Effet de la densité de points sur la hauteur du couvert

Les enjeux du LiDAR aérien

Les forêts sont au coeur des préoccupations actuelles à l’échelle planétaire sur les changements climatiques, la déforestation, la séquestration du carbone ou la protection de la biodiversité. Il en découle un besoin grandissant d’informations précises sur la ressource forestière, son évolution et sa durabilité (Koch, 2010; Gillis et al., 2005). À ces enjeux globaux viennent s’ajouter les fonctions économiques, plus locales, de production et de récréation (Bonnet et al., 2011). Le besoin pour les acteurs économiques du secteur forestier, de produire et d’exploiter de façon toujours plus rentable et toujours plus optimisée, pour rester compétitifs, exerce une pression importante sur les entreprises. Ainsi, il existe un vrai besoin de connaître, de cartographier et de caractériser la ressource forestière, et cela passe par la description et la caractérisation dendrométrique de la forêt qui sont des préalables à une bonne gestion (Bonnet et al., 2011). La description des forêts se concrétise par la réalisation d’inventaires (p. ex. Gaudin, 1997; Gaudin et al., 2005; Gillis et al., 2005) sur des étendues pouvant être vastes. Cela mobilise des ressources humaines et financières importantes (Bonnet et al., 2011). Mais l’inventaire terrain ne suffit plus, car il est trop lent, trop cher et pas assez exhaustif. Le secteur forestier se tourne donc vers des méthodes d’inventaire automatiques ou semiautomatiques à grandes échelles. La télédétection (p. ex. stéréo imagerie, imagerie optique multispectrale) a déjà démontré, au travers de nombreuses études, son potentiel de caractérisation de la ressource forestière (Bonnet et al., 2013). En particulier, le développement du LiDAR (light detection and ranging) aérien a ouvert la voie à de nouvelles perspectives (p. ex. Kane et al., 2008; Ioki et al., 2009; Bouvier et al., 2015) et la littérature récente suggère que le LiDAR aérien a le potentiel pour devenir la principale technologie d’inventaire et de cartographie de la forêt.

Le LiDAR : principe et fonctionnement

La télémétrie (détermination de la distance d’un objet lointain) par laser est une technique de mesure de distance basée sur le délai nécessaire à la lumière pour être renvoyée vers son émetteur. Le LiDAR est un instrument incontournable de télémétrie active et trouve des applications en topographie (géomorphologie (p. ex. Höfle et Rutzinger, 2011), altimétrie (p. ex. Evette et al., 2014) et bathymétrie (p. ex. Irish et White, 1998), géosciences (risque sismique, météorologie (p. ex.Northend et al., 1966), physique de l’atmosphère (p. ex. Baumgarten, 2010) et sciences de l’environnement (étude de la pollution atmosphérique, agronomie & sylviculture), mais aussi dans l’archéologie (p. ex. Chase et al., 2011), le guidage automatique de véhicules terrestres (p. ex. Schnürmacher et al., 2013; Liu et Deng, 2015) ou spatiaux, ou encore la sécurité routière ou la défense. Une impulsion laser est émise, le temps aller retour de cette impulsion est mesuré et, connaissant la vitesse de la lumière, la distance de l’objet qui a rétro-diffusé l’impulsion peut être calculée. Le LiDAR aéroporté (ou ALS pour airborne laser scanning), est un cas spécifique d’utilisation qui consiste à embarquer le système d’acquisition laser (émetteur et récepteur) dans un avion qui survole un territoire à analyser. De nombreuses impulsions sont émises à haute fréquence et ces impulsions sont rétro-diffusées par le sol où le couvert forestier. Connaissant la distance entre le dispositif d’acquisition et les objets au sol, ainsi que la position exacte du dispositif d’acquisition grâce à un système de positionnent embarqué, il devient possible d’estimer la position exacte des objets qui ont retro-diffusé les impulsions laser et de les cartographier en trois dimensions sous la forme d’un nuage de points. Outil initialement dédié à la topographie, l’utilisation du LiDAR aéroporté (simplement appelé LiDAR par la suite) dans l’inventaire forestier remonte aux années 1970 (Nelson, 2013). Il permet d’acquérir rapidement un très grand nombre de points dans l’espace qui décrivent la structure horizontale et verticale du couvert forestier (Lim et al., 2003), et ce, de manière extrêmement rapide. Il constitue alors un outil intéressant pour l’amélioration des inventaires forestiers et l’aide à la décision (Gleason et Im, 2012) en produisant des mesures impossibles à réaliser par des techniciens sur place, tant par leur quantité que par leur technicité. Il est ainsi utilisé en foresterie, en écologie (p. ex. Zellweger et al., 2013) ou en aménagement des territoires naturels (p. ex. Bilodeau, 2010) et urbains (p. ex. Mallet et al., 2008). Cependant, le LiDAR ne donne pas de mesures directement exploitables. Il s’agit de nuages de points bruts qui n’ont pas de sens sans post-traitement. Il est alors indispensable d’apprendre à interpréter ces nuages pour en extraire des informations en développant des algorithmes opérationnels ainsi que des modèles mathématiques permettant de transformer ces nuages de points en données sémantiques et structurées.

Approche zonale

L’approche zonale est simple à mettre en oeuvre, et c’est l’approche la plus répandue. On lie une grandeur biophysique d’intérêt Q à des grandeurs Xi extraites du nuage de points. Le lien se fait par modélisation statistique (Holmgren et al., 2003a;Holmgren, 2004; Ioki et al., 2009; Chehata et al., 2009; Zhao et al., 2009; Chen et Hay, 2011; Lim et al., 2014). Les grandeurs d’intérêts Q sont généralement la hauteur de la canopée, la biomasse, la surface terrière, l’indice de surface foliaire, ou encore le volume marchand des tiges. Les grandeurs Xi extraites du nuage de points, appelées métriques dérivées, sont des scalaires qui résument en un seul nombre une propriété du nuage du point. Elles peuvent être de plusieurs natures, mais elles sont généralement calculées à partir de la distribution verticale des retours LiDAR (hauteur moyenne de points, hauteur maximale, écart-type de la distribution verticale des points, quantile de la distribution, etc.) et sont souvent de nature statistique. Plus rarement, ces métriques peuvent être calculées à partir de la distribution des intensités des points et sont, dans ce cas aussi, de nature statistique. Dans ces deux cas les métriques sont dérivées de données unidimensionnelles(axe z ou axe i 1), et ne tirent donc partie que d’une seule dimension sur les nombreuses disponibles. De rares cas de métriques tirant partie de plus de dimensions, et donc d’une plus grande proportion du jeu de données, peuvent être trouvés dans la littérature. On trouve par exemple des métriques comme la rugosité de la canopée qui tire partie des 3 coordonnées spatiales mesurées pour évaluer un indice de complexité structurelle (Kane et al., 2008, 2010), La modélisation statistique permet ainsi de lier les métriques Xi (variables explicatives) à Q (variable dépendante) par des équations dont les paramètres sont ajustés automatiquement à des données d’inventaire terrain utilisés comme référence.

Approche par classification

On peut distinguer une troisième catégorie que l’on pourrait nommer approche par classification. Elle est de loin l’approche la moins répandue et elle se trouve à cheval entre approche zonale et individuelle en fonction de la façon dont elle est utilisée. Il s’agit d’évaluer à quelle classe appartient un « objet ». Cette approche est utilisée pour la reconnaissance d’essences dans une approche par segmentation individuelle, par exemple, car c’est typiquement un problème de classement (Holmgren et Persson, 2004; Reitberger et al., 2006; Liang et al., 2007; Donoghue et al., 2007; Ørka et al., 2009; Korpela et al., 2009;Weber et Boss, 2009; García et al., 2010; Korpela et al., 2010; Heinzel et Koch, 2011; Vaughn et al., 2011; Yao et al., 2012; Gleason et Im, 2012). On trouve cependant quelques auteurs essayant cette approche dans d’autres contextes comme la détection automatique des feux de forêt (Fernandes et al., 2004), le classement de placettes de forêt en classes de hauteurs (Pascual et al., 2008; García et al., 2011), le classement par tranches d’âge (Weber et Boss, 2009) ou la reconnaissance d’objets d’après une typologie adaptée à un paysage urbain ou semi urbain (Koetz et al., 2008; Chehata et al., 2009).

Cette approche est fondamentalement différente des deux autres et repose généralement sur lesmachines d’apprentissage (machine learning) comme les réseaux de neurones, les séparateurs à vastes marges ou les arbres de décisions (Fernandes et al., 2004; Reitberger et al., 2006; Koetz et al., 2008; Chehata et al., 2009; Korpela et al., 2009, 2010; García et al., 2011; Heinzel et Koch, 2011; Zhao et al., 2011; Yao et al., 2012) qui sont des outils mathématico-algorithmiques adaptés aux problèmes de classement. Ces travaux de recherche montrent qu’il est possible de prédire des informations sur la forêt uniquement en la survolant,moyennant quelques inventaires manuels de calibration. La technologie LiDAR se développe donc afin d’améliorer l’inventaire forestier et de maximiser la rentabilité de l’exploitation. Cependant, l’analyse des travaux académiques montre en réalité que la technologie n’est pas si avancée qu’elle n’y paraît. Les modèles prédictifs développés ne sont pas toujours bons, et lorsqu’ils le sont, ils ne sont généralement applicables qu’à des contextes bien précis. Les modèles statistiques sont en effet extrêmement spécifiques à la zone d’étude dans laquelle ils ont été construits. Ils peuvent même demander une connaissance préalable de la forêt pour être appliqués, ce qui est contraire aux ambitions de cartographie automatique. Ceci est dû à trois niveaux de limitation, à savoir les limitations spatiales, techniques et méthodologiques desmodèles.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Résumé
Abstract
Table des matières
Remerciements
Avant-propos
1 Introduction
1.1 Les enjeux du LiDAR aérien
1.2 Le LiDAR : principe et fonctionnement
1.3 Méthodologies et modèles prédictifs
1.4 Limites des études et desmodèles statistiques
1.5 Problématiques soulevées et ambitions
1.6 Modélisation statistique vs. modélisation théorique
2 Effet de la densité de points sur la hauteur du couvert
2.1 Résumé
2.2 Abstract
2.3 Introduction
2.4 Methods
2.5 A probabilistic model of bias
2.6 Results
2.7 Discussion
2.8 Conclusion
2.9 Additional figures (supplementary material)
3 Effet de l’angle d’incidence sur les métriques dérivées de z
3.1 Résumé
3.2 Abstract
3.3 Introduction
3.4 Material and methods
3.5 Model development
3.6 Results
3.7 Discussion
3.8 Conclusion
3.9 Function f ¡1, basic form
4 Algorithmes et logiciels pour le traitement de données LiDAR
4.1 Résumé
4.2 Abstract
4.3 Introduction
4.4 Objectives, methods and structure of the review
4.5 Data storage
4.6 Classification of ground points
4.7 Digital terrain model
4.8 Data normalization
4.9 Canopy HeightModel and Digital SurfaceModel
4.10 Developing the area-based approach
4.11 Individual tree segmentation
4.12 The lidR package in R
4.13 Conclusion
4.14 Mathematicalmorphology
4.15 Triangulation
4.16 ‘Streaming’ computations vs. ‘in memory’ computations
Conclusion
Bibliographie