Les cryptogames (bryophytes et lichens) sont des espèces non vasculaires omniprésentes qui contribuent de manière significative à la biodiversité et jouent un rôle écologique essentiel dans le fonctionnement des écosystèmes à l'échelle mondiale. Plus précisément, les cryptogames influencent les cycles de l'eau, du carbone et des nutriments, ainsi que l'altération physique et chimique des roches, et augmentent la stabilité des sols, empêchant leur érosion et régulant leur température et humidité. Les cryptogames facilitent le rétablissement des écosystèmes après des perturbations et fournissent des microhabitats pour des micro- et macro-organismes, ainsi qu'une source de nourriture pour des invertébrés et herbivores. Ces espèces sont également sont des indicateurs fiables mais très sensibles aux perturbations environnementales et sont actuellement confrontées à de nombreuses menaces d'origine humaine principalement dérivées de l'utilisation des terres et du changement climatique. Malgré cela, les cryptogames sont généralement négligés dans la planification de la conservation, principalement en raison des lacunes actuelles dans les connaissances sur leur diversité, écologie et distribution, ce qui met en péril le maintien de leur espèces et rôle écologique. Les nouvelles technologies et sources de données telles que la télédétection peuvent contribuer de manière significative à combler ces lacunes et, en fin de compte, à améliorer la représentation des cryptogames dans la planification systématique de la conservation. La contribution de la télédétection aux évaluations de la biodiversité des cryptogames peut être particulièrement précieuse dans des régions vastes et largement inconnues telles que les forêts boréales, où ces espèces et leurs habitats sont confrontés à des menaces croissantes d'origine humaine. L'objectif général de cette thèse est d'élucider le rôle que peut jouer la télédétection dans l'évaluation et la génération d'informations sur la biodiversité des cryptogames en contexte boréal. La région d'étude est située dans la forêt boréale canadienne, dans la région d'Eeyou-Istchee Baie-James dans le Nord du Québec. En tant qu'objectifs spécifiques, le chapitre II vise à prédire et à cartographier les patrons de diversité (richesse en espèces) i) des bryophytes totaux et ii) des guildes de bryophytes (mousses, hépatiques et sphaignes) à l'aide de données de télédétection; le chapitre III se concentre sur la production de modèles prédictifs d'espèces de bryophytes rares à l'aide de prédicteurs dérivés de la télédétection dans un cadre d'ensembles de petits modèles; et le chapitre IV est destiné à décrire et modéliser les composantes alpha (richesse des espèces) et beta (changements de composition de la communauté) de la biodiversité des lichens en utilisant en parallèle deux ensembles de variables dérivées de la télédétection (Red et NIR; EVI2) à partir de deux capteurs (Wordlview-3 , WV3 ; Sentinel-2, S2) à différentes résolutions spatiales élevées (1,2 m ; 10m), et ii) à identifier les types d'habitats qui représentent les points chauds de la biodiversité des lichens.

L'algorithme Random Forest utilisé dans le chapitre II nous a permis de développer des modèles spatialement explicites et de générer une cartographie prédictive à 30m de résolution de la richesse totale en bryophytes, mousses, hépatiques et sphaignes. Ces modèles expliquent une fraction importante de la variation de la richesse totale en bryophytes et au niveau de la guilde, à la fois dans les ensembles de calibration (42 à 52 %) et de validation (38 à 48 %), et identifient systématiquement la végétation (principalement NDVI) et les variables climatiques (température , précipitations et événements de gel-dégel) comme les prédicteurs les plus importants pour tous les groupes de bryophytes modélisés. Les modèles au niveau de la guilde ont identifié des différences dans des facteurs importants déterminant la richesse de chacune des guildes et donc dans leurs modèles de richesse prédits, qui fournissent des informations précieuses pour les stratégies de gestion et de conservation des bryophytes. Les ensembles de petits modèles basés sur la télédétection développés au chapitre III construits à partir des techniques Random Forest et Maxent en utilisant des prédicteurs liés à la topographie (TPI) et à la végétation (EVI2, NDWI1, Vegetation Continuous fields et PALSAR HVHH) ont donné une précision de prédiction de faible à excellente (AUC > 0.5) pour 38 des 52 espèces modélisées malgré leur faible nombre d'occurrences (< 30), avec des valeurs AUC > 0.8 pour 19 espèces. Les présences réelles des 38 espèces modélisées mieux que aléatoires (AUC ≤ 0.5) ont été prédites avec précision, comme en témoignent les valeurs de sensibilité élevées obtenues allant de 0.8 à 1 avec une moyenne de 0.959 ± 0.063. La distribution de ces 38 espèces et les patrons de richesse à la fois pour les bryophytes rares totales et les espèces rares au niveau de la guilde ont été cartographiés à une résolution de 30m. Le chapitre III a également révélé une concordance spatiale entre les patrons de richesse en bryophytes rares (chapitre présent) et totaux (chapitre II) dans différentes régions de la zone d'étude, ce qui a des implications importantes pour la planification de la conservation. Au chapitre IV, un total de 116 espèces de lichens ont été identifiées. Alors qu'une grande richesse en lichens était généralement observée dans nos parcelles (36.5 ± 9 espèces), celles plus riches en microhabitats abritaient souvent plus d'espèces (R2 = 0.22) quel que soit le type d'habitat. Des différences dans la composition des espèces ont été identifiées entre les parcelles (25.6 % expliquées par la PCoA) et les types d'habitats (PERMANOVA R2 = 0.35), tous deux étayés par des différences dans la composition des microhabitats (Mantel r = 0.22 et PERMANOVA R2 = 0.29, respectivement). Les affleurements rocheux et les forêts de conifères non perturbées représentaient les principaux points chauds de la biodiversité des lichens, tandis que d'autres types d'habitats étaient également importants pour le maintien de la biodiversité totale Les variables Red et NIR étaient efficaces pour modéliser la diversité alpha et bêta aux deux résolutions, tandis que EVI2, soit de WV3 ou S2, n'était informatif que pour évaluer la diversité bêta. Les modèles de Poisson expliquaient jusqu'à 32% de la variation de la richesse en lichens. Les modèles de dissimilarité généralisée décrivaient bien la relation entre la diversité bêta et la dissimilarité spectrale (R2 de 0.25 à 0.30), sauf pour le modèle S2 EVI2 (R2 = 0.07), confirmant que des zones plus spectralement et donc environnementales différentes ont tendance à abriter différentes communautés de lichens. Alors que WV3 a souvent surpassé le capteur S2, ce dernier fournit toujours un outil puissant pour l'étude des lichens et leur conservation.

Cette thèse a démontré la capacité de la télédétection à moyenne et haute résolution spatiale à caractériser l'habitat d'espèces cryptogames discrètes, à capturer diverses caractéristiques écologiques significatives façonnant leur distribution, et ainsi à mieux comprendre et/ou prédire leurs patrons de biodiversité. Les cadres de modélisation basés sur la télédétection se sont avérés informatifs même lorsque les informations de base disponibles sur la biodiversité des cryptogames étaient limitées. En identifiant les facteurs environnementaux de la biodiversité des cryptogames qui peuvent guider des actions de gestion spécifiques et en fournissant une cartographie prédictive de leurs patrons spatiaux à un niveau de détail élevé à travers le paysage, ce travail a mis en évidence sans équivoque le potentiel élevé de la technologie de télédétection à des fins de conservation des cryptogames. Cette thèse représente donc une étape très importante pour parvenir à l'inclusion de ces espèces discrètes et généralement négligées dans la planification systématique de la conservation.

In Canadian boreal forests, bryophytes represent an essential component of biodiversity and play a significant role in ecosystem functioning. Despite their ecological importance and sensitivity to disturbances, bryophytes are overlooked in conservation strategies due to knowledge gaps on their distribution, which is known as the Wallacean shortfall. Rare species deserve priority attention in conservation as they are at a high risk of extinction. This study aims to elaborate predictive models of rare bryophyte species in Canadian boreal forests using remote sensing-derived predictors in an Ensemble of Small Models (ESMs) framework. We hypothesize that high ESMs-based prediction accuracy can be achieved for rare bryophyte species despite their low number of occurrences. We also assess if there is a spatial correspondence between rare and overall bryophyte richness patterns. The study area is located in western Quebec and covers 72,292 km2. We selected 52 bryophyte species with <30 occurrences from a presence-only database (214 species, 389 plots in total). ESMs were built from Random Forest and Maxent techniques using remote sensing-derived predictors related to topography and vegetation. Lee’s L statistic was used to assess and map the spatial relationship between rare and overall bryophyte richness patterns. ESMs yielded poor to excellent prediction accuracy (AUC > 0.5) for 73% of the modeled species, with AUC values > 0.8 for 19 species, which confirmed our hypothesis. In fact, ESMs provided better predictions for the rarest bryophytes. Likewise, our study revealed a spatial concordance between rare and overall bryophyte richness patterns in different regions of the study area, which have important implications for conservation planning. This study demonstrates the potential of remote sensing for assessing and making predictions on inconspicuous and rare species across the landscape and lays the basis for the eventual inclusion of bryophytes into sustainable development planning.

Aim

Detection of rare species is limited by their intrinsic nature and by the constraints associated with traditional field surveys. Remote sensing (RS) provides a powerful alternative to traditional detection methods through the increasing availability of RS products. Here, we assess the capacity of RS at high and medium resolution to detect rare plants with direct and indirect approaches, and how the performance of RS can be influenced by the characteristics of species.

Methods

An extensive literature review was conducted to synthesize the use of RS to detect or predict rare plant occurrence at high and medium resolution (<30 m and 30–300 m, respectively). The concept of “rarity” was based on Rabinowitz's rare species classification. The literature review was performed in Scopus for the period 1990–2020.

Results

While direct detection is often limited, it is possible with high and very high spatial resolution data for rare plants with distinctive traits. RS is also able to capture biophysical conditions driving rare plant distributions, which can indirectly provide accurate predictions for them. Both approaches have the potential to discover new populations of rare plants. RS can also feed SAMs of rare plants, which combined with SDMs can provide a valuable approach for rare plant detection. While direct detection is limited by the space occupied by a species within its habitat and its morphological, phenological and physiological characteristics, the predictive performance of RS-based SDMs (indirect detection) can be influenced by habitat size, habitat specificity and phenological features of rare plants. Similarly, model predictive performance can be influenced by the rarity form of the target species according to the rarity classification criteria.

Main conclusions.

With this synthesis, the strong potential of RS for the purposes of detection and prediction of rare plant has been highlighted, with practical applications for conservation and management.

In old-growth forests, natural disturbances form a complex mosaic of structures, providing a wide diversity of habitats and functions of great importance. Old-growth forests are still often seen as a homogeneous whole and few remote-sensing approaches have been tested to identify their structural diversity, especially in boreal forests. The aim of this study is to use a combination of airborne LiDAR and satellite imagery to identify and discriminate old-growth forest structures resulting from different disturbance histories. The study area, which was located in the mixed boreal forest of Quebec (Canada), is Monts Valin National Park and adjacent managed territories. Balsam fir (Abies balsamea (L.) Mill) is the dominant species in the study area, but hardwood species such as white birch (Betula papyrifera Marsh.) and trembling aspen (Populus tremuloides Michx.) can also be abundant in the early succession stages. Four forest classes were studied: second-growth (logged between 1970 and 1980); transition old-growth (burned in 1920); undisturbed old-growth (unburned for at least 125 years); and disturbed old-growth forest (unburned for at least 125 years, but severely disturbed by an insect outbreak around 1980). A multivariate Random Forest model was used to discriminate the classes on 6466 1 ha tiles, based on 11 complementary LiDAR and satellite-derived indices describing stand vertical and horizontal structure, together with “greenness” and disturbance history over the last 30 years. This model had high predictive efficiency (AUC = 94.2), with 81.8% of the tiles accurately classified. Interestingly, undisturbed old-growth forests exhibited intermediate characteristics compared to transition and disturbed old-growth forests. This emphasizes that some structural attributes recognized as important for the classification of temperate and tropical old-growth forests, such as high vertical complexity, are of lesser relevance for boreal old-growth forests. In comparison to undisturbed old-growth forests, transition old-growth forests had a taller canopy of high “greenness” due to a greater hardwood abundance; disturbed old-growth forests had a higher gap fraction and heterogeneity in tree size; second-growth forests exhibited a lower and more even canopy. Misclassified tiles were explained by spatial variation in disturbance severity or different levels of forest resistance and resilience to disturbance. These misclassifications are also of ecological interest, as they highlight the nuances in structural diversity that are rarely identified by disturbance mapping. A reasonable combination of LiDAR and satellite indices was effective not only in discriminating old-growth forests from second-growth forests, but also identifying their different structures, which result from specific disturbance histories. This method could contribute to effective monitoring of changes in the areas and characteristics old-growth forest that are caused by anthropogenic and natural disturbances.

Bryophytes represent an essential component of global biodiversity and play a significant role in many ecosystems, including boreal forests. In Canadian boreal forests, industrial exploitation of natural resources threatens bryophyte species and the ecological processes and services they support. However, the consideration of bryophytes in conservation issues is limited by current knowledge gaps on their distribution and diversity patterns. This is mainly due to the ineffectiveness of traditional field surveys to acquire information over large areas. Using remote sensing data in combination with species distribution models (SDMs), we aim to predict and map diversity patterns (in terms of richness) of i) total bryophytes, and ii) bryophyte guilds (mosses, liverworts and sphagna) in 28,436 km2 of boreal forests of Quebec (Canada). A bryophyte presence/absence database was used to develop four response variables: total bryophyte richness, moss richness, liverwort richness and sphagna richness. We pre-selected a group of 38 environmental predictors including climate, topography, soil moisture and drainage as well as vegetation. Then a final set of predictors was selected individually for each response variable through a two-step selection procedure. The Random Forest (RF) algorithm was used to develop spatially explicit regression models and to generate predictive cartography at 30 m resolution for the study area. Predictive mapping-associated uncertainty statistics were provided. Our models explained a significant fraction of the variation in total bryophyte and guild level richness, both in the calibration (42 to 52%) and validation sets (38 to 48%), outperforming models from previous studies. Vegetation (mainly NDVI) and climatic variables (temperature, precipitation, and freeze–thaw events) consistently appeared among the most important predictors for all bryophyte groups modeled. However, guild-level models identified differences in important factors determining the richness of each of the guilds and, therefore, in their predicted richness patterns. For example, the predictor number of days > 30 °C was especially relevant for liverworts, while drainage class, topographic position index and PALSAR HH-polarized L-band were identified among the most important predictors for sphagna. These differences have important implications for management and conservation strategies for bryophytes. This study provides evidence of the potential of remote sensing for assessing and making predictions on bryophyte diversity across the landscape. © 2020 Elsevier Ltd