Paramètres culturaux dérivés de mesures LiDAR

Télécharger le fichier pdf d’un mémoire de fin d’études

Etudes des cultures

Les zones agricoles couvrent à peu près 37 % de la surface terrestre. A travers le phénomène de la photosynthèse et leur production en biomasse, elles peuvent être considérées comme des puits de carbone (Kutsch et al., 2010). Cependant, plusieurs facteurs ont des impacts directs sur la photosynthèse comme le type de culture, les propriétés du sol, le climat et les pratiques de gestion des cultures. Par ailleurs, la très forte variabilité spatio-temporelle de la production des cultures rend nécessaire l’étude de leur croissance et de leur rendement. De plus, les propriétés biophysiques comme la hauteur, le LAI et la biomasse sont des informations très importantes pour les fermiers et les agriculteurs, car elles les aident à la prise de décisions pour l’irrigation, l’application des insecticides et les engrais chimiques. Les mesures in-situ classiques des agriculteurs sont souvent très onéreuses et longues à mettre en œuvre et utilisent des méthodes destructives. A l’heure actuelle, peu de travaux ont évalué la technologie LiDAR pour remplacer les mesures directes et estimer les propriétés biophysiques des cultures. Certaines études ont focalisé sur l’analyse des nuages de points de LiDAR TLS (Zhang et al., 2012, Tilly et al., 2014, Eitel et al., 2014) afin d’estimer la hauteur, la biomasse et la quantité d’azote des cultures. D’autres travaux ont retrouvé la hauteur et le LAI avec les données LiDAR points discrets d’un ALS (Davenport et al., 2000, Li et al., 2015). Ce nombre limité de travaux peut s’expliquer d’une part par l’impact de la petite taille des cultures (hauteur) qui limite le temps de retour entre le premier et le dernier écho comparé à ceux d’une forêt, ce qui limite la précision de la détection. D’autre part, la forte densité des cultures peut être considérée comme un facteur limitant puisqu’il diminue le pourcentage de pénétration de l’onde Laser à travers les feuilles. Luo et al., 2016 ont étudié l’effet de la densité des points LiDAR, la taille d’échantillonnage et le seuil de hauteur dans la précision d’estimation de la hauteur, le LAI et la biomasse de maïs. Ils ont obtenu des estimations précises à partir d’un nuage de points ALS avec une densité de 7.32 points /m². Et ils ont conclu que la densité de points a un grand impact sur la précision d’estimation. Cependant, ils ont affirmé qu’une forte densité de points n’améliore pas toujours la précision et qu’une densité moyenne peut donner une estimation raisonnable.
En se comparant avec les retours discrets, les formes d’ondes enregistrent toute l’énergie rétrodiffusée en fonction de la hauteur ce qui implique une description plus complète des diffusions dans la végétation (Hancock et al., 2011). Néanmoins, peu de travaux ont été réalisés sur les cultures avec des formes d’ondes complètes. Par exemple, Gao et al., 2015 ont estimé 75% à 95% de la hauteur de base de maïs en s’appuyant sur l’extraction des premiers retours à partir des points discrets générés après une procédure de dé-convolution des formes d’ondes. Nie et al. (2016) ont estimé le LAI de maïs avec une méthode utilisant la loi de Beer Lambert. Ils ont estimé le LAI avec un RMSE de 0.449 et un coefficient de détermination R²= 0.724.

La modélisation des mesures LiDAR

L’estimation des propriétés biophysiques en s’appuyat sur la technologie LiDAR nécessite la compréhension de l’interaction du faisceau Laser avec la végétation (forêt et cultures). Pour cette raison, des modèles de transfert radiatif sont développés afin de décrire, simuler et interpréter les effets des différentes propriétés des paysages sur les mesures LiDAR. Quelques modèles de simulation de LiDAR sont présentés ci-dessous.

Les différents modèles

GORT

Le modèle GORT « Geometric Optical and Radiative Transfer » combine les principes de l’optique géométrique et du transfert radiatif (Li et al., 1995). Il décrit les effets des paramètres de la structure 3D de la canopée sur les radiations de l’environnement. Il a été modifié par Ni-Meister et al. (2001) pour modéliser le LiDAR puis amélioré par Yang et al. (2011). Ce modèle décrit les formes d’ondes LiDAR en fonction des paramètres de la structure 3D de la végétation. L’optique géométrique permet de décrire l’agglomération des feuilles dans les couronnes des arbres. GORT est appliqué et validé sur des forêts conifères. Cependant, il simule ces forêts avec des arbres très simplifiés qui ont un houppier ellipsoïdal et qui sont distribués aléatoirement. Les diffusions sont simulées à plusieurs ordres mais avec de fortes simplifications (e.g., calcul analytique sans suivi de rayon).

FLIGHT

FLIGHT (Forest Light raditive transfer) est un RTM qui simule la réflectance bidirectionnelle de la végétation et les retours LiDAR. Il applique une méthode de Monte Carlo inverse pour simuler le transport des photons dans une représentation 3D schématique de la végétation (North, 1996). Ce modèle initial a été modifié pour simuler les formes d’ondes complètes LiDAR (North, 2010). La structure de la scène à grande échelle est modélisée par des primitives géométriques définissant les formes et les positions des couronnes et des troncs d’arbres. Le feuillage est représenté par la densité foliaire, la distribution angulaire foliaire, les dimensions de la couronne, la fraction de couverture, les propriétés optiques des feuilles, des branches et la texture du sol. Ce modèle simule les diffusions multiples de l’onde dans la canopée et le sol. Il simule les signaux rétrodiffusés efficacement dans différentes bandes spectrales et prend en compte l’effet de la topologie. Les caractéristiques de l’émission des pulsations ainsi que l’échantillonnage spatial et temporel de l’instrument simulé sont modélisées. Cependant, la simulation des couronnes d’arbres est très schématique et les phénomènes atmosphériques ne sont pas modélisés.

RBL

RBL est un modèle temporel de radiosité (Huang and Wynne, 2013) qui simule la propagation des pulsations LiDAR à travers les milieux forestiers. Il permet de simuler les formes d’ondes LiDAR tenant en considération la topographie et les regroupements de la végétation. Ce modèle est fondé sur le modèle « RGM » (Radiosity Graphics combined Model) développé par (Qin & Gerstl, 2000). Cependant, la notion de temps n’est pas considérée dans RGM. Alors, Huang et Wynne, 2013 ont ajouté la théorie de dépendance de temps-radiosité à RGM afin d’évaluer les diffusions multiples des formes d’ondes LiDAR de point de vue de la radiosité. Les scènes 3D simulées sont générées à partir d’une combinaison de triangles et rectangles. Les entrées générales de RBL sont les positions et hauteurs des arbres, la forme des couronnes (ellipsoïdale, conique, cylindrique), le LAI, la distribution des angles des feuilles (Leaf Angular Distribution, LAD) et le modèle numérique de terrain. Les résultats de simulation des formes d’ondes ont été comparés avec succès (R² > 0.9) aux données du capteur SLICER (Scanning LiDAR Imager of Canopies by Echo Recovery).

DART

Le modèle 3-D de transfert radiatif DART (Discrete Anisotropic Radiative Transfer) est développé au CESBIO depuis 1993 (Gastellu-Etchegorry et al., 1996). Il est l’un des plus précis et complets MTR (Gastellu et al., 2008). Il est utilisé dans de nombreux centres de recherches (e.g., NASA GSFC, CNES) et universités pour de multiples applications scientifiques comme l’inversion des images de télédétection (Gascon et al., 2004), la conception de futurs capteurs satellites comme le LiDAR à la NASA (https://decadal.gsfc.nasa.gov/DESDynI.html) et au CNES (Durrieu et al., 2013), l’étude de la fluorescence et de la photosynthèse des couverts végétaux (Guillevic & Gastellu-Etchegorry, 1999), l’impact des structures de canopée sur la texture des images terrestres (Bruniquel-Pinel & Gastellu-Etchegorry, 1998), l’étude des forêts tropicales (Barbier et al. 2012), etc.
L’Université Paul Sabatier distribue DART sous licence libre pour la recherche et pour l’enseignement en télédétection et bilan radiatif. DART permet de simuler à la fois la réflectance, la température de brillance, les mesures LiDAR et le bilan radiatif des paysages naturels et urbains, pour toute configuration expérimentale (relief, atmosphère, architecture de la canopée, etc.) et instrumentale (direction d’observation, etc.). DART a été validé dans le cadre de l’expérience RAMI (Widlowski et al., 2007) d’intercomparaison de modèles. Dans cette recherche, DART a été choisi pour inverser les formes d’ondes LiDAR et trouver les propriétés biophysiques de la végétation (hauteur, LAI,…). C’est pour cette raison qu’il est bien détaillé dans la section suivante.

DART: théorie, fonctionnalités et produits

Généralités

DART simule la propagation du rayonnement dans le domaine optique entier et l’infrarouge thermique dans le système Terre-Atmosphère. Il opère sur des paysages naturels hétérogènes (forêts, prairies, etc.) et urbains (bâtiments, maisons, etc.) en trois dimensions en tenant compte de la topographie et de l’atmosphère. Les paysages sont simulés dans DART comme une juxtaposition tridimensionnelles de facettes (c’est-à-dire des triangles et parallélogrammes) et/ou de cellules « voxels » remplis de matière turbide ou fluide. Un milieu fluide est défini par la densité, section efficace, albédo de diffusion simple et fonction de phase de ses composants. Un milieu turbide correspond à une description de la végétation. Il est défini par les propriétés optiques et la densité volumique foliaires ainsi que par une fonction statistique qui décrit la distribution angulaire des feuilles. Les facettes permettent aussi de simuler la végétation. D’une manière générale, elles permettent de simuler tout élément non fluide (i.e., bâti, topographie, éléments ligneux, etc.). Elles permettent même de simuler des milieux turbides, sous réserve d’être suffisamment nombreuses et petites. Elles sont définies par leurs orientations, leurs aires et leurs propriétés optiques. Pour les feuilles, ces dernières sont simulées dans DART avec les modèles Prospect-4/5 (Jacquemoud & Baret 1990) et Fluspect (van der Tol et al., 2009). De plus, DART peut aussi simuler des scènes complexes tridimensionnelles avec des matrices 3D de LAI ou des objets 3D importés (arbres, blé, maïs, etc.) constitués de facettes avec des bases de données SQL multi-spectrales qui identifient les propriétés géométriques et optiques de l’atmosphère et celles des paysages (végétation, bâtiment,…). Par ailleurs, les végétaux simulés avec des facettes peuvent si besoin être converties en milieu turbide 3D. Cette transformation est très utile si le couvert végétal est simulé avec un nombre de facettes très important pour les moyens informatiques disponibles. Une autre caractéristique de DART, très utile pour les études de sensibilité et les approches d’inversion (Ben Hmida et al., 2017), est de pouvoir exécuter des séquences de simulations où un ensemble de paramètres d’entrées varie de manière quelconque.
Une interface graphique (IHM) permet de créer, modifier, configurer et exécuter les modules de DART. Ainsi, elle permet de saisir les paramètres de toute configuration expérimentale: altitude, résolution spatiale et temporelle du capteur, direction solaire et d’observation, propriétés de l’atmosphère, architecture et propriétés optiques du paysage étudié. De plus, elle affiche les produits simulés. DART fournit trois types majeurs de produits :
– Les mesures de télédétection (satellite, avion, in-situ) de LiDARs et spectromètres visible à infrarouge thermique.
– Le bilan radiatif : distribution 3D du rayonnement intercepté, absorbé, réfléchi, émis.
– Fluorescence chlorophyllienne induite par le rayonnement solaire.
La Figure 1-10 montre le menu de l’IHM dédié à l’importation et gestion d’objets 3D. La position, taille et rotation de tout objet 3D peut être définie (Figure 1-10.c). Un objet 3D peut être constitué de plusieurs groupes, ce qui permet d’associer des propriétés optiques par groupe. L’objet 3D de la Figure 1-10.b est un merisier au format obj. Il comprend deux groupes : « Leaves » pour les feuilles et « TrunkAndBranches » pour le tronc et les branches. La propriété optique lambertienne « FEUILLE » est attribuée au groupe « Leaves » (Figure 10.b). L’onglet « Optical and temperatures properties » de l’IHM permet de calculer les propriétés optiques avec le modèle Prospect/Fluspect (Figure 1-11) ou de les définir avec une base de données SQL de DART.

Méthodologie d’inversion de mesures LiDAR

Vu la différence des objectives et de la méthodologie d’inversion développée, nous allons présenter séparément les culturaux et les forêts.

Paramètres culturaux

Les cultures comme les céréales; riz, maïs, blé, orge, tournesol, … sont des éléments importantes dans la nourriture des humains et des animaux puisqu’ils fournissent l’énergie et les protéines nécessaires à leurs croissances et à leurs santés. La hauteur et le LAI sont parmi les principaux paramètres biophysiques à estimer pour l’étude du comportement et la croissance des cultures. Ce travail propose l’inversion des formes d’ondes complètes LiDAR afin d’estimer la hauteur, le LAI et la réflectance du sol. Particulièrement, nous allons explorer l’inversion des modèles de transfert radiatif qui lient les observations LiDAR aux propriétés biophysiques de la végétation. L’inversion de tels modèles est considérée comme un problème entièrement paramétré. Le LUT « Look Up Table », le QNT « Quasi-Newton » et le NNT « Neural Network » (Bye et al., 2016, Koetz et al., 2006, Combal et al., 2003) sont les techniques les plus populaires utilisées pour trouver une solution à un tel problème d’inversion. La méthode LUT qui a été largement utilisée avec succès pour inverser les formes d’ondes LiDAR pour l’estimation des paramètres biophysiques forestiers (Koetz et al., 2007, Koetz et al., 2006, Bye et al., 2016), est parmi les plus simples à mettre en œuvre et moins exigeante en termes de calcul par rapport aux autres méthodes. En effet, elle cherche à partir d’une table d’observations simulées avec DART et dont les paramètres culturaux sont connus, la simulation dont l’observation est la plus proche de la mesure réelle sans exigence d’information a priori comme dans la méthode QNT qui consiste à chercher l’observation qui soit bien proche de l’observation et avec des paramètres culturaux avoisinant les valeurs a priori. En outre, LUT et QNT n’ont pas besoin d’une grande base de données d’apprentissage comme le NNT qui dans la phase d’apprentissage a besoin de bien explorer l’espace des solutions de façon à pouvoir modéliser le comportement non-linéaire du modèle.
Ici, nous étudions la possibilité d’inverser les formes d’ondes LiDAR à faible empreinte pour retrouver les propriétés principales comme la hauteur et le LAI des champs de cultures. L’approche d’inversion repose sur la méthode LUT qui comporte deux phases. La première consiste à échantillonner l’espace des solutions des paramètres à estimer. Cette tâche s’exécute seulement une fois pour toutes les inversions possibles. C’est la phase de génération de la table LUT des formes d’ondes LiDAR qui sont simulées avec le modèle DART. La deuxième phase s’exécute une fois l’observation LiDAR est disponible, elle consiste à chercher dans l’espace des solutions déjà pré-calculé de LUT celle qui convient le plus, i.e. la forme d’onde simulée la plus proche de la forme d’onde mesurée.

Génération du LUT

La génération de LUT se fait par la simulation d’un grand nombre d’observations LiDAR pour différentes réalisations de champs de cultures et suivant une configuration précise du capteur LiDAR à simuler dont on connait à l’avance ses caractéristiques. Nous avons travaillé dans cette thèse sur deux types de cultures ; le maïs et le blé. Des maquettes réalistes par culture sont construites avec des paramètres d’entrée constants et d’autres variables. Les entrées fixes sont les paramètres caractéristiques des cultures lors de leur plantation issus des mesures terrain ou de la bibliographie comme le nombre de pieds plantés par m², la distance inter-rang et la distance entre pieds pour chaque type. Aussi, les propriétés optiques des feuilles sont dérivées du modèle des feuilles PROSPECT « Prospect leaf model » (Jacquemoud & Baret 1990) avec les entrées du modèle par type de cultures, obtenues à partir de la base de données LOPEX (Holmgren & Persson, 2004). Les paramètres variables sont les inconnus comme l’élongation de la tige, le développement des feuilles (LAI), la présence des épis, le développement des graines,… pour chaque stade de croissance des plantes. Les Tableaux 2-1 et 2-2 montrent respectivement les valeurs des deux paramètres constantes ; la densité des pieds de cultures et l’espace entre pieds, et la plage des trois paramètres d’entrées variables ; la réflectance du sol, la hauteur des pieds de cultures et le LAI. Une telle représentation a été mise en place afin d’aboutir à une représentation comparable à la croissance naturelle et réelle des champs de cultures pour chaque réalisation de maquette dans DART. En particulier, l’échelle BBCH acronyme de «Biologische Bundesanstalt, Bundessortenamt and Chemical Industry» (Meier, 2001) a été utilisée pour définir les caractéristiques des pieds par type de cultures pour chaque stade de croissance ; les formes des feuilles, le nombre de feuilles par pied, la distance entre les feuilles et la présence des organes de la plante (e.g., épis, maïs, graines, etc) suivant la longueur du pied.
Dans l’objectif de construire des maquettes 3D des plantes réalistes suivant différents stades d’évolution, les maquettes informatiques (objets 3D) des plantes de maïs et de blé de la base de données de DART sont modifiées et adaptées par l’ajout, la suppression des feuilles et le redimensionnement des différents organes des plantes à l’aide du logiciel libre « Blender7 » qui fournit des outils puissants de construction et de modification des objets 3D. DART utilise par la suite ces objets 3D pour créer les maquettes de champs réalistes de maïs et de blé. La surface de ces maquettes est 9 m². Les Figures 2-1 et 2-2 montrent quelques exemples de maquettes des champs de cultures suivant différents stades de croissance.
Pour chaque maquette, différentes positions d’empreintes LiDAR (faible empreinte 22 cm) sont simulées afin d’avoir différentes réponses LiDAR ; réponse uniquement du sol, ou réponse d’un mélange de sol et de végétation ou encore réponse pure de végétation permettant ainsi de reproduire toutes possibilités de mesures réelles. Par la suite, pour annuler la dépendance à la position d’acquisition, les formes d’ondes LiDAR sont moyennées pour obtenir une représentation statique du signal LiDAR qui est enregistrée par la suite dans le LUT. Ce signal sera par la suite comparé à une mesure LiDAR moyennée localement assurant ainsi la compatibilité simulation-mesure.

Validation à partir de simulations DART

Cultures

La validation de la méthode d’inversion LUT des formes d’ondes LiDAR sur les cultures est faite à l’aide des simulations du modèle DART. En effet, nous avons effectué deux tests de validation sur les cultures de maïs : le premier test consiste à chercher les propriétés biophysiques des maquettes de maïs simulées par DART sans ajouter des incertitudes supplémentaires (cas de référence). Le deuxième test consiste à modifier la géométrie de la maquette pour laquelle on cherche à estimer les paramètres par rapport aux simulations dans le LUT. En particulier, on a appliqué une certaine rotation sur les pieds de maïs par rapport aux maquettes du LUT.
En termes de caractéristiques du capteur utilisé dans les simulations DART, nous avons choisis celles du capteur réel que nous avons utilisé pour valider notre étude dans le chapitre suivant. Ainsi, la longueur d’onde est prise égale à 1064 nm, l’altitude du capteur est de 1,115 Km, l’empreinte LiDAR est de rayon 12 cm et le pas d’échantillonnage de la forme d’onde est égal à 30 cm (2 ns).
Les maquettes de maïs simulées dans le LUT sont de taille . Chaque maquette correspond à un stade d’évolution, une hauteur et LAI données et couvrant un sol à une réflectance donnée. Les intervalles de variation des différents paramètres sont déjà présentés dans le Tableau 3. Les pas d’échantillonnage pour construire le LUT sont comme suit : 10 cm pour l’élongation de la tige de maïs et 0,1 pour la réflectance de sol. Ces maquettes sont construites avec des pieds de maïs d’une densité égale à 9 pieds par mètre carré et d’une distance entre rangée égale à 0.775 m. Ces paramètres sont prélevés des mesures terrains sur le champ de maïs que nous avons utilisé pour valider notre étude dans le chapitre suivant. Les simulations LiDAR sont par la suite effectuées en considérant le capteur déjà décrit dans le paragraphe d’avant. Différentes positions d’empreintes LiDAR sont simulées pour chaque maquette et par la suite une forme d’onde moyenne est calculée pour représenter le champ de maïs souhaitant chercher les caractéristiques (hauteur et LAI).
La réflectance de sol est maintenue à 0.4 pour les maquettes simulées que nous souhaitons chercher leurs propriétés biophysiques.
 Cas de référence (sans incertitude)
Ce test consiste à trouver la hauteur, LAI et la réflectance de sol de quinze différentes maquettes simulées par DART. Le but de ce test est de montrer les performances maximales de la méthode d’inversion sans ajouter des incertitudes sur la géométrie de la maquette. La Figure 2-5 montre les résultats d’estimation versus les paramètres réels simulés. Les résultats d’inversion montrent une bonne précision des propriétés biophysiques de maïs avec un RMSE de 5 cm pour la hauteur, 0.13 pour le LAI et 0.045 pour la réflectance de sol. La Figure 2-6 montre une comparaison des formes d’ondes simulées pour deux champs de maïs souhaitant chercher leurs caractéristiques avec les formes d’ondes de LUT les plus proches. Le premier champ avec de petits pieds de maïs de 58 cm (a), le deuxième avec de pieds de maïs moyens avec 90 cm d’hauteur et le troisième avec de grands pieds avec une hauteur de 1.47 m (c). Les résultats montrent une grande ressemblance entre les deux formes d’ondes (e.g., confondu pour (b)). Cela prouve que la méthode d’inversion a bien retrouvé la forme d’onde de LUT la plus proche à celle souhaitant trouver ses propriétés.

Paramètres culturaux dérivés de mesures LiDAR

Avec une surface agricole importante, environ 27 millions d’hectares, presque la moitié de la superficie du territoire conçue pour l’agriculture, la France est globalement le premier producteur agricole en Europe. Elle a une production d’une grande diversité ; maïs, blé, tournesol, colza,… etc.
Parmi les grandes cultures, le blé et le maïs sont les plantes les plus cultivés en France. Le blé est la première céréale produite avec une moyenne de 6 millions d’hectares et le maïs est la seconde céréale avec environ 3 millions d’hectares (grain, fourrage, semence, doux) de la superficie française. La production moyenne de blé ces dernières années est environ 31 millions de tonnes, elle a atteint son apogée en 2012 avec 36.6 millions de tonnes, mais elle reste fluctuante, elle a par exemple diminuée jusqu’à 28 millions de tonnes en 2016. Quant au maïs, sa production oscille entre 15 et 18 millions de tonnes.
Vu la grande importance de ces deux céréales dans la sécurité alimentaire, le suivi de leur santé et de leur croissance s’avère nécessaire. Dans ce cadre, nous nous proposons de faire leur étude en utilisant les données LiDAR acquises le 23 juin 2015. Ces données sont fournies par le projet Agriculture-Health-SPECTrometry (AHSPECT) soutenu par le programme EUFAR et coordonné par le centre national des recherches météorologiques (CNRM). Ce programme a pour objectif de contribuer au suivi de la santé des cultures dominantes ; maïs, blé, tournesol dans le sud-ouest de la France. Ainsi, dans ce chapitre, nous allons adapter et valider l’approche d’inversion des données LiDAR sur les cultures décrite dans le Chapitre 2 afin d’estimer les propriétés biophysiques des champs de maïs et de blé comme la hauteur, le LAI et la réflectance du sol.

Zones agricoles étudiées

Dans cette étude, nous avons étudié deux parcelles à Lamothe et Auradé situées à la Haute Garonne en France. Elles sont parmi les sites expérimentaux de centre d’études spatiales de la Biosphère (CESBIO).

Parcelle expérimentale de Lamothe

La parcelle Lamasquère est une surface agricole qui appartient à la ferme laitière expérimentale de Lamothe, elle est sous la propriété de l’Ecole d’Ingénieur de Purpan et située sur les terrasses de la Garonne en Haute Garonne. Ses coordonnées géographiques sont (43°29’47.7″N, 1°14’15.9″E) (Figure 3-1). Le site est caractérisé par une rotation « maïs-blé-maïs-tournesol ». Il est caractérisé par des étés chauds et secs. Durant les années de maïs, la parcelle est irriguée et reçoit une fertilisation mixte ; minérale et organique. La quasi-totalité des parties aériennes de maïs sont ensilées pour l’alimentation du bétail. A la date de la compagne LiDAR du projet AHSPECT le 23 juin 2015, la majorité des surfaces agricoles de Lamasquère, environ 25 hectares, sont plantées par le maïs.

Table des matières

Chapitre 1 : Fondement théorique
Introduction
1. Transfert radiatif
1.1. Mesures et unités
1.2. Propagation du rayonnement
2. Télédétection LiDAR
2.1. Définition et principe
2.2. Types de LiDAR
2.3. Apports du LiDAR pour l’étude des couverts végétaux
3. La modélisation des mesures LiDAR
3.1. Les différents modèles
3.2. DART: théorie, fonctionnalités et produits
Conclusion
Chapitre 2 : Estimation des variables biophysiques de la végétation
Introduction
1. Méthodologie d’inversion de mesures LiDAR
1.1. Paramètres culturaux
1.2. Paramètre forestier
2. Validation à partir de simulations DART
2.1. Cultures
2.2. Couverts arborés
Conclusion
Chapitre 3 : Paramètres culturaux dérivés de mesures LiDAR
Introduction
1. Zones agricoles étudiées
1.1. Parcelle expérimentale de Lamothe
1.2. Parcelle expérimentale d’Auradé
2. Données LiDAR
3. Estimation et validation des paramètres culturaux (LAI, Hauteur)
3.1. Méthodologie d’inversion
3.2. Résultats
Conclusion
Chapitre 4 : Paramètres forestiers dérivés de mesures LiDAR
Introduction
1. Zone forestière étudiée
2. Données LiDAR
3. Estimation des paramètres forestiers
3.1. DTM et préparation des points 3D
3.2. Segmentation
3.3. Estimation de la hauteur
3.4. Estimation de LAI
4. Validation des paramètres forestiers
4.1. DTM et nuage de points 3D
4.2. Segmentation
4.3. Hauteur des arbres des parcelles
4.4. LAI des parcelles
Conclusion
Conclusion générale & perspectives
Bibliographies

Télécharger le rapport complet