Soutenance mémoire
Le LiDAR, donnée privilégiée pour l’inventaire forestier
Définition
La technologie LiDAR est une technique de mesure de distance basée sur l’analyse des propriétés d’un faisceau lumineux généré par un système LASER et renvoyé vers son émetteur. Dans le cas de systèmes d’acquisition aérien (ALS) la portée, distance séparant le capteur et la surface ayant provoqué le retour, est déduite de l’analyse du temps de parcours aller-retour de l’onde lumineuse mesurée par une horloge à haute fréquence.
Composition d’un système ALS et positionnement des retours
On distingue les systèmes LIDAR terrestres (TLS) et aéroportés (ALS).
Principalement embarqués à bord d’avions ou d’hélicoptères, les systèmes ALS sont particulièrement utiles pour démasquer le relief et fournir des informations détaillées sur le sol. Les principaux produits dérivés des survols sont les MNT (Modèles Numériques de Terrain) et les MNS (Modèles Numériques de Surface).
Un système LIDAR aéroporté est constitué de deux systèmes principaux : un système POS, comprenant un système de positionnement GPS couplé à une centrale inertielle, permet d’obtenir la position ainsi que l’orientation du capteur. Un système “LSS”, d’autre part, Figure 8: Représentation de type « billboard » texturé des arbres comprenant la technologie LIDAR ainsi qu’un miroir à balayage (scanner), permet de générer et d’orienter le faisceau lumineux. Finalement, connaissant les coordonnées de l’origine du faisceau, sa portée ainsi que son orientation, on en déduit les coordonnées du point ayant généré un retour.
Un algorithme automatique de détection et de segmentation de la végétation
Nous présentons ici l’algorithme automatique de détection et de segmentation de la végétation développé en 2017 par C. DOCEUL exploitant une méthode traditionnelle d’ITCD basée sur l’analyse d’un modèle numérique de canopée.
Une approche traditionnelle et robuste
Dans les années 1980, les recherches relatives à la détection et la segmentation de la végétation reposaient alors uniquement sur des images satellitaires ou autres données aériennes (imageries) peu adaptées, au vu de leurs résolutions, à des analyses menées à l’échelle de l’arbre. La démocratisation de l’acquisition de données de télédétection à haute résolution au début du XXIe siècle s’est accompagnée d’une forte croissance de l’utilisation des données actives et notamment de la donnée LiDAR, dont l’utilisation a augmenté de 80% entre 1990 et 2015, jusqu’à représenter aujourd’hui 97% de la donnée utilisée dans le domaine Zhen Zhen et al [21]. Depuis les vingt dernières années, de nombreux algorithmessemi- et totalement automatiques ont été développés. Ils peuvent être classés selon quatre grandes catégories d’approches : Orientée raster (pour la grande majorité, 66%), orientés nuage de points (20.6%), combinant les deux (9.6%) ou encore visant à reconstruire la forme des arbres (3.7%). Parmi ces quatre catégories c’est sans grande surprise que nous constatons une utilisation privilégiée de la première catégorie. L’utilisation de données passives ayant prédominé jusque dans les années 2005, ces méthodes reposent sur un socle solide de recherches et de développement. Elles consistent à calculer des modèles numériques de canopée (CHM) à partir desquels les cimes et couronnes sont ensuite détectées puis segmentées à l’aide de maxima locaux et d’algorithmes de « bassins versants ».
Prétraitements : Nettoyage du nuage LiDAR
La phase de prétraitement a pour objectif principal d’isoler les points appartenant au sous-ensemble constituant la végétation du reste du nuage LiDAR.
D’un point de vue purement théorique, cette étape ne consiste qu’en la sélection des points labellisés selon l’un des trois codes numériques (3, 4 ou 5) associés aux classes de végétation basse, moyenne et haute. Toutefois, la pré-classification réalisée par l’IGN présente une confusion entre les classes « bâtis » et « végétation ». Un nettoyage complémentaire est nécessaire.
L’algorithme développé par C. Doceul [4] prévoit un nettoyage du nuage de points LiDAR basé sur une technique dite « d’emporte-pièce ». Considérant les couches de données relatives aux emprises des bâtiments et autres mobiliers urbain sur le territoire de la métropole, la méthode consiste à supprimer les points contenus à l’intérieur de ces surfaces (méthode illustrée par la figure 15).
Calcul d’un modèle numérique de hauteur de canopée (MHC)
Le MHC et le MNT comptent parmi les principaux produits dérivés des levés LiDAR aériens. Cette transformation de la donnée discrète (nuage de points) en une donnée raster constitue une phase dite « de rasterisation », réalisée au cours de la deuxième phase de l’algorithme avec le logiciel de traitement de données LiDAR ; FUSION/LDV.
Développé par l’USDA Forest Service (USFS), agence du département de l’Agriculture des États-Unis en charge de la gestion des forêts nationales du pays, FUSION/LDV est un logiciel gratuit permettant de combiner à la fois la manipulation de données LiDAR et leur analyse cartographique grâce à une interopérabilité de formats d’échanges avec des logiciels de SIG (ArcGIS de ESRI, QGis, …). ESRI.
Par définition, une image numérique est une matrice de pixels et, la distance séparant deux pixels correspond au pas (ou résolution) de celle-ci. On choisit ici un pas de 0.5m pour le MNT comme pour le MHC ce qui veut dire qu’une grille de pixels de dimensions 0.5 × 0.5? vient se superposer aux sous-ensembles de points correspondants (le sol-nu pour le MNT et la végétation pour le MNS) et que chacun prend la valeur altimétrique moyenne des points qu’il contient.
Tentative d’amélioration de la segmentation
Ayant remarqué des phénomènes de sur ou de sous-segmentation dans les zones de végétation denses, C. Doceul [4] avait envisagé d’accentuer les sommets du MHC par une pondération avec un raster de pente. Les pentes, approximativement nulles à la cime des arbres (maximum local), constituent théoriquement un moyen efficace d’identifier ces points stratégiques.
L’algorithme prévoit donc un lissage du MHC initial (MHC médian) par l’application d’un filtre gaussien (MHC dit « gaussien ») à partir duquel un raster de pentes est calculé puis utilisé pour pondérer le MHC initial (MHC dit « pondéré ») (figure 20). Le coefficient de pondération, noté X, est adapté en fonction du type de zone « ouverte » ou « fermée ».
Reconstruction 3D de la végétation : Etat de l’Art
Techniques de reconstruction d’arbres en 3 dimensions
S’il existe aujourd’hui de nombreux travaux portant sur la détection et la segmentation de zones végétalisées basés sur des données de télédétection (images photogrammétriques ou satellitaires et levers LiDAR), leur reconstruction 3D, en revanche, ne fait pas l’objet d’une littérature abondante. Néanmoins, nous pouvons y distinguer deux types d’approches, chacune susceptible d’utiliser des données satellitaires à haute résolution, photogrammétriques ou encore lasergrammétrique : la reconstruction architecturale d’une part Landes et al [12] et celle de la canopée d’autre part Zhen Zhen et al [25].
Visant une reconstruction très fine de la forme des arbres, la première approche s’appuie sur des nuages terrestres de plusieurs millions de points pour chaque arbre. Plus approximative, et limitée à la caractérisation géométrique de la forme des arbres (volume, surface, limites …), la reconstruction de la canopée s’appuie sur des acquisitions aériennes moins denses mais couvrant des zones très vastes.
Une première section s’intéressera d’abord brièvement aux techniques de reconstructions de l’architecture des arbres puis, dans une seconde, nous aborderons des méthodes d’estimation de formes plus générales et notamment l’approche par formes dites « alpha ».
Reconstruction 3D architecturale d’arbres individuels d’après des données terrestres
Considérant des nuages de points très denses (plusieurs millions de points) acquis par système LiDAR terrestre, Bournez et al [2] écartent l’hypothèse de la reconstruction surfacique (ou «meshing ») qui produit un volume de données trop important et ne facilite pas l’interprétation des caractéristiques géométriques des arbres. Ils citent en revanche deux autres approches majeures : l’ajustement de primitives géométriques à un nuage de points et la squelettisation.
Il existe aujourd’hui de nombreuses méthodes de reconstruction d’arbres individuels basées sur l’ajustement de primitives géométriques sur des nuages terrestres denses. De manière générale, la primitive cylindrique est privilégiée Rahman et al. [18], Pfeifer, et al [17] car considérée comme la seule parvenant à reconstruire le tronc et les branches d’un arbre selon un modèle réaliste rendant compte de leurs différentes connectivités et produisant des volumes de bois précis (figure 23).
De la segmentation des arbres au clustering du nuage de points LiDAR aérien
La reconstruction 3D des arbres depuis un nuage de points LiDAR aérien nécessite le « clustering » préalable de la donnée discrète en sous-ensembles indépendants (clusters). Le clustering consiste en un découpage de la donnée LiDAR en sous-groupes réunissant l’ensemble des points appartenant à un même arbre. Or, l’identification des différents arbres au sein d’un nuage de points constitue une problématique dite de « segmentation » de la végétation, problématique abordée en 2017 dans les travaux C. Doceul [4] selon une approche dite « basée raster » Zhen Zhen et al [25].
Figure 24: Illustration du principe de la squelettisation selon Coa et al. 2010. A gauche un nuage de point, à droite le squelette et ses connexités
Figure 25 : Résultats obtenus par l’implémentation de l’algorithme de Cao et al à un arbre individuel. De gauche à droite ; le nuage de points LiDAR, le squelette, le squelette de pousses (extrémité des branches) Crédit : Tania et al.
Cette approche de segmentation constitue la première des quatre approches définies par Zhen Zhen et al [25]. Une deuxième approche, dite « mixte », intégre la donnée LiDAR en la découpant suivant les polygones issus de la première. Par cette opération (Reitberger et al, [19] C. Doceul[4]), nous réalisons le « clustering » de notre nuage de points et obtenons les sous-ensembles (clusters) propres à chaque arbre. La troisième approche est dite « orientée nuage ». Dans cette hypothèse, les clusters sont directement identifiés au sein de la donnée LiDAR grâce à des algorithmes de K-moyenne ou de voxelisation. Disposant déjà dans notre cas de sous-ensembles générés selon une approche mixte, nous ne développerons pas plus ces techniques. Enfin, la quatrième approche est dite « orientée reconstruction de forme ». Elle s’appuie sur des clusters réalisés au préalable par l’une des techniques précédentes et regroupe différentes techniques géométriques de reconstruction 3D de formes à partir de données discrètes. Parmi les deux plus connues : les techniques de « convex hull » et d’« alpha shape » ont déjà très largement fait leurs preuves dans le domaine de la reconstruction 3D d’arbres individuels.
Reconstruction 3D d’arbres individuels d’après des données LiDAR aériennes
Les techniques géométriques de reconstruction de formes à partir d’échantillons discrets de points d’enveloppe convexe (« convex hull ») et de formes alpha (« alpha shape ») sont étroitement liées à triangulation dite « de Delaunay » et à son graphe dual : le diagramme de Voronoï. Intéressons-nous donc dans un premier temps à la notion de subdivision de l’espace selon des régions de Voronoï ou des triangles de Delaunay.
Modélisation 3D de la végétation de Rennes Métropole
Nous avons présenté nos données (LiDAR et 3D), les travaux de détection et de segmentation réalisés par C. DOCEUL ainsi qu’un état de l’art relatif aux techniques existantes en matière de reconstructions d’objets 3D à partir de données discrètes, intéressons-nous donc maintenant au cœur de ce travail de recherche : La reconstruction 3D de la végétation de Rennes Métropole.
Nous l’avons vu en II.1.2, le service SIG dispose d’ores et déjà d’un module de reconstruction de type billboards de la végétation mais peu adapté à la réalisation de simulations urbaines pertinentes.
Parmi les différentes méthodes présentées en IV, nous considérons l’utilisation des formes alpha comme la solution la plus adaptée à notre problématique. En effet, permettant d’estimer au plus près la forme suggérée par un nuage de points selon un niveau de détail paramétrable, elles présentent un intérêt particulier pour la reconstruction d’objets destinés à être intégrés dans une maquette 3D.
Préparation de la clusterisation du nuage de points LiDAR : Adaptation de l’algorithme de détection et de segmentation
Pré-traitements : Extraction de la végétation
L’objectif principal de cette première étape est d’extraire du nuage LiDAR le sous ensemble constituant la végétation. Théoriquement, sur la base d’un nuage finement classifié (selon les spécifications de l’ASPRS), cela se résumerait à sélectionner les points labellisés selon les codes numériques 3, 4 et 5 distinguant respectivement la végétation basse, moyenne et haute. Or, comme nous l’avons déjà remarqué une confusion existe entre les classes « bâti » et « végétation ». En effet, nous observons dans ce sous-ensemble la présence de points résiduels pouvant appartenir à des toitures, balcons ou encore arêtes de façades.
Suppression des résidus de bâtiments
Dans l’algorithme de C. Doceul, les points résiduels de bâtis sont détectés à l’intérieur de surfaces définies par les emprises des bâtiments. D’un point de vue 3D, cette technique tend à supprimer l’ensemble des points se trouvant à l’intérieur d’un emporte- pièce de hauteur infinie, impactant alors la végétation pouvant surplomber certains bâtiments. Pour limiter l’impact du nettoyage sur la végétation, il est nécessaire de considérer un seuil de hauteur maximale de détection des points de bâtis définie par la hauteur effective de ces constructions. La modélisation des bâtiments en LoD 2 rend compte de la forme de leur toit (I.2.2.2). La couche de donnée correspondante est exploitable dans la plupart des logiciels de manipulation de donnée 3D dont CloudCompare. Considérant, d’une part, le sous-ensemble de points « végétation » et, d’autre part, la couche 3D du bâti, il est possible de sélectionner les points se trouvant dans un intervalle de distance fixé par rapport aux faces constituant les bâtiments (plugin « Cloud/Mesh).
Estimant très largement une profondeur de balcon de 1.5m, nous sélectionnons puis supprimons les points se trouvant dans un intervalle de 0 à 1.5m par rapport à chacune des faces de ces solides (figures 42 et 43).
Détection et segmentation des arbres
Considérant à présent deux nuages de points en entrées : le nuage LiDAR brut et le « nuage végétation », nous adaptons les étapes de calcul du CHM et de détection et segmentation de la végétation.
Calcul d’un modèle numérique de canopée
Initialement prévue pour ne considérer qu’un seul nuage de points en entrée, nous adaptons la méthode de calcul du CHM développée par C. Doceul pour que celle-ci considérer nos deux nuages de points : le LiDAR brut comme source de calcul du MNT et, le « nuage végétation » comme source de calcul du MHC.
Sur la base du nuage LiDAR brut, la fonction « GroundSurfaceCreate » de FUSION génère d’abord une grille MNT avec une résolution de 0.5m. S’appuyant ensuite sur ce MNT et considérant le nuage de points « végétation », la fonction « CanopyModel » génère dans un second temps un CHM de résolution identique. Enfin, un filtre médian est appliqué pour affecter une valeur interpolée aux pixels vides de la matrice. Nous pouvons observer l’impact positif de notre phase de prétraitement des données sur le calcul du CHM où nous ne sommes distinguons que peu de résidus (figure 48).
|
Table des matières
Remerciements
Liste des abréviations
Glossaire
Table des matières
Introduction
I LE SERVICE SIG DE RENNES ET LE PROJET 3DEXPERIENCE CITY
I.1 STRUCTURE D’ACCUEIL
I.1.1 Rennes Métropole
I.1.1.1 Présentation
I.1.1.2 Compétences métropolitaines
I.1.1.3 Un label « Ville intelligente et mobilité »
I.1.2 Le service de l’Information Géographique de Rennes, Ville et Métropole
I.1.2.1 Un service mutualisé
I.1.2.2 Indicateurs d’activités
I.1.2.3 Le pôle Cartographie et Diffusion 2D/3D
I.2 LES MAQUETTES NUMERIQUES DE RENNES METROPOLE
I.2.1 Les usages de la maquette 3D : Exemple Rennais
I.2.1.1 La communication territoriale
I.2.1.2 La médiation urbaine
I.2.1.3 La médiation professionnelle
I.2.1.4 L’Aide à la décision
I.2.1.5 3DEXPERIENCE City Virtual Rennes : Vers une plateforme collaborative
I.2.2 La structure de la maquette 3D
I.2.2.1 Une maquette construite avec Rhinocéros 3D
I.2.2.2 Une maquette de LoD2
I.2.2.3 3D EXPERIENCECity Virtual Rennes : Le City Information Modeling
II DES DONNEES 3D ET DES DONNEES LIDAR
II.1 LA BASE DE DONNEES 3D DU SERVICE SIG
II.1.1 Les bâtiments dans la maquettes 3D
II.1.1.1 Le bâti sur le territoire de la ville de Rennes
II.1.1.2 Le bâti sur le territoire des autres communes de la métropole
II.1.2 La végétation dans la maquette 3D
II.2 UN NUAGE DE POINTS LIDAR
II.2.1 Le LiDAR, donnée privilégiée pour l’inventaire forestier
II.2.1.1 Définition
II.2.1.2 Composition d’un système ALS et positionnement des retours
II.2.1.3 Plusieurs types de LIDAR
II.2.1.4 Décomposition des retours
II.2.2 Le nuage de points LiDAR
II.2.2.1 Une acquisition effectuée par l’IGN
II.2.2.2 Un nuage de points pré-classifié par l’IGN
III UN ALGORITHME AUTOMATIQUE DE DETECTION ET DE SEGMENTATION DE LA VEGETATION
III.1 UNE APPROCHE TRADITIONNELLE ET ROBUSTE
III.2 UN ALGORITHME EN SIX PHASES
III.2.1 Prétraitements : Nettoyage du nuage LiDAR
III.2.2 Calcul d’un modèle numérique de hauteur de canopée (MHC)
III.2.3 Détection et segmentation de la végétation
III.2.4 Partition des arbres en zones dites « ouvertes » et « fermées »
III.2.5 Tentative d’amélioration de la segmentation
III.2.6 Un manque de gestion des systèmes de coordonnées
IV RECONSTRUCTION 3D DE LA VEGETATION : ETAT DE L’ART
IV.1 TECHNIQUES DE RECONSTRUCTION D’ARBRES EN 3 DIMENSIONS
IV.1.1 Reconstruction 3D architecturale d’arbres individuels d’après des données terrestres
IV.1.2 De la segmentation des arbres au clustering du nuage de points LiDAR aérien
IV.1.3 Reconstruction 3D d’arbres individuels d’après des données LiDAR aériennes
IV.1.3.1 Diagramme de Voronoï et triangulation de Delaunay
IV.1.3.2 Estimateur convexe
IV.1.3.3 Estimateur α-convexe
IV.1.3.4 Reconstruction par formes « alpha »
V MODELISATION 3D DE LA VEGETATION DE RENNES METROPOLE
V.1 PREPARATION DE LA CLUSTERISATION DU NUAGE DE POINTS LIDAR : ADAPTATION DE
L’ALGORITHME DE DETECTION ET DE SEGMENTATION
V.1.1 Pré-traitements : Extraction de la végétation
V.1.1.1 Suppression des résidus de bâtiments
V.1.1.2 Nettoyage par test statistique : Statistical Outlier Removal
V.1.1.3 Nettoyage par analyse de densité
V.1.2 Détection et segmentation des arbres
V.1.2.1 Calcul d’un modèle numérique de canopée
V.1.2.2 Détection et segmentation
V.1.3 Préparation des données
V.1.3.1 Une distinction de zones nécessaires à la reconstruction
V.1.3.2 Une nouvelle approche de partition
V.2 RECONSTRUCTION BILLBOARDS DES ARBRES
V.2.1 Extraction des paramètres dendrométriques
V.2.1.1 Hauteur des arbres
V.2.1.2 Diamètres des couronnes
V.2.2 Positionnement des arbres
V.2.3 Résultats
V.3 RECONSTRUCTION 3D MAILLEE DES ARBRES
V.3.1 Un processus développé en collaboration avec RhinoTerrain
V.3.2 Une reconstruction des houppiers de type « Alpha Shape »
V.3.2.1 Préparation des données : création de clusters
V.3.2.2 De la 2.5D vers la 3D
V.3.2.3 Reconstruction de la base des houppiers
V.3.2.4 Une implémentation sous R, langage interopérable avec FME
V.3.2.5 Reconstruction 3D : la fonction « ashape3d »
V.3.2.6 Export des houppiers : Structure du format .OBJ
V.3.2.7 Résultats
V.3.3 Reconstruction des troncs par extrusion
V.3.3.1 Approximation du diamètre et de la hauteur des troncs
V.3.4 Résultat
VI DISCUSSIONS
VI.1 EFFICACITE DU PROTOCOLE DE PRETRAITEMENTS
VI.2 LIMITES DE SEGMENTATION ET DE PARTITION DES ARBRES
VI.3 VERS UN CLUSTERING « ORIENTE NUAGE » : K-MOYENNES ET VOXELS
VI.4 RECONSTRUCTION 3D DES HOUPPIERS ET ECARTS AU NUAGE DE POINTS
VI.5 RECONSTRUCTION 3D DES HOUPPIERS : FACES NON SOUDEES ET NON ORIENTEES
VI.6 LA CORRELATION DENSE, UNE ALTERNATIVE ENVISAGEABLE ?
Conclusion
Bibliographie
Annexe 1 Exécuter un script R dans FME
Annexe 2 Implémentation de la fonction « ashape3d » de R
Annexe 3 Développement d’une interface graphique
Liste des figures
Liste des tableaux
Télécharger le rapport complet
