DTM et nuage de points 3D

La Figure 4-16 montre le modèle numérique de terrain retrouvé à partir du traitement appliqué

sur les derniers retours. La validation du DTM est effectuée avec une comparaison entre les

altitudes de ses points et les altitudes du sol au niveau des pieds des arbres qui ont été mesurés

lors de la compagne de mesures terrain. La Figure 4-17 présente le résultat de cette

comparaison qui montre bien le rapprochement entre les deux altitudes ; réelles et mesurées

par le LiDAR. Ce résultat est appuyé par un RMSE faible de l’ordre de 35 cm qui est une

valeur acceptable vue l’imprécision du GPS utilisé dans cette compagne.

120

Figure ‎4-16 : Modèle numérique de terrain trouvé après le traitement des derniers retours du

nuage des points discrets sur la zone forestière étudiée.

Figure ‎4-17 : Validation du modèle numérique de terrain (cercles bleus) avec les mesures

terrains des altitudes au sol au niveau des arbres contenus dans la zone étudiée (cercles rouges).

La Figure 4-18 montre une comparaison des premiers retours avec les points de DTM (a) d’un

exemple de la sous placette n° 2. Ainsi, en éliminant les premiers retours proches de l’altitude

121

du sol, un nouveau nuage de points 3D est obtenu. Il est affiché dans la Figure 4-18 (b). Ce

nuage va servir par la suite pour détecter les arbres et faire la segmentation.

Figure ‎4-18 : Exemple de nouveau nuage de points 3D d’une placette de 25 m × 25 m (b) créé à

partir des premiers retours traités avec le DTM (a).

4.2. Segmentation

La procédure de segmentation d’un nuage de points discrets est faite afin de détecter les

arbres de chaque placette. La Figure 4-19 (a) montre un exemple de segmentation 2D du

a)

122

nuage de points de la placette n°2 de la zone forestière étudiée. L’ensemble des points de

même couleur et forme constitue les retours d’un arbre détecté. Les Figures 4-19 (b) et 4-19

(c) montrent respectivement, les représentations des arbres détectés et des arbres issus des

mesures terrains. 91 arbres sont détectés dans cette placette (Figure 4-19 (b) qui en réalité

possède 113 arbres (Figure 4-19 (b)). Il est remarquable que la taille des couronnes des arbres

détectés soit plus petite que celle des arbres issus des mesures terrains. En particulier, il y a

des arbres de grande taille sont découpés lors de la segmentation en des arbres de petites

tailles. Cela peut être expliqué par la faible densité de points 3D ( 2-4 points/m²) qui

engendre des distances parfois importantes entre les points discrets d’un même arbre et ainsi

des cellules vides dans l’arbre. Ainsi, l’algorithme considère qu’ils appartiennent à des

couronnes différentes et provoque alors cette fragmentation.

123

Figure ‎4-19 : Exemple de détection des arbres de la placette 2, avec segmentation du nuage des

points de la placette n°2 (a) la représentation des arbres détectés par des cercles (b) et la

représentation des arbres issus des mesures terrains (c). L’ensemble des points ayant la même

couleur et forme constitue un arbre dans (a). Le couleur du cercle dans (b) et (c) représente la

hauteur.

La Figure 4-20 expose les positions des arbres détectés et les arbres issus des mesures terrains

de la placette n°2 dans le plan horizontal (x,y) (a) et dans le plan (y,z) (b). Sur le plan

b)

124

horizontal, on voit que l’algorithme de segmentation arrive à détecter généralement les

positions des arbres. Par ailleurs, dans le plan (y,z), on voit qu’on arrive à mieux détecter les

plus hauts. Cette constatation est confirmée par le Figure 4-20 (c) qui expose les arbres

supérieurs à six mètres (par calcul, on trouve 70 arbres détectés contre 72 arbres réels) par

contre les petits arbres dont la hauteur est inférieure à six mètres sont moins bien détectés

(Figure 4-20 (d), par calcul on trouve 5 arbres détectés contre de 40 réels). Cette sous

estimation est constatée pour presque toutes les parcelles étudiées. Elle est expliquée par le

fait que la pulsation LiDAR n’atteigne pas les petits arbres sous l’effet du feuillage des grands

arbres.

Figure ‎4-20 : Positions des arbres détectés (en rouge) et les arbres réels (en vert) de la placette

n°2. Projection sur le plan (x,y) (a) et le plan (y,z) (b) de tous les arbres et projection sur le plan

(x,y) des arbres supérieurs à 6m (c) et des arbres inférieurs à 6m (d).

a) b)

125

La Figure 4-21 résume le résultat de détection des arbres de chaque placette. Trois bars sont

affichés pour chaque placette, le premier bar donne le pourcentage total des arbres détectés, le

deuxième présente le pourcentage des arbres détectés dont la hauteur supérieure à 6m et le

troisième correspond aux arbres détectés d’une hauteur inférieure à 6m. Une valeur de

pourcentage égale à 100% indique que le nombre d’arbres détectés est égal au nombre total

d’arbres dans une placette donnée. Un pourcentage supérieur à 100% indique qu’il y a une

surestimation du nombre d’arbres détectés. Par contre, un nombre inférieur à 100% montre

une sous-estimation.

Figure ‎4-21 : Pourcentage des arbres détectés par segmentation, par rapport au nombre total

d’arbres pour toutes les placettes étudiées.

D’après cette figure, la méthode de segmentation détecte à peu prés 70% du nombre total des

arbres. En particulier, elle détecte 1168 arbres contre 1656 en réalité. Toutefois, elle tend à

surestimer le nombre d’arbres hauts ( 120%) et sous-estimer le nombre des petits arbres

(39%). En effet, ceci s’explique par le fait qu’on tend à fragmenter les grands arbres et qu’on

126

n’arrive pas à bien détecter les petits. En outre, les résultats de détection sont variables d’une

placette à une autre, par exemple les trois premières placettes ont un taux de détection presque

égale à 100% pour les grands arbres par contre les placettes 5, 11, 13, 15 et 16 ont tendance à

le surestimer et les placettes 7, 8, 12 ont tendance à sous-estimer. Cette instabilité de

performances est due à la faible densité des points (nuage 3D) des placettes de 2-4 points/m²

qui a une grande influence sur la précision de la méthode de segmentation. En général, les

résultats de segmentation s’améliorent en augmentant la densité des points (Wang et al.,

2016).

En se comparent avec Ma. et al., 2014, ces derniers ont travaillé sur la même zone d’étude et

ils ont utilisé la méthode de filtrage maximal local (Popescu et al., 2002) sur le nuage de

points discrets afin de détecter les cimes individuelles des arbres. Ils n’ont détecté que 513

arbres soit 30% du nombre total des arbres. Et comme dans notre cas, ils n’ont pas pu détecter

les petits arbres et ceux qui sont à l’ombre des arbres hauts.

Dans le document Inversion des formes d'ondes LiDAR pour l'estimation des caractéristiques des cultures et des forêts par des techniques probabilistes et variationnelles (Page 135-142)