• Aucun résultat trouvé

Le drone : un nouvel outil au service de l'inventaire des ressources forestières

N/A
N/A
Protected

Academic year: 2021

Partager "Le drone : un nouvel outil au service de l'inventaire des ressources forestières"

Copied!
47
0
0

Texte intégral

(1)

Le

drone

: un nouvel outil au service de l’

inventaire des

ressources foresti`

eres

Lisein Jonathan

ULg, Facult´e de Gembloux Agro-Bio Tech, Unit´e de Gestion des Ressources foresti`eres et des Milieux naturels

(2)

The dawn of drone ecology

(3)

Qu’est ce qu’on peut faire avec un drone?

Assembler des images a´eriennes en une mosa¨ıque d’orthophotographies

De la St´er´eoscopie artificielle (restitution 3D `a partir d’images)

(4)

En quoi est-ce un + en foresterie? [1]

Lar´esolution spatiale : les drones volent `a basse altitude, couvrent de petites surfaces, mais g´en`erent des images `a tr`es haute r´esolution

(5)

En quoi est-ce un + en foresterie? [2]

Lar´esolution temporelle: la flexibilit´e de l’outil permet de couvrir (`a moindre frais) plusieurs fois dans l’ann´ee une zone identique

(6)

En quoi est-ce un + en foresterie? [3]

Haute r´esolution temporelle + haute r´esolution spatiale =

erie temporelle d’images `

a haute r´

esolution!

(7)

A time seriesis defined as a collection of observations sampled at

equally-spaced and orderedtime points

(8)
(9)

Utilisation de mini drone pour l’inventaire de peuplements forestiers :

1 Mesure de lahauteur de la v´eg´etation

2 Discrimination des essencespar analyse spectrale

3 Inventaire `a deux phases : mod`eles dendrom´etriques (Cmoy, GHA,

VHA)

(10)

Table des mati`

eres

1 Introduction

2 Utilisation du drone

3 Mesure de la hauteur de la v´eg´etation

4 Discrimination des essences

5 Cubage des arbres avec photogramm´etrie

6 Perspectives

(11)
(12)

The mini-UAS

1

Gatewing X100

1

UnmannedAerialSystem

(13)

Aspects l´egislatifs belges:

Autorisation du propri´etaire d’utiliser son terrain pour d´ecoller et atterrir

Autorisation de la commune d’utiliser un terrain pour d´ecoller et atterrir

Autorisation de la DGTA2 de voler avec UAS

Le cas ´ech´eant : autorisation de Belgocontrol (militaires)

Aspects l´egislatifs fran¸cais:

Distinction entre zones urbaines et zones rurales Vols `a vue en-dessous de 150 m AGL

2

Direction G´en´erale des Transports A´eriens

(14)

Les param`

etres d’acquisition d’images

Relatifs au drone :

La zone rectangulaire `a couvrir L’altitude de vol

Le recouvrement des images

Relatifs `a l’appareil photo: La sensibilit´e (ISO) La vitesse d’obturation

(15)
(16)

Workflow - Chaine de traitements

(17)

Pipeline :

D´etermination des points de liaison

Orientation (alignement, assemblage) des images Mod´elisation de la g´eom´etrie de la sc`ene

Orthorectification et assemblage de la mosa¨ıque

(+ ´etape de g´eor´ef´erencement, ´etape de calibration de la camera)

(18)
(19)
(20)
(21)
(22)
(23)

1 Introduction

2 Utilisation du drone

3 Mesure de la hauteur de la v´eg´etation

4 Discrimination des essences

5 Cubage des arbres avec photogramm´etrie

6 Perspectives

(24)

Canopy height model

(25)
(26)
(27)
(28)

Mod`

ele num´

erique de Canop´

ee photo/lidar

Conclusion :

Mesure de la hauteur des arbres dominants avec une pr´ecision de 1.5 m`etres pour Grand-Leez :

meilleurs r´esultats attendus pour la zone de Felenne car MNT lidar et hauteurs des arbres mesur´ees plusieurs fois.

Reconstruction 3D en milieu forestier pas exempt d’erreurs

(complexit´e de la surface de la canop´ee, mouvement des branches et feuilles, anisotropie de la r´eflectance, etc)

(29)

1 Introduction

2 Utilisation du drone

3 Mesure de la hauteur de la v´eg´etation

4 Discrimination des essences

5 Cubage des arbres avec photogramm´etrie

6 Perspectives

(30)

Discrimination des essences en deux ´etapes :

Segmentation de l’image en objets (ensembles de pixels) Classification des objets

(31)

Object-based Images Analysis

(32)
(33)

Normalized Difference Vegetation Index

NDVI = NIR − R NIR + R avec NDVI L’indice de v´eg´etation normalis´e;

NIR Le proche infrarouge (near infrared); R Le rouge (red).

(34)

Analyse texturale : FOTO

Fourier-based textural ordination3 : permet d’effectuer une caract´erisation de la texture qui soit interpr´etable en termes de structure de canop´ee, qui se limite `a un nombre tr`es r´eduit d’indices, et ce de fa¸con non-supervis´ee.

3

travaux de NICOLAS BARBIER (IRD; UMR AMAP, Montpellier)

(35)

L’ ANALYSE TEXTURALE EN TROIS SLIDES

JOURNÉE D’ÉTUDE SUR LE MÉCANISME REDD+ - 24 OCTOBRE 2012 2/6

100m

Transformée de Fourier à toutes les fréquences possibles

fenêtre1 fenêtre2

Zoom Zoom

Transformée de Fourier Transformée de Fourier

On regarde l’explication de la distribution pour chaque fréquence

On regarde l’explication de la distribution pour chaque fréquence

(36)

L’ ANALYSE TEXTURALE EN TROIS SLIDES

JOURNÉE D’ÉTUDE SUR LE MÉCANISME REDD+ - 24 OCTOBRE 2012 3/6

fenêtre1 fenêtre2

Réflectance/pixel

Structure spatiale de la réflectance/ fenêtre

(37)

Conclusion :

Utilisation de s´erie temporelle (vols printemps, ´et´e et automne) pour la discrimination des essences

Approche pour la Segmentation : Object-based Images Analysis Approche pour la Classification : forˆet al´eatoire (Random Forest)

(38)

1 Introduction

2 Utilisation du drone

3 Mesure de la hauteur de la v´eg´etation

4 Discrimination des essences

5 Cubage des arbres avec photogramm´etrie

6 Perspectives

(39)

Mod´

elisation 3D d’arbres en forˆ

et dense humide : vers une

am´

elioration des estimations de biomasse et de croissance

4

Contexte :

Abondance d’individus `a tronc irr´eguliers en Forˆet Dense Humide Individus de dimensions g´en´eralement importantes

Difficult´e de mesurer ce type d’arbres avec des outils dendrom´etriques classiques

Approche de la th`ese :

Mesures indirectes: scanner T-LiDAR,photogramm´etrie

Comparaison entre les mesures indirectes et les mesures destructives Construction de fonctions de d´efilement

4

Doctorat de S. Bauwens

(40)

Mesures de troncs irréguliers •Scanner LiDAR terrestre

•Photogrammétrie terrestre

•Mesures destructives (saucissonnage )

I. LiDAR-Photogrammétrie II. Mesures destructives

(sous-échantillon) Traitement

Workflow du traitement des données brutes

Génération et calage de nuage de points (NP)

•Nettoyage du NP A •Restitution 3D du tronc •Tranchage du NP suivant le squelette → Détermination de la surface/périmètre des sections B •Maillage •tranchage → Détermina=on de la surface et du périmètre des sections

→ Es=ma=on du volume du tronc ou la base du tronc

(sous-échantillon) •Geo-référencement des images des sections

•Digitalisation des sections

→ Détermina=on de la surface et du périmètre des sections

→ Es=ma=on du volume du tronc ou la base du tronc

(41)
(42)

1 Introduction

2 Utilisation du drone

3 Mesure de la hauteur de la v´eg´etation

4 Discrimination des essences

5 Cubage des arbres avec photogramm´etrie

6 Perspectives

(43)
(44)

Utilisation demicmac5 en milieu forestier

Adaptation des param`etres de la chaine Pastis-Apero-Micmac-Porto

5

travaux de Marc Pierrot-Deseilligny, ENSG

(45)
(46)

Multicopter

(47)

Références

Documents relatifs

Pour l’impl´ ementation Octave, chaque attribut, valeur d’attribut et classe sont repr´ esent´ es par un entier.. Exemple (exercice

Cela posé, ne tenant pas compte de Terreur que l'on peut commettre en mesurant la base BG, et n'ayant égard qu'à celle qui est commise dans la mesure de l'angle ADE (nous supposons

• classification en utilisant une s ´equence de questions ferm ´ees?. • les questions sont organis ´ees dans

• invariabilit ´e par translation, par changement d’ ´echelle, par transfor- mation monotone des coordonn ´ees. •

Indication : Choisir un domaine sur lequel la fonction h est holomorphe et born´ ee, v´ erifier les hypoth` eses sur h, et d´ eduire un facteur de d´ ecroissance exponentielle

(b) ´ Etudier f : on donnera en particulier une expression simplifi´ ee de f sur tout intervalle de la forme ]k, k + 1[ avec k entier puis on pr´ ecisera ses variations, son

Une matrice sym´ etrique r´ eelle est dite positive si ses valeurs propres sont positives et elle est dite d´ efinie positive si ses valeurs propres sont strictement positives.. On

Ces trois identit´es sont ` a connaˆıtre parfaitement et ` a savoir utiliser [comme dans l’exemple