Utilisation de statistiques spatiales pour identifier les zones émergentes de perte forestière

À mesure que les sources de données pour la surveillance forestière mondiale deviennent plus grandes, plus complexes et plus nombreuses, l'analyse et l'interprétation des données deviennent des goulets d'étranglement critiques pour les utiliser efficacement dans les discussions sur les politiques d'utilisation des terres. Dans cet article, nous présentons une méthode qui combine des outils d'analyse de big data avec l'analyse des points chauds émergents (ArcGIS) pour identifier des tendances spatiotemporales statistiquement significatives de perte forestière au Brésil, en Indonésie et en République Démocratique du Congo (RDC) entre 2000 et 2014. Les résultats indiquent que, bien que le taux global de perte forestière au Brésil ait diminué au cours de la période de 14 ans, les schémas spatiotemporaux de perte ont évolué, avec une diminution significative de la perte forestière dans les États amazoniens du Mato Grosso et de Rondônia et une intensification dans le biome du cerrado. En Indonésie, la perte forestière s'est intensifiée dans la province de Riau à Sumatra et dans les régions de Sukamara et de West Kotawaringin dans le Kalimantan central. Des portions substantielles du Kalimantan occidental sont devenues de nouveaux points chauds de perte forestière, statistiquement significatifs, en 2013 et 2014. De même, de vastes zones de la RDC sont apparues comme de nouveaux points chauds significatifs de perte forestière, avec une perte intensifiée rayonnant des centres urbains tels que Beni et Kisangani. Bien que nos résultats se concentrent sur l'identification de tendances significatives à l'échelle nationale, nous démontrons également la scalabilité de notre approche à des régions plus petites ou plus grandes en fonction de la zone d'intérêt et de la question de recherche spécifique impliquée. Lorsqu'ils sont combinés avec d'autres informations contextuelles, ces modèles de données statistiques peuvent aider à isoler les clusters de perte les plus significatifs sur des paysages forestiers dynamiques et fournir des orientations plus cohérentes pour l'allocation des ressources pour la surveillance forestière et les efforts d'application.