparison of Pan-Tropical Maps. Carbon Balance and Management 8: 10. Olofsson, P., G. M. Foody, S. V. Stehman, and C. E. Woodcock. 2013. Making Better Use of Accuracy Data in Land Change Studies: Estimating Accuracy and Area and Quantifying Uncertainty Using Stratified Estimation. Remote Sensing Environment 129: 12231. Pelletier, J., N. Ramankutty, C. Potvin. 2011. Diagnosing the Uncertainty and Detectability of Emission Reductions for REDD+ Under Current Capabilities: An Example for Panama. Environmental Research Letters 6: 024005. Pelletier, J., K. R. Kirby, and C. Potvin. 2012. Significance of Carbon Stock Uncertainties on Emission Reductions from Deforestation and Forest Degradation in Developing Countries. Forest Policy and Economics 24: 311.

Saatchi, S. S., N. L. Harris, S. Brown, M. Lefsky, E. T. A. Mitchard, W. Salas, B. R. Zutta, W. Buermann, S. L. Lewis, S. Hagen et al. 2011. Benchmark Map of Forest Carbon Stocks in Tropical Regions across Three Continents. Proceedings of the National Academies of Science 108: 98999904. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 67 Sannier, C., McRoberts, R.E., Fichet, L.-V., & Makaga, E. (2014). Application of the regression estimator to estimate Gabon forest cover area and net deforestation at national level. Remote Sensing of Environment doi:10.1016/j.rse.2013.09.015. Sierra, C. A., et al. 2007. Total Carbon Stocks in a Tropical Forest Landscape of the Porce Region, Colombia. Forest Ecology Management 243 : 299309.

Stehman, S.V. (2009). Model-assisted estimation as a unifying framework for estimating the area of land cover and land-cover change from remote sensing. 2462 Remote Sensing of Environment 113 : 2445- Stehman, S. V., T.L. Sohl, and T. R. Loveland. 2003. Statistical Sampling to Characterize Recent United States Land-Cover Change. Remote Sensing of Environment 86: 517529. Strahler, A., L. Boschetti, G. M. Foody, al. 2006. Global Land Cover Validation : Recommendations for Evaluation and Accuracy Assessment Of Global Land Cover MapsReport of Committee of Earth Observation Satellites (CEOS) Working Group on Calibration and Validation (WGCV). Luxembourg : European Communities. Van Oort, P. A. J. 2007. Interpreting the Change Detection Error Matrix. Remote Sensing of Environment 108: 18.

Wulder, M., S. E. Franklin, J. C. White, J. Linke, and S. Magnussen. 2006. An Accuracy Assessment Framework for Large Area Land-Cover Classification Products Derived from Medium Resolution Satellite Data. International Journal of Remote Sensing 27: 663683. Module 2.7 Estimation des incertitudes Matriels de formation REDD+ mis au point par GOFC-GOLD, Universit de Wageningen, FCPF de la Banque mondiale 68

Recently Viewed Presentations

  • Criminal Justice Research Consortium Launch 31 October 2006

    Criminal Justice Research Consortium Launch 31 October 2006

    Criminal Justice Research Consortium Launch 31 October 2006
  • Marketing for Cultural Organisations

    Marketing for Cultural Organisations

    Instruments of marketing. Customers. Workwitharticle. Workwitharticle. Answerfollowing questions. What is the situation today in cultural organizations? What is the core of the changes? What are the main differences in funding of cultural organizations in time?
  • Colour Pencils PowerPoint Template - ESPE

    Colour Pencils PowerPoint Template - ESPE

    In 1985 Spencer Kagan proposed the Structures for cooperative learning; these structures are designed to increase the participation levels and cooperation of the students. These structures are important because the teacher can have each student to answer to a question...
  • Daughters and Leftwing Voting - Andrew Oswald

    Daughters and Leftwing Voting - Andrew Oswald

    Andrew Oswald IZA and Warwick One route would be to use data that independently confirm the patterns in happiness regression equations. One route would be to use data that independently confirm the patterns in happiness regression equations. Here is an...
  • The Calendar - repository.usfca.edu

    The Calendar - repository.usfca.edu

    DESCRIBE PEOPLE Martin J. Rodriguez Javier Silvia Luis Norma Julia Noe + + Rosa Juan Sandra Javier is 85 years old. He is the elderly person in the family.
  • Department of the Interior and Local Government Philippines

    Department of the Interior and Local Government Philippines

    Review of planning experience and surfacing of lessons (August) Provision of guidelines for the review and update process (November) HRMD. Orientation on SCALOG (January to March) Conduct of skills inventory (January to March) Responsive HRMD Orientation for all HRM units...
  • Poker and AI How the most stable creature

    Poker and AI How the most stable creature

    Poker and AI How the most "stable" creature on earth got used to that good old game from the west!
  • The Muscular System - Winchester

    The Muscular System - Winchester

    Isotonic. Muscles shorten and movement occurs. force generated by a muscle while contracting, when the muscle lengthens and shortens during movement, with the force remaining constant. Isometric. Muscles do NOT shorten. muscle contraction without the muscle or joints moving. push...