Linear feature networks are the roads, trails, pipelines, and seismic lines developed throughout many commercial boreal forests. These linear features, while providing access for industrial, recreational, silvicultural, and fire management operations, also have environmental implications which involve both the active and non-active portions of the network. Management of the existing linear feature networks across boreal forests would lead to the optimization of maintenance and construction costs as well as the minimization of the cumulative environmental effects of the anthropogenic linear footprint. Remote sensing data and predictive modelling are valuable support tools for the multi-level management of this network by providing accurate and detailed quantitative information aiming to assess linear feature conditions (e.g., deterioration and vegetation characteristic dynamics). However, the potential of remote sensing datasets to improve knowledge of fine-scale vegetation characteristic dynamics within forest roads has not been fully explored. This study investigated the use of high-spatial resolution (1 m), airborne LiDAR, terrain, climatic, and field survey data, aiming to provide information on vegetation characteristic dynamics within forest roads by (i) developing a predictive model for the characterization of the LiDAR-CHM vegetation cover dynamic (response metric) and (ii) investigating causal factors driving the vegetation cover dynamic using LiDAR (topography: slope, TWI, hillshade, and orientation), Sentinel-2 optical imagery (NDVI), climate databases (sunlight and wind speed), and field inventory (clearing width and years post-clearing). For these purposes, we evaluated and compared the performance of ordinary least squares (OLS) and machine learning (ML) regression approaches commonly used in ecological modelling—multiple linear regression (mlr), multivariate adaptive regression splines (mars), generalized additive model (gam), k-nearest neighbors (knn), gradient boosting machines (gbm), and random forests (rf). We validated our models’ results using an error metric—root mean square error (RMSE)—and a goodness-of-fit metric—coefficient of determination (R2). The predictions were tested using stratified cross-validation and were validated against an independent dataset. Our findings revealed that the rf model showed the most accurate results (cross-validation: R2 = 0.69, RMSE = 18.69%, validation against an independent dataset: R2 = 0.62, RMSE = 20.29%). The most informative factors were clearing width, which had the strongest negative effect, suggesting the underlying influence of disturbance legacies, and years post-clearing, which had a positive effect on the vegetation cover dynamic. Our long-term predictions suggest that a timeframe of no less than 20 years is expected for both wide- and narrow-width roads to exhibit ~50% and ~80% vegetation cover, respectively. This study has improved our understanding of fine-scale vegetation dynamics around forest roads, both qualitatively and quantitatively. The information from the predictive model is useful for both the short- and long-term management of the existing network. Furthermore, the study demonstrates that spatially explicit models using LiDAR data are reliable tools for assessing vegetation dynamics around forest roads. It provides avenues for further research and the potential to integrate this quantitative approach with other linear feature studies. An improved knowledge of vegetation dynamic patterns on linear features can help support sustainable forest management.

Le réseau de structures linéaires est constitué de routes, de sentiers, de pipelines et de lignes sismiques aménagés dans une grande partie de la forêt boréale commerciale. Ces structures linéaires, fournissent un accès pour les opérations industrielles, récréatives, sylvicoles et de gestion des incendies, mais ont également des incidences économiques et environnementales qui impliquent à la fois les parties actives et non actives du réseau (e.g., les coûts d'entretien, érosion de la biodiversité, dégradation de l'habitat de la faune qui dépend de la forêt). Par conséquent, pour prévenir tous ces inconvénients, il est nécessaire de comprendre la dynamique des caractéristiques de végétation des structures linéaires et particulièrement des chemins forestiers.

Les données de télédétection et la modélisation prédictive sont des outils utiles en fournissant des informations quantitatives précises et détaillées visant l’évaluation de l'état des structures linéaires (par exemple, la détérioration de la surface ou la dynamique des caractéristiques de végétation), et ce à plusieurs niveaux (paysage, région). Cependant, le potentiel des données de télédétection pour améliorer notre connaissance des caractéristiques de végétation à fine échelle sur les chemins forestiers n'a pas été entièrement exploré.

Cette étude a examiné l'utilisation de données LiDAR aéroporté à haute résolution spatiale (1 m), de données climatiques et de terrain dans le but de fournir une meilleure compréhension de la dynamique de végétation des chemins forestiers: i) en développant un modèle prédictif pour l'estimation de la couverture végétale dérivée du modèle de hauteur de canopée (métrique de réponse), ii) en examinant les facteurs ayant un effet sur la couverture végétale en utilisant les mesures LiDAR (topographie: pente, TWI, ombrage et orientation), de l'imagerie optique Sentinel-2 (NDVI), des bases de données climatiques (ensoleillement et vitesse du vent) et de l'inventaire de terrain (largeur de l’ouverture du chemin et le temps depuis la construction ou entretien majeur). Nous avons évalué et comparé les performances des approches de régression par la méthode des moindres carrés et par apprentissage automatique couramment utilisées en modélisation écologique – régression linéaire multiple (mlr), méthode des splines de régression adaptative multivariée (mars), modèle additif généralisé (gam), méthode du plus proche voisin (knn), méthode d’arbres de régression boostés (gbm) et la méthode des forêts aléatoires (rf) –. Nous avons validé les résultats de nos approches en utilisant une métrique d'erreur – erreur quadratique moyenne (RMSE) – et une métrique de qualité d'ajustement – coefficient de détermination (R²) –. Les prédictions ont été testées par validation croisée et validées par rapport à un jeu de données indépendant. Nos résultats ont révélé que le modèle rf a montré les résultats les plus précis (validation croisée: R²=0.69, RMSE=18.69%, validation par un jeu de données indépendant: R²=0.62, RMSE=20.29%) et que les facteurs les plus informatifs étaient la largeur de l'ouverture du chemin qui avait l'effet négatif le plus marqué sur la couverture végétale, suggérant l'influence sous-jacente des perturbations antérieures, et le temps écoulé depuis la construction ou dernier entretien du chemin, qui avaient un effet positif sur l'augmentation de la couverture végétale. Les prédictions à long terme suggèrent qu'il faudra au moins 20 ans pour que les routes larges et étroites présentent respectivement ~50% et ~80% de couverture végétale.

Cette étude a permis d'améliorer notre compréhension de la dynamique de végétation des chemins forestiers à fine échelle, tant sur le plan qualitatif que quantitatif. Les informations issues du modèle prédictif sont utiles pour la gestion à court et à long terme du réseau existant. De plus, le présent mémoire démontre que les modèles spatialement explicites utilisant des données LiDAR sont des outils fiables pour évaluer la dynamique de végétation des chemins forestiers et fournit des pistes pour de futures recherches et la possibilité d'intégrer cette approche quantitative à d'autres études de structures linéaires. Une meilleure connaissance des modèles de dynamique des caractéristiques de végétation sur les chemins forestiers, sur de grandes zones géographiques, peut aider à soutenir la gestion durable des forêts par la modulation de l'impact environnemental associé à l'empreinte linéaire.