Finalement, après avoir analysé l’influence des incertitudes-types des paramètres de chaque capteur sur la valeur d’incertitude-type composée des données simulées, la valeur d’incertitude- type composée des données acquises, l’écart-type des données réelles et avoir comparé ces données, il est possible d’évaluer la fidélité des données acquises.
Il est important de rappeler que la fidélité mesure l’étroitesse de l’accord entre les indications ou les valeurs mesurées obtenues par des mesurages répétés du même objet ou d’objets si- milaires dans des conditions spécifiées, qui est exprimée, généralement, par l’écart-type ou la variance (JCGM, 2012). La fidélité se distingue de la justesse qui est définie par l’étroitesse de l’accord entre la moyenne d’un nombre infini de valeurs mesurées répétées et une valeur de référence (JCGM, 2012)". Dans le cadre de ce projet de recherche, c’est la fidélité de mesure du MX2 avec le modèle mathématique développé qui a été étudiée et non la justesse, puisqu’il n’y a pas eu de comparaison entre les données acquises avec des valeurs de référence.
En ce qui concerne la fidélité par rapport à l’acquisition des données avec le MX2, comme montré à la section 7.1"Analyse par tests statistiques sur la variance", les incertitudes-types composées sont compatibles avec les valeurs d’écart-type des observations. Suite aux résultats obtenus lors de la réalisation de ce projet de recherche, il est possible d’affirmer que les écart- types des observations effectuées avec le MX2 représentent l’exactitude des mesures (fidélité) du MX2 par rapport aux incertitudes-types des paramètres fournies par les spécifications des capteurs ou estimées par le logiciel de post-traitement des données de navigation.
Des améliorations de la qualité des données acquises par le système sont possibles. Une pre- mière amélioration concerne l’utilisation des deux antennes GNSS lors de la collecte des données avec le MX2. Comme il a été présenté, cette utilisation pourrait améliorer la qualité de l’angle ψ (lacet) et par conséquent la qualité des points levés, puisque l’incertitude-type de chaque paramètre a un impact direct sur la qualité du point géoréférencé. Une deuxième amélioration concerne l’endroit choisi pour faire l’acquisition des données réelles avec le MX2 exempt d’obstructions pour le signal GNSS ou pour le scanneur LiDAR. Par exemple, sur le site sélectionné, il y avait un arbre entre la façade d’une des 2 tours à scanner et le SLM. Ce site a quand même été retenu parce qu’il présentait les caractéristiques intéressantes sui- vantes : un bâtiment avec une hauteur raisonnable (au moins 50m), une façade plane pour évaluer les données acquises avec les faisceaux rasants et la proximité du site. En effet, les bâ- timents choisis se situent sur le campus de l’Université Laval ce qui permettrait une flexibilité pour effectuer des levés et pour planifier le déplacement du système MX2 et des opérateurs. L’utilisation du petit chariot comme plateforme pour installer le MX2 a permis d’effectuer des levés à des endroits moins accessibles pour un véhicule routier. Des observations près des bâti- ments permettant d’obtenir des faisceaux rasants ont pu être réalisées. Une recommandation serait donc d’ajouter un plus grand support sur ce chariot pour y fixer une deuxième antenne
GNSS. Un exemple de la proximité entre le MX2 et le bâtiment permettant d’observer des points levés par des faisceaux rasants est montré à la Figure 7.1.
Figure 7.1 – Exemple montrant le besoin de rapprocher la plateforme du bâtiment pour observer des points levés par des faisceaux rasants.
Chapitre 8
Conclusion
8.1
Retour sur les objectifs
Les Systèmes LiDAR Mobiles (SLM) deviennent de plus en plus des outils d’acquisition de données géospatiales intéressants non seulement pour les professionnels de la géomatique mais ceux d’autres domaines (ingénieurs, géomorphologues, urbanistes, etc). Il est de plus en plus fréquent de voir des entreprises ou institutions monter leur propre SLM avec des capteurs dont les coûts varient d’une centaine à plusieurs milliers de dollars. En fonction du SLM et de la qualité des données acquises par ces systèmes, plusieurs applications sont possibles. Il est notamment possible d’effectuer un levé avec un SLM embarqué sur un drone pour produire un modèle approximatif du terrain avant d’effectuer un levé aérien avec un équipement de meilleure qualité ou un levé embarqué sur un véhicule terrestre permettant l’extraction des coordonnées géoréférencés des points d’intérêts. Dépendamment des applications visées et de la qualité des données exigée, il devient important d’estimer l’incertitude-type composée associée à un SLM.
L’objectif central de ce projet de recherche consistait à estimer l’impact des incertitudes-types des paramètres d’un SLM sur l’incertitude-type composée des points géoréférencés et de déve- lopper un modèle de calcul a priori d’incertitude-type composée qui prend en considération la morphologie du terrain levé. Pour valider le modèle mathématique de calcul d’incertitude-type composée développé, des données acquises à l’aide d’un SLM ont été utilisées. La réalisation de ce projet a été possible grâce au système MX2 disponible au Laboratoire de métrologie de l’Université Laval, aux logiciels de post-traitement des données de navigation POSPac MMS et de traitement des données LiDAR mobiles Trident. Matlab a été utilisé pour le développe- ment et tests de l’algorithme de calcul d’incertitude-type composée dont une partie des codes sources est présentée à l’Annexe C.
L’objectif de développement du modèle mathématique a été atteint, puisqu’il a été validé avec les données simulées et les données réelles acquises sur le campus de l’Université Laval avec le
MX2. Pour le cadre mathématique de ce projet de recherche, plusieurs travaux ont été utilisés comme référence, surtout en ce qui concerne l’étude des sources d’erreurs des paramètres associés aux capteurs du SLM.
Après avoir développé le modèle mathématique du calcul d’incertitude-type composée pour les points géoréférencés, une analyse de l’influence de chaque incertitude-type des paramètres sur l’incertitude-type composée du point géoréférencé a été effectuée. Cette analyse a permis d’évaluer le poids des paramètres associés à chaque capteur ou des paramètres obtenus par ajustage lors d’une acquisition des données et par conséquent, évaluer la valeur de l’incer- titude de pointage sur les points géoréférencés. Il a notamment été possible d’observer une augmentation de cette incertitude lorsque le faisceau est rasant à la surface levée ou distant de cette surface avec une incertitude-type associée aux données angulaires.
Le test sur la fidélité d’acquisition des données avec le MX2 a été effectué. Il a été démontré que les écart-types de la moyenne pour les données acquises avec le système sont inférieurs aux valeurs d’incertitude-type composée calculée. Seulement 4 points du jeu des données A (points 3, 4, 5 et7) ont présenté un écart-type de la moyenne supérieur aux valeurs d’incertitude- type composée calculées pour ces points. Cependant, cette différence n’était pas supérieure à 4mm. L’incertitude-type composée de tous les points a été calculée avec les incertitudes-types décrites aux spécifications des capteurs. Lorsque cette incertitude-type composée est calculée en considérant l’incertitude-type des paramètres de navigation fournie par le logiciel de post- traitement, l’exactitude de mesure (fidélité) des données acquises par le MX2 est vérifiée pour tous les point sans exception.
Même s’il n’a pas été possible d’appliquer le modèle de calcul d’incertitude-type composée développé sur des données acquises par différents SLM embarqués sur des plateformes autres qu’un véhicule terrestre, ce modèle a été validé pour le MX2 (validation de la fidélité de l’acqui- sition des données). Par conséquent, l’influence des incertitudes-types des différents capteurs qui composent le MX2 sur l’incertitude-type composée du point géoréférencé a été analysée. Toutes les fonctions du modèle mathématique développées pour le calcul de l’incertitude-type composée et le géoréférencement des points à partir des données acquises sont disponibles sur Matlab et peuvent être adaptées par d’autres utilisateurs pour estimer les valeurs d’autres SLM et peut-être améliorer le modèle développé.
Finalement, ce projet de recherche a permis de développer un des premiers modèles de cal- cul d’incertitude-type composée d’un SLM. Le potentiel d’applications possibles du modèle mathématique développé sur l’incertitude-type composée est très intéressant, surtout si des améliorations pour rendre ce calcul le plus général possible et permettre l’ajout d’autres in- certitudes sont effectuées. Ce projet de recherche a permis de développer un modèle de calcul d’incertitude-type composée qui représente une avancée supplémentaire ouvrant la voie à des futurs projets reliés à l’amélioration des Systèmes LiDAR Mobiles.