HAL Id: hal-02603514
https://hal.inrae.fr/hal-02603514
Submitted on 16 May 2020HAL is a multi-disciplinary open access
archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Optimisation du paramétrage et évaluation de la qualité
de MNS photogrammétriques pour une utilisation dans
le domaine forestier : impact de la résolution et de la
qualité des données
X. Lucie
To cite this version:
X. Lucie. Optimisation du paramétrage et évaluation de la qualité de MNS photogrammétriques pour une utilisation dans le domaine forestier : impact de la résolution et de la qualité des données. Sciences de l’environnement. 2014. �hal-02603514�
Institut National des Sciences Appliqu´ees de Strasbourg
M´emoire de soutenance de Diplˆ
ome d’Ing´enieur INSA
Sp´
ecialit´
e topographie
Optimisation du param´
etrage et ´
evaluation de la qualit´
e
de MNS photogramm´
etriques pour une utilisation dans
le domaine forestier
Impact de la r´
esolution et de la qualit´
e des donn´
ees
Pr´esent´e le 20 septembre 2013 par Xavier LUCIE
R´ealis´e du 11 f´evrier au 10 aoˆut 2013 au sein de l’unit´e mixte de recherche :
TETIS (Irstea)
500 rue Jean-Fran¸cois Breton 34093 Montpellier Cedex 05
Directeur de PFE : Coordinatrice ONF : Correcteur :
Sylvain Labb´e Anne Jolly Pierre Grussenmeyer
Remerciements
J’adresse mes plus vifs remerciements `a Sylvain Labb´e qui m’a accueilli au sein de la
Maison de la T´el´ed´etection et m’a permis de r´ealiser des campagnes de prises de vues
a´eriennes `a l’aide de drones.
Je remercie tr`es chaleureusement Jean-Pierre Renaud pour son implication r´eguli`ere tout
au long du projet, son aide pr´ecieuse pour les relev´es de terrain et les analyses statistiques.
Un grand merci `a Sylvie Durrieu pour m’avoir apport´e son expertise sur le LiDAR et
ses applications en forˆet et pour son appui `a l’organisation du m´emoire.
Je remercie ´egalement Anne Jolly pour sa collaboration dans le choix du site d’´etude
et sa relecture attentive du rapport.
Je tiens `a remercier les forestiers de l’ONF et notamment :
– J´er´emy Terracol, Am´enagiste de l’ONF (Bouches-du-Rhˆone - Vaucluse), pour son
´
eclairage sur la base de donn´ees de l’am´enagement de la forˆet domaniale du
Ven-touret ;
– Pascal George, Technicien du d´epartement R&D du pˆole ONF de Nancy, pour son
professionnalisme lors des lev´es terrain ;
– l’´equipe de l’ONF de B´edoin pour sa convivialit´e et la mise `a disposition d’un gˆıte
forestier au pied du Ventoux.
Merci `a mes amis stagiaires de la Maison de la T´el´ed´etection pour m’avoir apport´e leur
bonne humeur pendant ces six mois.
Enfin, je pense surtout `a ma famille qui a toujours cru en moi et sur qui je peux toujours
Sommaire
I
M´
emoire
v
1 Introduction 1
1.1 Organismes d’accueil . . . 1
1.1.1 Irstea et l’UMR TETIS. . . 1
1.1.2 L’ONF . . . 1
1.2 Utilisation de la t´el´ed´etection a´erienne pour l’am´enagement forestier . . . . 2
1.3 Probl´ematique et objectifs g´en´eraux . . . 3
1.3.1 Probl´ematique li´ee aux inventaires forestiers . . . 3
1.3.2 Utilisation des prises de vues a´eriennes haute r´esolution . . . 3
1.3.3 Sujet et objectifs g´en´eraux du stage . . . 3
2 Etat des connaissances´ 5 2.1 LiDAR versus photogramm´etrie pour la gestion foresti`ere . . . 6
2.1.1 Principe du LiDAR . . . 6
2.1.2 Inconv´enient du LiDAR . . . 7
2.2 Reconstruction automatique de mod`eles 3D par photogramm´etrie . . . 8
2.2.1 D´etection automatique des points d’int´erˆet . . . 8
2.2.2 Orientation automatique des images. . . 8
2.2.3 Appariement dense : corr´elation multi-images . . . 10
2.3 Sources d’erreurs en forˆet. . . 11
2.4 Choix du MNT `a adopter . . . 11
2.4.1 Le MNT de la France . . . 12
2.4.2 Utilisation d’un MNT LiDAR pour la g´en´eration de MHC photo-LiDAR . . . 12
2.5 Estimation de la hauteur dominante `a l’aide de MHC . . . 13
2.5.1 En utilisant une combinaison de canaux . . . 13
2.5.2 A l’aide d’un mod`ele statistique . . . 14
2.6 Objectifs sp´ecifiques du projet . . . 15
3 Acquisition des donn´ees 17 3.1 Pr´esentation du site de l’´etude . . . 17
3.2 Donn´ees disponibles. . . 19
3.2.1 BD de l’am´enagement de la forˆet domaniale du Ventouret . . . 19
3.2.2 Prises de vues a´eriennes de l’IGN . . . 20
3.2.3 Vols LiDAR a´eroport´e . . . 20
3.3 Campagne sp´ecifique de lev´es terrain . . . 21
3.4 Campagne de PVA avec un drone . . . 23
3.4.1 Mat´eriel photographique et drone utilis´es . . . 23
3.4.2 Drone utilis´e et constitution des plans de vols . . . 25
4 Traitement photogramm´etrique pour la g´en´eration de MNS 29 4.1 Description du logiciel de mise en correspondance . . . 29
4.2 Optimisation des param`etres dans la suite PAM . . . 31
4.2.1 Recherche des points de liaison . . . 31
4.2.2 A´ero-triangulation . . . 31
4.2.3 Mise en correspondance des clich´es . . . 33
4.3 Post-traitement des mod`eles num´eriques de surface . . . 35
4.3.1 Importation des MNS dans ArcGIS . . . 35
4.3.2 Validation des MNS avec le param´etrage avanc´e . . . 35
4.3.3 G´en´eration des mod`eles de hauteur de couvert . . . 35
5 Qualification des MHC photogramm´etriques pour caract´eriser les peu-plements forestiers 37 5.1 Estimation de la hauteur dominante (H0). . . 38
5.1.1 Choix de la variable pour d´ecrire la hauteur dominante . . . 38
5.1.2 Mod`ele d’estimation de la hauteur dominante . . . 39
5.2 La distribution des hauteurs, un indicateur de structure . . . 39
6 R´esultats et discussion 41 6.1 Comparaison des MNS . . . 41
6.1.1 Orientation interne . . . 41
6.1.2 G´en´eration des MNS . . . 42
6.1.3 Profils d’altitudes des MNS . . . 43
6.1.4 Ecarts d’altitudes entre les MNS LiDAR et 2012 par type de peu-´ plement . . . 44
6.2 Estimations de la hauteur dominante H0 . . . 45
6.2.1 Choix de la variable la mieux corr´el´ee `a H0 . . . 45
6.2.2 Capacit´e de pr´ediction de H0 `a partir des diff´erents MHC . . . 47
6.3 Distribution des hauteurs sur les placettes . . . 48
6.3.1 Comparaison des histogrammes de hauteurs . . . 48
7 Conclusion et perspectives 51
Table des illustrations 54
Glossaire 55
R´ef´erences bibliographiques 58
II
Annexes
59
Premi`
ere partie
1
Introduction
1.1
Organismes d’accueil
1.1.1
Irstea et l’UMR TETIS
Fond´e en 1981, Irstea1, anciennement appel´e Cemagref2, est un organisme de recherche
environnementale plac´e sous la tutelle du minist`ere de l’´ecologie et de l’agriculture. Fort
d’une implantation dense dans 9 centres r´epartis sur le territoire m´etropolitain, Irstea
compte 24 unit´es de recherche, dont 5 unit´es mixtes telles que l’UMR TETIS. Bas´ee `a
Montpellier dans les locaux de la Maison de la T´el´ed´etection et le site de Baillarguet,
l’UMR TETIS se voit confier ses missions par les institutions AgroParisTech, Irstea et
Cirad (voir A.1). L’UMR TETIS a pour objectif principal de « d´evelopper la maˆıtrise de
l’information spatiale pour la recherche agro-environnementale et pour la gestion durable des territoires ». En d’autres termes, l’UMR TETIS produit des m´ethodes et des savoirs tout au long de la chaˆıne de traitement de l’information spatiale, de son acquisition au produit final. L’UMR TETIS a aussi une mission d’appui aux politiques publiques avec
pour objectif d’´etablir et d’entretenir un lien ´etroit entre les acteurs de la recherche et les
op´erateurs de terrain et de valoriser les travaux de recherche dans un cadre op´erationnel.
Enfin, l’UMR TETIS propose des formations (initiale, continue) et l’accueil de stagiaires s’inscrit dans cette optique.
1.1.2
L’ONF
L’Office National des Forˆets est un ´etablissement public `a caract`ere industriel et
commer-cial cr´e´e en 1964 ayant pour objectif la gestion durable et raisonn´ee des forˆets publiques
fran¸caises et la pr´eservation de leur biodiversit´e. L’ONF est aussi en charge de la
produc-tion de bois pour la fili`ere industrielle et dispense des missions d’int´erˆet g´en´eral comme
la protection des individus face aux risques naturels ou encore la protection des forˆets
contre les incendies. L’ONF emploie 10000 personnes r´eparties dans 9 directions
territo-riales en m´etropole, et 5 directions r´egionales (Corse, R´eunion, Martinique, Guadeloupe
et Guyane). Le domaine de comp´etences du d´epartement R&D du pˆole de Nancy s’´etend
de la t´el´ed´etection aux syst`emes d’information g´eographique, en passant par les
statis-tiques foresti`eres. L’ONF est associ´e `a mon projet pour le choix du site d’´etude et des
probl´ematiques foresti`eres `a traiter.
1. Institut national de Recherche en sciences et technologies pour l’environnement et l’agriculture 2. Centre d’´Etude du Machinisme Agricole et du G´enie Rural des Eaux et Forˆets
Pour faciliter l’acc`es `a certaines donn´ees, mon PFE a ´et´e int´egr´e au projet de recherche
ANR3 FORESEE [ANR, 2010]. Les acteurs de la recherche que sont notamment Irstea
et l’ONF travaillent ´etroitement autour du th`eme de la caract´erisation de la ressource
foresti`ere pour les bio´energies. Le projet FORESEE est centr´e sur l’utilisation de
don-n´eesLiDARa´eroport´e pour l’´evaluation de param`etres forestiers mais l’un de ses axes de
recherche int`egre ´egalement l’utilisation de donn´ees photographiques st´er´eoscopiques.
1.2
Utilisation de la t´
el´
ed´
etection a´
erienne pour l’am´
e-nagement forestier
Le but d’un am´enagement forestier est de faire un ´etat des lieux de chaque forˆet et d’en
planifier la gestion pour r´epondre aux diff´erents objectifs d’utilisations (production de
bois, accueil du public, pr´eservation de la biodiversit´e...). Il s’agit d’une ´etude sur le
mi-lieu qui d´efinit les grandes orientations de gestion foresti`ere d’une forˆet. Le document
d’am´enagement forestier comporte ´egalement une ´evaluation des coˆuts associ´es et des
recettes potentielles ([ONF, 2012]). Pour ce faire, les forestiers s’appuient sur les caract´
e-ristiques dendrologiques (composition du peuplement), dendrom´etriques (hauteurs,
surface terri`ere) de la forˆet et sur les infrastructures permettant l’acc`es au site. Les ´etapes
suivantes sont n´ecessaires `a la r´ealisation de l’am´enagement forestier :
1. ´Etablissement des limites de la forˆet
2. D´efinition du parcellaire forestier et des unit´es d’analyse (UA)
3. Description de l’unit´e d’analyse
´
Etablissement des limites de la forˆet Les limites de la forˆet sont celles du cadastre
ou du proc`es verbal de bornage quand il existe. Une couche de type vecteur est ensuite
cal´ee sur la photo a´erienne, la r´ef´erence ´etant actuellement utilis´ee ´etant la BD Ortho de
l’IGN.
D´efinition du parcellaire forestier et des unit´es d’analyse Pour d´elimiter le
par-cellaire, l’am´enagiste utilise les pistes, les limites de peuplement ou encore les limites
naturelles visibles sur les photos a´eriennes. Une fois ce d´ecoupage r´ealis´e, l’am´enagiste
subdivise cette couche en unit´es d’analyse (UA). Une unit´e d’analyse est une portion
de la forˆet de quelques hectares qui a des caract´eristiques foresti`eres homog`enes (esp`eces
principales, richesse du sol. . .). Pour ce faire, il a recours `a la photo-interpr´etation. Les
crit`eres de couleur et de granulom´etrie sont utilis´es et les clich´es dans les domaines du
visible et du PIR sont crois´es pour une meilleure d´etermination des UA. Le d´ecoupage
pr´ec´edemment r´ealis´e est valid´e par une reconnaissance sur le terrain. Les limites entre UA
sont appr´eci´ees visuellement en fonction de crit`eres tels que l’essence, la r´eg´en´eration, les
hauteurs d’arbres. . . A ce stade, les UA peuvent encore ˆetre remodel´ees ou red´ecoup´ees.
Chaque UA est num´erot´ee par un identifiant unique au sein de chaque parcelle.
Description de l’unit´e d’analyse Sur un certain nombre de placettes ´echantillons de
15 m de diam`etre par UA, situ´ees en zones homog`enes et repr´esentatives de l’UA (pas de
trou´ees), l’am´enagiste mesure les donn´ees dendrom´etriques suivantes :
3. Agence Nationale de la Recherche
la densit´e : nombre de tiges par hectares ;
le diam`etre dominant : moyenne des diam`etres des arbres dominants4;
la hauteur dominante : moyenne des hauteurs des arbres dominants ;
l’arbre moyen : moyenne des diam`etres des arbres pr´e-comptables ;
la surface terri`ere : somme de la surface des sections des arbres dominants.
1.3
Probl´
ematique et objectifs g´
en´
eraux
1.3.1
Probl´
ematique li´
ee aux inventaires forestiers
Un inventaire forestier peut ˆetre r´ealis´e selon diff´erents protocoles, qui sont fonction
de l’enjeu de production et de la surface `a couvrir ([ONF, 2012]). Un inventaire forestier
n´ecessite alors beaucoup de temps et de moyens humains. Certaines techniques
pour-raient venir en appui et faciliter sa r´ealisation ; le LiDAR, l’imagerie optique `a r´esolution
infra-m´etrique et le renouveau de la photogramm´etrie num´erique ont des applications
fo-resti`eres potentiellement prometteuses qui `a terme, permettraient un gain de temps et
d’homog´en´eit´e dans les inventaires.
1.3.2
Utilisation des prises de vues a´
eriennes haute r´
esolution
Outre les donn´ees LIDAR qui font pour l’instant l’objet de missions d’acquisition
sp´ecifiques, une solution a priori moins on´ereuse consisterait `a valoriser au maximum les
prises de vues a´eriennes existantes et acquises r´eguli`erement sur le territoire. Actuellement
cette donn´ee est surtout utilis´ee en photo-interpr´etation pour la d´elimitation de faci`es
forestiers pr´ealablement aux descriptions de terrain ou `a la d´elimitation des UA (1.2).
Grˆace `a l’accroissement de la puissance de calcul et au d´eveloppement des logiciels de
mise en correspondance d’images, il est aujourd’hui possible de g´en´erer des MNS5 de la
canop´ee qui coupl´es `a un MNT permettent d’estimer la hauteur du couvert forestier. Nous
pourrions envisager d’utiliser cette information de hauteur pour am´eliorer les d´elimitations
des grands types de peuplements ou pour ´evaluer certaines variables dendrom´etriques
n´ecessaires aux descriptions des UA.
1.3.3
Sujet et objectifs g´
en´
eraux du stage
Mon projet de fin d’´etudes s’inscrit dans le cadre de travaux de recherche communs `a
Irstea et `a l’ONF et s’intitule :
« Optimisation du param´etrage et ´evaluation de la qualit´e de MNS
photo-gramm´etriques pour une utilisation dans le domaine forestier. Impact de la
r´esolution et de la qualit´e des donn´ees. »
Les objectifs sont de cr´eer une m´ethodologie pour la production de MNS et de MHC6 `a
partir de diff´erentes sources de donn´ees, d’estimer la pr´ecision et les biais des mod`eles et
d’´evaluer une variable foresti`ere simple sur une zone foresti`ere d’int´erˆet.
4. Les arbres dominants sont les 100 plus gros arbres `a l’hectare
5. Un mod`ele num´erique de surface est une repr´esentation de la surface topographique d´ecrivant la v´eg´etation
6. Un mod`ele de hauteur de couvert est un mod`ele num´erique d’´el´evation repr´esentant la structure foresti`ere
2
´
Etat des connaissances
Ce chapitre met en lumi`ere les travaux de recherche qui se rapportent `a la cr´eation de
mod`eles num´eriques de surface en forˆet pour extraire les variables foresti`eres utiles `a
l’am´enagement forestier. Le LiDAR et la photogramm´etrie qui sont les techniques de
t´el´ed´etection utilis´ees `a cet usage y sont compar´es.
Sommaire
2.1 LiDAR versus photogramm´etrie pour la gestion foresti`ere . . 6
2.1.1 Principe du LiDAR . . . 6
2.1.2 Inconv´enient du LiDAR . . . 7
2.2 Reconstruction automatique de mod`eles 3D par photogram-m´etrie . . . 8
2.2.1 D´etection automatique des points d’int´erˆet . . . 8
2.2.2 Orientation automatique des images . . . 8
2.2.2.1 Orientation interne . . . 8
2.2.2.2 A´erotriangulation . . . 9
2.2.3 Appariement dense : corr´elation multi-images . . . 10
2.3 Sources d’erreurs en forˆet . . . 11
2.4 Choix du MNT `a adopter . . . 11
2.4.1 Le MNT de la France . . . 12
2.4.2 Utilisation d’un MNT LiDAR pour la g´en´eration de MHC photo-LiDAR . . . 12
2.5 Estimation de la hauteur dominante `a l’aide de MHC . . . . 13
2.5.1 En utilisant une combinaison de canaux . . . 13
2.5.2 A l’aide d’un mod`ele statistique. . . 14
La majorit´e des ´etudes portant sur la g´en´eration de MNS photogramm´etriques du couvert
forestier ont ´et´e men´ees dans les pays d’Europe du Nord, au Canada et en Suisse qui
disposent par ailleurs de MNT LiDAR couvrant la quasi-totalit´e de leur territoire (Suisse,
Su`ede). Les forˆets ´etudi´ees sont homog`enes et constitu´ees majoritairement de conif`eres
([St-Onge et al., 2008]). Peu ou pas d’´etudes ont ´et´e men´ees en France pour les raisons suivantes :
– des forˆets mixtes qui rendent le travail plus complexe ;
– l’arriv´ee sur le march´e du LiDAR qui semble le plus adapt´e pour l’acquisition de
nuages de points denses en milieu forestier.
Pourtant, le LiDAR n’a pas que des avantages. Son coˆut encore ´elev´e ne permet pas
de faire des acquisitions `a chaque inventaire forestier et sur des surfaces importantes
(au-del`a de 2000 ha). L’erreur sur l’estimation du MNT calcul´e `a partir du vol LiDAR est
de ±30 cm sous le couvert forestier ([Ahokas et al., 2003]) mais peut atteindre 70 cm
en montagne. Au contraire, les campagnes de prises de vues a´eriennes de l’IGN ont lieu
tous les ans et couvrent un tiers du territoire m´etropolitain. Actuellement, un inventaire
forestier n´ecessite beaucoup de main d’œuvre et de temps (cf 1.3.1).
2.1
LiDAR versus photogramm´
etrie pour la gestion
foresti`
ere
Dans le domaine de la foresterie, les sp´ecialistes reconnaissent que l’acc`es `a l’information
spatiale pr´ecise de la hauteur, et plus g´en´eralement de la structure tridimensionnelle du
couvert forestier, est primordial ([St-Onge et al., 2008]).
2.1.1
Principe du LiDAR
Dans ce contexte, l’usage du LiDAR a´eroport´e s’est largement d´evelopp´e, comme en
attestent les ´evolutions r´ecentes et la majorit´e des ´etudes portant sur la mod´elisation
en 3 dimensions de la forˆet ([Wulder et al., 2012]). Le LiDAR est un syst`eme actif qui
permet l’obtention en un seul vol d’un nuage de points XYZ d’une densit´e allant de 0,5 `a
8 points/m2 de pr´ecision verticale plus grande qu’avec des prises de vues a´eriennes (PVA)
classiques. Comme nous pouvons le voir sur la figure 2.1, le LiDAR p´en`etre la surface
du couvert et permet de mod´eliser la structure compl`ete de la forˆet mais aussi celle du
terrain sous-jacent.
Figure 2.1 – Avantage du LiDAR pour obtenir le terrain et la hauteur du couvert forestier [Hollaus, 2012]
2.1.2
Inconv´
enient du LiDAR
Seulement, l’un des aspects n´egatif du LiDAR a´eroport´e est son coˆut. Un vol LiDAR
peut coˆuter jusqu’`a 10 fois plus cher qu’une campagne de PVA ([Demargne, 2013]). La
figure 2.2 montre que le choix du capteur et du type de technologie est fonction de la
pr´ecision verticale recherch´ee et de la superficie `a couvrir. Il en r´esulte qu’un suivi
tem-porel r´egulier LiDAR du couvert forestier sur des grandes superficies, n’est pas encore
envisageable. Au contraire, les prises de vues a´eriennes constituent une bonne alternative.
Figure 2.2 – Choix du capteur en fonction de la superficie `a couvrir et de la pr´ecision verticale associ´ee. Le LiDAR a une meilleure pr´ecision verticale que les PVA mais son
2.2
Reconstruction automatique de mod`
eles 3D par
photogramm´
etrie
Pour g´en´erer un nuage de points dense XYZ ou un MNS de type raster o`u la valeur du
compte num´erique correspond `a l’altitude, le processus photogramm´etrique se fait en trois
´
etapes de calcul automatique :
1. la d´etection de points de liaison entre couples d’images st´er´eo
2. l’orientation automatique des images
3. l’appariement dense qui repose sur la corr´elation ´epipolaire dense (CED)
2.2.1
D´
etection automatique des points d’int´
erˆ
et
Point d’int´erˆet Il s’agit d’une entit´e zonale, ponctuelle ou lin´eaire isol´ee et g´en´
erale-ment marqu´ee par un extremum local d’intensit´e. Un point d’int´erˆet robuste doit ˆetre
localisable pr´ecis´ement et ˆetre suffisamment diff´erent en texture, intensit´e ou couleur des
autres points de son voisinage.
Figure 2.3 – Exemples de points d’int´erˆet [Hullo, 2009]
D´etecteur Auparavant, les points d’int´erˆet ´etaient cliqu´es manuellement sur les
pho-tographies. Aujourd’hui, les logiciels utilisent des d´etecteurs comme SIFT, SURF1 ou
MSER2 dont le rˆole est de trouver des points homologues dans les images. Le d´etecteur
SIFT ([Lowe, 2004]) utilis´e dans la chaˆıne de traitement Pastis-Ap´ero-MicMac (PAM) est
un puissant d´etecteur. Il est invariant `a l’´echelle, aux rotations et aux changements de
contraste. Le fonctionnement du descripteur SIFT est d´etaill´e en annexe A.8.
2.2.2
Orientation automatique des images
2.2.2.1 Orientation interne
Cette ´etape qui correspond `a la calibration de l’appareil photographique (d´
etermi-nation des param`etres g´eom´etriques de la chambre photogramm´etrique) est d´etaill´ee
en 3.4.1.2.
1. Speeded Up Robust Features 2. Maximally stable extremal regions
2.2.2.2 A´erotriangulation
Orientation relative Les points de liaison d´etect´es automatiquement2.2.1sont utilis´es
en entr´ee pour orienter les clich´es les uns par rapport aux autres par le processus d´etaill´e
sur la figure 2.4). Il n’existe pas de solution algorithmique globale mais il s’agit d’un
proc´ed´e it´eratif. On oriente arbitrairement une image puis la deuxi`eme par rapport `a la
premi`ere en utilisant les points de liaison. La troisi`eme image permet de calculer la base
entre les images. Et on oriente ainsi de suite les images les unes par rapport aux autres puis par rapport au bloc d’images pour faire un calcul de compensation.
Figure 2.4 – Calcul de l’orientation relative [Deseilligny, 2013]. A partir des points de liaison entre couples d’images, les matrices rotation sont d´etermin´ees
Orientation absolue Une fois les clich´es orient´es dans un rep`ere local, il est n´ecessaire
de faire la mise `a l’´echelle ou encore de les g´eor´ef´erencer dans un syst`eme de coordonn´ees
standard. Pour ce faire, on a recours `a des points d’appui connus en coordonn´ees terrain.
Une transformation `a 7 param`etres encore appel´ee similitude spatiale est alors utilis´ee
pour calculer les coordonn´ees terrain I `a partir des coordon´ees mod`ele i :
I = s · R · i + T (2.1)
o`u
R sont les rotations ω, ϕ, κ
T sont les translations Tx, Ty, Tz
2.2.3
Appariement dense : corr´
elation multi-images
Figure 2.5 – G´eom´etrie ´epipolaire d’un couple st´er´eo [Korpela and Tokola, 2006]
Les techniques de corr´elation d’images utilis´ees en
photogramm´etrie reposent sur la corr´elation ´
epipo-laire dense (CED). Cette m´ethode s’appuie sur la st´
e-r´eoscopie qui tend `a reconstituer une sc`ene en 3D `a
partir de mesures de parallaxe entre des points
ho-mologues. Lorsqu’un objet est point´e sur une image,
la recherche de cet objet sur une autre image est
res-treinte `a la projection centrale du rayon sur cette
image. Ces projections appel´ees lignes ´epipolaires (en
vert sur la figure 2.5) correspondent `a l’intersection
des plans ´epipolaires et des images normales. Le
tri-angle P O0O” de la figure 2.5 est le plan ´epipolaire.
La recherche de l’objet point´e `a la position P’ sur
l’image 1 et restreinte `a une ligne sur l’image 2.
La puissance de la corr´elation multi-vues est de faire les appariements au sein d’une
multitude d’images, plus seulement au sein de couples st´er´eo. De nombreuses approches
ont ´et´e d´evelopp´ees pour reconstruire une sc`ene en 3D :
1. Reconstruction `a partir de la texture
2. Reconstruction `a partir de la silhouette
3. M´ethode patch-based
4. Reconstruction `a partir des cartes de profondeur
Nous expliquons succinctement la m´ethode par les cartes de profondeur qui est l’une des
plus r´epandue et qui est celle utilis´ee par le logiciel MicMac de l’IGN dont nous d´etaillerons
le fonctionnement dans la section 4.1.
Une carte de profondeur est une image en niveaux de gris o`u le compte num´erique de
chaque pixel donne la profondeur dans l’image 2D. Ainsi une zone sombre est en arri`ere
de la sc`ene tandis qu’un zone claire est en avant. Pour obtenir une carte de profondeur, les
logiciels de mise en correspondance parcourent les profondeurs discr´etis´ees et retiennent
la solution donnant la meilleure corr´elation entre les images ([Deseilligny, 2013]).
Figure 2.6 – Carte de profondeur g´en´er´ee `a partir de la chaˆıne de traitement PAM sur une partie de la forˆet domaniale du Ventouret
2.3
Sources d’erreurs en forˆ
et
En Suisse, [Baltsavias et al., 2006] ont men´e une ´etude sur une tourbi`ere de 3km2situ´ee
au bord du lac de Neuchˆatel et bord´ee par une forˆet de feuillus (80%) et de conif`eres
(20%). Ils disposent de 4 prises de vues a´eriennes IRC3 avec un pixel terrain de 7 cm
et un recouvrement longitudinal de 75% qu’ils ont g´eor´ef´erenc´ees en mesurant 12 points
de calage au DGPS. Comme pour tout le territoire suisse, ils disposent ´egalement de
MNT/MNS LiDAR avec une densit´e classique de 1 `a 2 points/m2. Enfin, ils ont mesur´e des
sommets d’arbres par st´er´eoscopie avec une pr´ecision estim´ee `a 0,5 m. Pour la g´en´eration
des MNS photogramm´etriques, les auteurs ont test´e deux logiciels que sont SocetSet et
Sat-PP. Ils d´etaillent une liste de facteurs rapport´es ´egalement par [St-Onge et al., 2008]
qui nuisent au r´esultat de la mise en correspondance des clich´es :
les obstructions un arbre de grande taille peut cacher des plus petits ;
les motifs r´ep´etitifs un arbre est rep´er´e `a un endroit sur une image mais mal identifi´e
sur une autre car il fait partie d’une zone qui se r´ep`ete ;
les ombres elles font ´echouer la corr´elation car il y a un manque de texture (idem pour
l’eau) ;
les surfaces irr´eguli`eres un changement brutal dans la topographie du terrain engendre
une erreur dans la corr´elation ;
les discontinuit´es des trou´ees foresti`eres par exemple sont mal d´etect´ees ;
les peuplements mixtes ils affectent la qualit´e de la mise en correspondance car la
sc`ene est plus complexe.
Ils proposent ´egalement de rem´edier `a ces probl`emes en :
– augmentant le recouvrement
– r´eduisant la taille du pixel au sol pour r´eduire le lissage
– trouvant un param´etrage plus sophistiqu´e du logiciel de mise en correspondance
Les auteurs utilisent les mesures st´er´eoscopiques de 181 arbres comme mesures de r´ef´
e-rence. Ils rapportent un ´ecart-type sur les altitudes des MNS photogramm´etriques de 1,68
m par rapport aux point´es manuels. L’usage du LiDAR en forˆet donne syst´ematiquement
de moins bons r´esultats que la photogramm´etrie (´ecart-type de 7,83 m) et sous-estime
toujours la hauteur des arbres (-6,44 m). Certes, les mesures st´er´eoscopiques ont
l’incon-v´enient d’ˆetre subjectives mais au vu de la pr´ecision annonc´ee de 0,5 m sur les sommets
d’arbres, elles pourraient remplacer des mesures d’arbres sur le terrain qui se font `a l’aide
d’instruments optiques de pr´ecision verticale de 1,0 m (vertex, boussole). Les auteurs
pro-posent par ailleurs de tester d’autres plans de vols pour identifier les raisons des erreurs de
corr´elation sur certaines zones des MNS photogramm´eriques et d’utiliser un MNT pr´ecis
pour calculer les hauteurs. Enfin, ils mettent en ´evidence le probl`eme de co-registration
entre des MNS d’ann´ees diff´erentes pour l’analyse de s´eries temporelles.
2.4
Choix du MNT `
a adopter
L’un des plus grands probl`emes auquel nous sommes confront´es est souvent l’absence d’un
MNT de pr´ecision suffisante sur la zone d’´etude. Or, pour extraire la variable de hauteur,
un MNT avec un pas suffisamment fin est n´ecessaire.
2.4.1
Le MNT de la France
La BD ALTI R est le MNT fourni par l’IGN sur le territoire fran¸cais aux ´echelles
1 25000 et
1
1000000 avec un pas de 25 m est de pr´ecision variable en fonction de la zone.
Command´ee `a l’origine par l’OTAN entre 1977 et 1985, la BD Alti s’est enrichie par la
couche BD Topo `a partir de 1990 et s’est ensuite fig´ee depuis 2000. On peut voir sur la
figure 2.7que la pr´ecision de la BD Alti d´epend de la m´ethode de production, de l’´echelle
et de l’´equidistance des courbes de niveaux. En montagne, d`es que les d´enivel´ees sont
importantes, la pr´ecision altim´etrique du MNT est de 3 `a 7 m ([Pauthonnier, 2013]).
Figure 2.7 – Pr´ecision de la BD Alti `a diff´erentes ´echelles en fonction de l’´equidistance des courbes de niveau ([Pauthonnier, 2013])
Pour pouvoir mener une ´etude qui puisse ˆetre `a la base d’une ´evolution de la m´
ethodo-logie de l’inventaire forestier r´ealis´e lors de l’am´enagement forestier, et ce, quelle que soit
la zone d’´etude en France, il faudrait disposer d’un MNT de pr´ecision verticale sup´erieure
`
a la BD ALTI avec une densit´e de points plus grandes pour mieux d´ecrire la topographie.
Le LiDAR permet d’obtenir un MNT suffisamment dense pour calculer des MHC sur des
zones exp´erimentales.
2.4.2
Utilisation d’un MNT LiDAR pour la g´
en´
eration de MHC
photo-LiDAR
[St-Onge et al., 2008] ont fait une ´etude comparative au Canada. Ils calculent des
mod`eles photo-LiDAR de hauteur de la canop´ee. Le MNS est calcul´e `a partir de paires
st´er´eo de prises de vues a´eriennes num´eris´ees et le MNT est issu du vol LiDAR. Le but
est de comparer les hauteurs d’arbres mesur´ees de cette mani`ere avec celles extraites du
MHC LiDAR et consid´er´ees comme les mesures de r´ef´erence. Le lev´e LiDAR sert donc
non seulement `a calculer le MNT mais aussi pour calculer la pr´ecision du MHC
photo-LiDAR. Ils rapportent une pr´ecision de ± 30 cm sur l’estimation du sol sous le couvert
forestier et de 1 m sur la hauteur mesur´ee par st´er´eorestitution. Ils se sont focalis´es sur
l’information de hauteur d’arbres mais davantage de variables foresti`eres peuvent ˆetre
d´eduites des MHC. Deux r´egions ont fait l’objet de cette ´etude. Le site de ”Green River”,
d’une surface de 1,8 km2 et est situ´e dans une zone avec quelques reliefs `a une altitude
comprise entre 400 et 550 m`etres. Le sapin baumier est l’esp`ece la plus repr´esent´ee (80%)
et dans les clairi`eres, on peut trouver des bouleaux. Les hauteurs d’arbres n’exc`edent pas
15 m car il s’agit d’un espace d’am´enagement. Le site de la forˆet exp´erimentale du ”lac
Duparquet” a une superficie de 1 km2 est situ´e en plaine `a des altitudes comprises en 227
et 335 m`etres. Les esp`eces pr´esentes sont les mˆemes (majoritairement du conif`ere) mais il
s’agit d’une forˆet ˆag´ee marqu´ee par de nombreux feux et attaques d’insectes d´efoliateurs.
Le couvert est ´epars et compos´e d’arbres mesurant 20 `a 25 m`etres. La m´ethode employ´ee
est la suivante :
– les MNS photogramm´etriques sont co-registr´es avec les MNS LiDAR
– le MNT LiDAR donne l’altitude du sol pour normaliser les MNS LiDAR et
photo-gramm´etriques en MHC
– le MHC LiDAR sert de r´ef´erence pour estimer la pr´ecision du MHC photo-LiDAR
L’int´erˆet de comparer les MHC et non les MNS est de ne pas ˆetre influenc´e par
la topographie du sol mais on ajoute une source d’erreur (celle du lissage du MNT). [St-Onge et al., 2008] testent diff´erents param`etres du logiciel de photogramm´etrie en
jouant notamment sur les tailles des fenˆetres de corr´elation (de 5×5px `a 25×25 px) et
le pas de quantification (de 1 `a 25 px). Toutefois, les forˆets ´etudi´ees ne sont pas des
fo-rˆets feuillues et sont situ´ees en plaine ou sur de petits plateaux. Par ailleurs, l’aspect de
l’impact de la r´esolution des PVA sur la qualit´e des MNS n’a pas ´et´e ´etudi´e. Il n’y a en
effet eu qu’une campagne de vol par site pour un ratio BH = 0, 60 correspondant `a un
recouvrement longitudinal de 60%. De plus, aucune campagne de terrain n’a ´et´e men´ee
pour v´erifier l’int´egrit´e des donn´ees par des mesures directes de hauteur.
2.5
Estimation de la hauteur dominante `
a l’aide de
MHC
2.5.1
En utilisant une combinaison de canaux
[Jarnstedt et al., 2012] ont r´ealis´e une ´etude similaire `a [St-Onge et al., 2008] en
Fin-lande mais estim´e davantage de variables foresti`eres. Le site de l’´etude est une forˆet du sud
de la Finlande. Sur une surface de 2000 ha, les auteurs ont relev´e 402 placettes de 10 m
de rayon pour un total de pr`es de 9000 arbres mesur´es en hauteur. Ils disposent de clich´es
RGB et IRC d´elivr´es en 16 bits et orthorectifi´es avec une r´esolution spatiale de 25 cm.
Pour la mise en correspondance, ils conservent les canaux vert, rouge et IR, convertissent
les images en 8 bits et choisissent de les exploiter avec le module NGATE4 qui travaille
indiff´eremment avec des couples st´er´eo ou en multi-images ([BAE-Systems, 2013]). Pour
´
evaluer la pr´ecision de leurs estimations de la hauteur dominante, les auteurs calculent un
´
ecart-type de la fa¸con suivante :
σ = v u u t 1 n · n X i=1 (yi−ybi) 2 (2.2) b
yi est la variable mesur´ee ;
yi est la variable estim´ee ;
n le nombre de mesures.
Ils rapportent un ´ecart-type de 3,48 m sur la hauteur dominante calcul´ee d’apr`es les
MHC photogramm´etriques (voir tableau 2.1) qu’ils justifient par les impr´ecisions des
me-sures terrain et de la localisation planim´etrique des placettes.
MHC Variable σ [m] σ [%]
LiDAR H0 2,27 11,79
Photo H0 3,48 18,17
Tableau 2.1 – Pr´ecisions sur le calcul de la hauteur dominante `a partir des MHC LiDAR et photogramm´etriques
Cette ´etude pr´esente l’int´erˆet de combiner les mesures LiDAR et les prises de vues
a´eriennes haute r´esolution. Les auteurs apportent des informations sur le traitement
in-formatique des photographies et le calcul de pr´ecision des variables foresti`eres et mettent
en ´evidence les difficult´es rencontr´ees lors des mesures terrain qui nuisent grandement
`
a la pr´ecision des donn´ees utilis´ees comme r´ef´erence. En forˆet, la mesure de la hauteur
des arbres sur le terrain est entach´ee d’une erreur importante pour de multiples raisons
pratiques.
2.5.2
A l’aide d’un mod`
ele statistique
En Su`ede, [Bohlin et al., 2012] calculent un MNS de la canop´ee `a partir de photos
a´eriennes et en l’associant `a un MNT LiDAR, ils d´eduisent un MHC. Dans le cadre de
l’am´enagement forestier, ils extraient des variables telles que la hauteur d’arbre, le volume
moyen et la surface terri`ere et r´ealisent des mesures terrain pour connaˆıtre la pr´ecision de
leurs r´esultats. Ce travail pr´esente deux int´erˆets :
– le calcul de hauteurs d’arbres `a partir de mod`eles photo-LiDAR
– l’effet de la r´esolution des photographies a´eriennes sur l’estimation des hauteurs
Pour cela, ils ont r´ealis´e plusieurs vols avec diff´erents param`etres comme on peut le voir
dans le tableau 2.2 :
Jeu Hauteur [m] l [%] q [%]
1 4800 60 30
2 4800 80 30
3 1200 80 60
Tableau 2.2 – Description des jeux exp´erimentaux de PVA avec l le recouvrement longitudinal, q le recouvrement lat´eral ([Bohlin et al., 2012])
La zone d’´etude fait partie de la forˆet de Remningstorp dans le sud-ouest de la Su`ede. La
topographie est plane et la forˆet est compos´ee d’´epic´eas, de pins sylvestres et de bouleaux.
Les auteurs ont relev´e 344 placettes de 10 m de rayon dispos´ees r´eguli`erement sur une
grille. Les centres des placettes ont ´et´e mesur´es au DGPS avec une pr´ecision de ±10 cm.
Le vol LiDAR a eu lieu `a 250 m avec une densit´e de 7 points/m2 et une empreinte au sol
de 25 cm. La densit´e est plus importante que pour les vols LiDAR usuels (1 `a 2 points/m2)
afin de g´en´erer un raster moins liss´e. Un MNS LiDAR a ´et´e calcul´e avec la m´ethodeTIN
avec des cellules de 0,5 m2. Pour ´evaluer la pr´ecision des hauteurs calcul´ees, les auteurs
font intervenir dans le calcul de la pr´ecision des variables ind´ependantes telles que les
centiles de points de la distribution de la hauteur : par exemple p60 correspond `a 60%
du total des points mesur´es. Ils ajoutent ensuite une variable de densit´e pour le calcul
de volumes : d20 correspond `a la proportion de points dont la hauteur est sup´erieure `a
20% de la hauteur maximale. Pour chaque jeu de photographies, les variables les plus
adapt´ees sont utilis´ees dans le calcul de la pr´ecision sur les hauteurs d’arbres. Le tableau
2.3 montre une corr´elation importante entre les mesures de terrain et les hauteurs issues
du MHC photo-LiDAR. En choisissant 80% de la distribution de la hauteur maximale
du MHC recouvrant les placettes de terrain, les hauteurs dominantes sont d´etermin´ees
avec une pr´ecision moyenne de ±1,60 m. L’estimation de la hauteur dominante `a partir
du MHC issu du vol 3 est la plus pr´ecise avec un ´ecart-type de 1,40 m. Ce vol ayant ´et´e
r´ealis´e `a basse altitude avec des recouvrements importants met en ´evidence l’importance
des param`etres de vol utilis´es pour l’´evaluation de la hauteur dominante.
Jeu Centile R2 σ [m]
1 p80 0,86 1,6
2 p60 0,85 1,6
3 p80 0,86 1,4
Tableau 2.3 – Relation entre les centiles des distributions de hauteur des MHC photo-LiDAR et les mesures terrain
Le travail de [Bohlin et al., 2012] est une bonne base pour les calculs statistiques
met-tant en ´evidence la corr´elation entre les mesures terrain et les MNS photogramm´etriques.
L’ajout de variables ind´ependantes est une piste d’´etude int´eressante car elle permet
d’aug-menter la pr´ecision des r´esultats. La fiabilit´e des r´esultats est n´eanmoins ´etroitement li´ee
aux caract´eristiques de la forˆet d’´etude qui est h´emi-bor´eale et homog`ene. De plus, les
auteurs ont relev´e plus de 300 placettes, ce qui permet d’avoir des statistiques abouties.
Lors de la planification de ma propre campagne de mesures, je devrai tenir compte du temps restreint du stage qui ne permet pas de mesurer autant de placettes.
2.6
Objectifs sp´
ecifiques du projet
Pour r´epondre aux interrogations de l’ONF sur le potentiel de la photogramm´etrie
ap-pliqu´ee aux PVA de l’IGN pour am´eliorer l’inventaire d’am´enagement et sur la base des
´
etudes pr´esent´ees ci-dessus, il sera int´eressant dans un premier temps de qualifier des
MNS issus de photographies aux caract´eristiques diff´erentes et de mettre en pratique les
estimations de hauteur dominante `a partir de MHC photogramm´etriques dans des forˆets
m´elang´ees, i.e. qui pr´esentent plusieurs types de peuplements. Nous mettrons en place
une m´ethodologie pour g´en´erer les MNS photogramm´etriques les plus pr´ecis possibles
compte-tenu des limites impos´ees par les algorithmes de calcul (surfaces non textur´ees,
topographie vari´ee...). Celle-ci commencera par le choix du site d’´etude, la planification
des mesures de terrain, le choix des plans de vol et des param`etres photographiques
glo-baux. Aura lieu ensuite, une comparaison de la qualit´e des MNS g´en´er´es `a partir de clich´es
de r´esolution diff´erente. Enfin, une ´etude statistique permettra de d´eterminer quelle pr´
eci-sion globale nous pouvons atteindre sur l’estimation de la hauteur dominante en prenant
3
Acquisition des donn´
ees
Sommaire
3.1 Pr´esentation du site de l’´etude . . . 17
3.2 Donn´ees disponibles . . . 19
3.2.1 BD de l’am´enagement de la forˆet domaniale du Ventouret . . . 19
3.2.2 Prises de vues a´eriennes de l’IGN . . . 20
3.2.3 Vols LiDAR a´eroport´e . . . 20
3.2.4 Date de mise `a disposition des donn´ees. . . 21
3.3 Campagne sp´ecifique de lev´es terrain . . . 21
3.4 Campagne de PVA avec un drone . . . 23
3.4.1 Mat´eriel photographique et drone utilis´es . . . 23
3.4.1.1 R´eglages de l’appareil photographique . . . 23
3.4.1.2 Calibration interne de l’appareil photographique . . . 24
3.4.2 Drone utilis´e et constitution des plans de vols . . . 25
3.4.2.1 Description du drone . . . 25
3.4.2.2 Plans de vol . . . 26
3.1
Pr´
esentation du site de l’´
etude
Le pˆole R&D de l’ONFde Nancy est coordinateur du projet et en charge du choix du
site d’´etude. La s´election de la forˆet a fait l’objet d’une r´eflexion de groupe et conditionn´ee
par les crit`eres suivants :
la production : le site, g´er´e par l’ONF, doit ˆetre dynamique avec une exploitation du
bois destin´e `a la vente ;
la diversit´e : le site doit ˆetre repr´esentatif de ce qu’on trouve `a l’´echelle nationale, une
forˆet mixte compos´ee de futaies, de taillis et de diff´erentes essences de feuillus et de
conif`eres ;
la vari´et´e : la topographie et la situation g´eographique doivent cerner un maximum de
types de relief pour les besoins de l’´etude ;
l’acc`es aux donn´ees : des donn´ees de diff´erentes natures (PVA, Lidar, BDD terrain...)
et acquises `a des dates assez proches doivent ˆetre disponibles.
Plusieurs sites ont ´et´e ´evoqu´es mais aucun ne r´epondait `a l’ensemble des crit`eres de
Moselle) car l’acc`es aux donn´ees ´etait facilit´e par des projets transversaux mais le d´
eca-lage temporel entre ces diff´erentes sources de donn´ees et l’´eloignement avec Montpellier
´
etaient r´edhibitoires. Des campagnes de PVA et un vol LiDAR ont ´et´e r´ealis´ees par l’IGN
sur la forˆet domaniale du Ventouret (Vaucluse) en 2012. Situ´ee en moyenne montagne `a
proximit´e de Montpellier (2h de route), cette forˆet est un site adapt´e pour effectuer des
relev´es de terrain puisque l’on dispose de donn´ees tr`es r´ecentes. Toutes ces raisons nous
ont encourag´es `a choisir ce site exp´erimental.
Figure 3.1 – Plan de situation de la forˆet domaniale du Ventouret
Situation g´eographique On peut voir sur la figure3.1que la forˆet domaniale du
Ven-touret (FDV) est situ´ee `a 50 km d’Avignon sur le versant Sud de la partie orientale du
Mont-Ventoux (Vaucluse). La forˆet domaniale du Ventouret s’´etend sur pr`es de 2800
hec-tares entre 1000 et 1600 m d’altitude. Les 2243 unit´es d’analyse (UA) qui la composent ont
´
et´e relev´ees entre 2011 et 2012 avec un protocole unique (le d´etail des protocoles peut ˆetre
vu en annexe A.2). Toutefois, ces mesures s’av`erent moins pr´ecises qu’avec des placettes
exp´erimentales car les observations ont lieu sensiblement au centre des parcelles foresti`eres
mais ne sont pas g´eor´ef´erenc´ees. Les limites de la combe de la font Margot (cadre bleu), un
vallon profond tr`es large qui pr´esente de fortes variations de pente et d’ensoleillement et
de l’emprise LiDAR du vol r´ealis´e par l’IGN (voir3.2.3) sont repr´esent´ees sur la figure3.2.
Ces limites sont repr´esentatives des essences et des hauteurs des peuplements ainsi que
de leur ´etat sanitaire (r´eg´en´eration, forˆet d´ep´erissante. . .). On recense principalement des
futaies de pin (noir, `a crochets et sylvestre), des taillis de chˆene, des c´edraies et des hˆ
e-traies1. Il s’av`ere int´eressant de se limiter `a une surface comprise dans l’union des deux
emprises pour ´etudier le qualit´e des MNS `a travers des mesures ponctuelles de hauteurs
d’arbres.
1. futaies de c`edre et de hˆetre
Figure 3.2 – D´etail des essences de la FDV et emprises des zones d’int´erˆet.
Enjeux de production La forˆet domaniale du Ventouret ne fait pas partie des forˆet
qui d´egagent une forte production. Des placettes temporaires r´eparties homog`enement
sur 2700 hectares de forˆet ont permis la mesure des 2243 UA. Le coˆut `a l’hectare des
relev´es de terrain est estim´e en moyenne `a 10e d’apr`es le bar`eme de l’ONF en 2012 avec
un rendement de 5 placettes/HJ. Cependant, le temps d’inventaire varie ´enorm´ement :
de 0, 03 `a 0, 6 HJ/ha, principalement en fonction de crit`eres que sont l’h´et´erog´en´eit´e des
peuplements, la surface `a couvrir et la topographie. Dans le cas de la forˆet domaniale du
Ventouret, il est question de 0, 1 HJ/ha, soit environ 270 jours de travail. Selon le bar`eme
de l’ONF en 2013 le coˆut de l’inventaire forestier de la forˆet domaniale du Ventouret
s’´el`eve `a 58e/ha soit 156600e, temps de saisie des donn´ees compris.
3.2
Donn´
ees disponibles
3.2.1
BD de l’am´
enagement de la forˆ
et domaniale du Ventouret
Figure 3.3 – Extrait de la BD de l’am´enagement de l’ONF sur la Forˆet
domaniale du Ventouret (2012)
Je dispose au d´epart de la base de
don-n´ees de l’am´enagement de la forˆet
doma-niale du Ventouret. Cette base de donn´ees
dont nous pouvons voir un extrait sur la figure 3.3 met en relation les UA et les
me-sures collect´ees lors de l’am´enagement
fo-restier. Les champs surface, peuplement, ˆ
age, couvert, densit´e, hauteur dominante,
et plusieurs champs d´edi´es `a la r´eg´en´
era-tion des peuplements d´ecrivent avec pr´
e-cision chaque UA. On retrouve ´egalement
un code des peuplements qui s’av`ere tr`es
utile pour effectuer des groupements
3.2.2
Prises de vues a´
eriennes de l’IGN
Des campagnes de PVA ont ´et´e r´ealis´ees par l’IGN en 2009 et 2012 pour la r´ealisation de
la BD Ortho avec une cam´era 4 canaux de l’entreprise autrichienne Vexcel : une UltraCam
XP calibr´ee avec un pixel image de 6 µm et une focale de 100,5 mm (voir la fiche de
calibration en annexe A.3). Les plans de vol sont diff´erents, ce qui se traduit par un pixel
au sol plus fin pour la campagne la plus r´ecente (voir le tableau 3.1). La figure 3.4 met
en ´evidence la p´eriode de l’ann´ee choisie pour la campagne, en juin pour 2009 (les arbres
sont en feuille) et en mai pour 2012 (nous verrons par la suite l’impact que cela aura sur les MNS produits).
Figure 3.4 – Comparaison des clich´es IGN de 2009 (`a g.) et de 2012 (`a d.)
Ann´ee Hauteur de vol [m] R´esolution spatiale [m] l [%] q [%] Canaux
2009 6000 0,30 60 20 RVB
2012 4375 0,25 60 20 RVB
Tableau 3.1 – Comparaison des jeux de donn´ees de PVA de l’IGN sur la FDV. l repr´esente le recouvrement longitudinal et q le recouvrement lat´eral
Ces deux vols permettent d´ej`a de tester l’impact de la r´esolution sur les MNS produits.
Toutefois, il serait int´eressant d’observer l’impact de photographies dix fois mieux r´esolues
sur la pr´ecision des MNS. C’est ce que nous verrons dans la partie consacr´ee `a la campagne
de PVA tr`es haute r´esolution `a l’aide de drones.
3.2.3
Vols LiDAR a´
eroport´
e
Comme nous l’avons vu en 3.1, le choix du site ´etait conditionn´e par la quantit´e
de donn´ees disponibles. Le tableau 3.2 montre les mod`eles de vols LiDAR effectu´es sur
une partie de la forˆet domaniale du Ventouret au cours de l’hiver 2012. Il s’agit de vols
r´ealis´es avec une densit´e de points classique en pr´evision de la future campagne LiDAR
de r´enovation de la grille de r´ef´erence de l’altim´etrie fran¸caise. Cette densit´e n’est pas
forc´ement adapt´ee `a une utilisation en forˆet qui n´ecessite plutˆot 4 `a 8 points/m2 mais
davantage pour extraire un MNT. Nous utiliserons donc l’alternative 1 dont la densit´e est
la plus ´elev´ee comme r´ef´erence dans les calculs de MHC photo-LiDAR.
Mod`eles Hauteur de vol [m] Angle d’ou-verture ver-tical [˚] Balayage [Hz] Fr´equence d’acquisi-tion [kHz] Densit´e du nuage brut [pt/m2] Alternative 1 1530 16 40 71 2 Alternative 2 1530 25 30 71 0,5
Tableau 3.2 – Sp´ecification des vols LiDAR sur la FDV
3.2.4
Date de mise `
a disposition des donn´
ees
Pour des raisons d’organisation du projet ind´ependantes de mon travail, les donn´ees
LiDAR et les prises de vues a´eriennes « sources » de l’IGN ont ´et´e disponibles tardivement
(28 juin), ce qui a fortement r´eduit les possibilit´es d’analyses sur ces donn´ees au cours de
mon projet de fin d’´etudes.
3.3
Campagne sp´
ecifique de lev´
es terrain
Pour identifier au mieux les parcelles repr´esentatives de la forˆet domaniale du
Ventou-ret, la zone d’´etude a ´et´e limit´ee `a l’emprise LiDAR qui est repr´esentative des peuplements
(3.1). La BD a ´et´e simplifi´ee car le nombre de groupements d’arbres ´etait trop important
en vue de faire des relev´es de terrain. Nous avons dans un premier temps r´eduit aux
peu-plements dits « purs » c’est `a dire dont l’essence principale repr´esente au moins 107 du
couvert. Au sein de ces groupements, des classes de hauteur ont ´et´e cr´e´ees :
– 0<h<5 : 1 – 5<h<10 : 2 – 10<h<15 : 3 – 15<h<20 : 4
Enfin, seuls les groupements pr´esents dans au moins 20 UA ont ´et´e retenus. Au total,
16 groupements de peuplements repr´esentatifs de la FDV ont ´et´e identifi´es. Le tableau3.3
donne les essences principales, les groupements associ´es et le nombre d’UA dans lesquelles
Essence Groupement Nombre d’UA C`edre CED2 45 CED3 41 CED4 34 Chˆene CHY1 137 CHY2 66 CHY3 21 Hˆetre HET2 121 HET3 102 HET4 38 Pin Noir PN2 93 PN3 187 PN4 109 Pin Sylvestre PS2 94 PS3 101 Pin `a Crochets PX2 93 PX3 89
Tableau 3.3 – Classification des groupements d’arbres repr´esentatifs de la FDV
Pour faciliter les relev´es terrain, 7 zones que l’on peut voir en annexeA.4avec au
mini-mum 2 groupements d’arbres ont ´et´e identifi´ees. Accessibles par la route d´epartementale
et les chemins forestiers, ces zones pr´esentent des ensoleillements et topographies vari´es.
L’objectif du premier volet de la mission de terrain a ´et´e la reconnaissance des lieux et
la signalisation de placettes potentielles. Pour ce faire, nous avons arpent´e le massif de la
forˆet domaniale du Ventouret, identifi´e les peuplements et balis´e `a l’aide de rubans color´es
les placettes candidates. Les centres des placettes ont ´et´e relev´es `a l’aide d’un GPS pi´eton
(pr´ecision planim´etrique de ±10m) et l’environnement photographi´e pour se rep´erer plus
facilement.
Par la suite, les 16 peuplements ont fait l’objet d’une campagne sp´ecifique de mesures
de placettes. Sur chaque placette nous avons mesur´e :
Position planim´etrique des arbres La distance du centre de chaque arbre caract´
eris-tique vers le centre de la placette est mesur´ee avec un t´el´em`etre laser. L’angle est mesur´e
finement `a la boussole depuis le centre de la placette qui est relev´e au DGPS pour le
g´eor´ef´erencement.
Hauteur des arbres dominants Les hauteurs sont mesur´ees au Vertex ([Hagl¨of, 2013]),
un inclinom`etre `a ultrasons qui permet de mesurer distances et hauteurs d’arbres `a
tra-vers la v´eg´etation. Une premi`ere vis´ee depuis le centre de la placette vers l’´emetteur situ´e
sur l’arbre `a 1,30 m donne un premier angle vertical et la distance puis une vis´ee sur le
sommet de l’arbre donne un deuxi`eme angle vertical. Par r´esolution de triangles, le Vertex
donne la hauteur de l’arbre. Chaque mesure de hauteur est d´etermin´ee depuis un autre
point de vue pour v´erifier qu’il n’y a pas d’aberration.
3.4
Campagne de PVA avec un drone
Afin d’´etudier l’impact de la r´esolution des PVA sur la qualit´e des MNS, une campagne
de PVA `a l’aide de drones munis de compacts num´eriques a ´et´e organis´ee. Dans une
premi`ere partie nous exposons les principaux r´eglages de l’appareil photographique et
dans une seconde partie, nous d´evelopperons les aspects g´eom´etriques avec les plans de
vol r´ealis´es.
3.4.1
Mat´
eriel photographique et drone utilis´
es
En photogramm´etrie, la qualit´e des photos est primordiale car elle influence
directe-ment les r´esultats des traitements. Il est donc n´ecessaire de trouver les bons r´eglages de
l’appareil photo pour obtenir des clich´es nets et bien expos´es.
3.4.1.1 R´eglages de l’appareil photographique
Le compact num´erique est un Sigma DP2 Merrill ´equip´e d’un capteur Foveon X3 de 46
millions de pixels dont les dimensions font 23, 5 × 15, 7mm ([SIGMA, 2013]). Il est muni
d’une focale fixe de 30mm (´equivalent 35mm : 45mm). Cet objectif n’est pas `a focalisation
fixe mais on peut bloquer la bague et faire la mise au point `a l’infini `a la mani`ere d’un
r´eflex. Les photos sont toutes prises aux formats RAW et JPEG pour le post-traitement
avec une r´esolution de 4704 × 3136px.
Autofocus L’autofocus est d´esactiv´e pour conserver la g´eom´etrie interne de la cam´era
et ne pas modifier la valeur de la distance focale.
Nombre d’ouverture Plus couramment appel´ee ouverture, il permet de contrˆoler la
luminosit´e et la profondeur de champ, il s’exprime par la formule :
k = f
D (3.1)
k : l’ouverture f : la focale
D : le diam`etre de la pupille de sortie
Les valeurs d’ouvertures choisies sont relativement grandes : f 2, 8 ; f 3, 2 ; f 5, 6.
Profondeur de champ La profondeur de champ est une zone dans laquelle l’objet
ap-paraitra net lors de la photographie. Quand k augmente la profondeur de champ augmente.
f ´etant constante, la profondeur de champ augmente quand le diam`etre de la pupille de
sortie diminue. Le diam`etre de la pupille de sortie est contrˆol´e par un diaphragme.
L’uti-lisation du diaphragme pour un appareil photographique est assimilable `a l’iris de l’œil,
plus la luminosit´e d’un lieu est faible et plus l’ouverture du diaphragme est grande, `a
Temps de pose Il permet de figer un mouvement et donc d’´eliminer les petits
mou-vements du sujet photographi´e et du photographe lui-mˆeme. Le photographe doit choisir
une dur´ee d’exposition tr`es courte et donc une vitesse d’obturation ´elev´ee pour avoir une
image nette malgr´e quelques mouvements. Dans notre cas, le site d’´etude est soumis `a
des turbulences parfois importantes et le drone peine souvent `a se stabiliser si bien que
nous avons choisi des temps d’exposition tr`es faibles de 6401 et 10001 combin´es `a un grand
nombre d’ouverture.
Sensibilit´e ISO La sensibilit´e ISO exprime la capacit´e d’un capteur `a r´eagir `a la
lu-mi`ere. Plus sa valeur est ´elev´ee plus l’image pr´esentera de bruit, au contraire, pour des
valeurs faibles, l’image est plus fine. La sensibilit´e ISO impacte directement la qualit´e de
la corr´elation en diminuant la qualit´e de d´etection des points homologues. Nous avons
choisi une valeur faible ISO100 pour tout le site.
Balance des blancs La balance des blancs est r´egl´ee sur le mode automatique ”temps
ensoleill´e”.
Le tableau3.4 r´ecapitule les r´eglages optimaux de l’appareil photo pour le site exp´
erimen-tal de la FDV.
R´eglages optimaux
Autofocus et zoom D´esactiv´e
Ouverture f 2, 8 ; f 3, 2 ; f 5, 6
Sensibilit´e ISO ISO100
Temps de pose 1/640 ; 1/1000
Tableau 3.4 – R´eglages optimaux de l’appareil Sigma DP2 Merrill
3.4.1.2 Calibration interne de l’appareil photographique
Un appareil photographique doit ˆetre calibr´e pour que les calculs effectu´es tiennent
compte de la d´eformation de l’optique. Concernant, les PVA r´ealis´ees par l’IGN, nous
disposons d’un certificat de calibration (voir la figure A.3). Ce type de cam´era est
suf-fisamment stable pour ne pas avoir `a recalculer les param`etres de calibration, dans ce
cas, nous indiquons que nous figeons le mod`ele. Pour ce qui est du compact DP2 Merrill,
l’optique a beau ˆetre de bonne facture, il est n´ecessaire de calculer les distorsions radiales
et tangentielles, la distance focale et les centres des points principaux. Pour ce faire, deux
solutions s’ouvrent `a nous :
1. la calibration `a l’aide d’un polygone d’´etalonnage
2. la calibration sur le terrain
A l’aide d’un polygone d’´etalonnage Pour d´eterminer les param`etres internes, on
se base sur les photographies d’un polygone d’´etalonnage i.e. d’un r´eseau de points connus
tr`es pr´ecis´ement en coordonn´ees. La Maison de la T´el´ed´etection a r´ealis´e son propre
po-lygone d’´etalonnage sur un bˆatiment o`u pr`es de 200 points r´epartis homog´enement et
facilement identifiables ont ´et´e relev´es au tach´eom`etre. Par ailleurs, le bˆatiment
com-porte suffisamment de points de fuite pour ´evaluer pr´ecis´ement la distance focale (voir la
figure 3.5).
Figure 3.5 – Polygone d’´etalonnage de la maison de la T´el´ed´etection
Auto-calibration L’autre solution consiste `a s’appuyer sur des clich´es r´ealis´es sur le
terrain pendant la mission. Ceux-ci doivent pr´esenter une g´eom´etrie avec des points de
fuite (type angle interne de mur). Le logiciel de mise en correspondance recalcule ensuite
les param`etres internes `a partir de valeurs initiales proches en int´egrant les distorsions
comme des variables.
En forˆet, il s’av`ere difficile de trouver une sc`ene qui pr´esente ce type de g´eom´etrie id´eale.
Cependant nous pourrons nous appuyer sur les clich´es des prise de vues a´eriennes qui
pr´esentent suffisamment de diff´erences de profondeur pour calculer la distance focale.
Nous pourrons comparer le fichier de calibration obtenu avec les valeurs th´eoriques et
celles de la calibration r´ealis´ee `a l’aide du polygone d’´etalonnage.
3.4.2
Drone utilis´
e et constitution des plans de vols
3.4.2.1 Description du drone
A la Maison de la T´el´ed´etection, nous disposons de plusieurs drones de la marque
MikroKopter ([MikroKopter, 2013]). Il s’agit de drones `a 4, 6 ou 8 rotors ´equip´es d’une
carte ´electronique `a laquelle viennent s’ajouter un r´ecepteur GNSS et un magn´etom`etre.
La nacelle permet d’y atteler deux compacts num´eriques, l’un dans le visible, l’autre ´equip´e
d’un filtre dans le proche infrarouge, pour calculer des indices de v´eg´etation type NDVI2
par combinaison avec les donn´ees acquises dans le visible. Les prises de vues sont toujours
proches du cas normal car la nacelle est initialis´ee avant le d´ecollage `a l’horizontale et elle
corrige ensuite les effets de tangage, roulis et lacet. Le drone est contrˆol´e manuellement
pour les phases de d´ecollage et d’atterrissage. Pour le reste, il suit le plan de vol transmis
au pr´ealable. Le plan de vol d´epend de la base que l’on souhaite entre les clich´es et de la
hauteur de vol. Des param`etres internes li´es `a l’exp´erience que l’on a du terrain sont `a
sp´ecifier (vitesse du drone. . .).
Figure 3.6 – Descriptif des principaux ´el´ements d’un drone `a 6 rotors
3.4.2.2 Plans de vol
Choix des placettes Nous avons d´ecid´e de faire des vols sur quatre sites de 40 ares
environ parmi les 16 peuplements identifi´es en 3.3 qui avaient fait l’objet de mesures
de terrain et qui pr´esentent des essences de hˆetre, de pin noir, de pin `a crochets et de
c`edre. La campagne a eu lieu apr`es que le printemps ait d´emarr´e pour avoir des arbres
en feuilles, un ensoleillement plus long dans la journ´ee et une ´el´evation solaire suffisante.
Afin d’assurer une bonne corr´elation pour obtenir un MNS de qualit´e, nous avons tabl´e
sur 80% de recouvrement inter-bandes et inter-vols entre les clich´es. En effet les premiers
tests effectu´es hors-feuilles avec des recouvrements standards de 60% et 30% `a la hauteur
de vol de 50m s’´etaient r´ev´el´es insuffisants.
Param`etres de vol L’autonomie des batteries n’´etant pas tr`es grande, le nombre de
clich´es doit ˆetre inf´erieur `a 20, c’est pourquoi nous d´ecidons de voler `a une hauteur de
120m. Dans ces conditions, le tableau 3.5 r´esume les param`etres de vol calcul´es avec les
notations de [Grussenmeyer, 1998] pour un recouvrement de 80 %.
Hauteur de vol [m] S [m] T[m] B [m] A [m] Pixel Terrain [cm]
120 63 94 13 19 2,0
Tableau 3.5 – Param`etres de vol pour les PVA drone. S et T repr´esentent respectivement la largeur et la longueur du cˆot´e sur le terrain, B la longueur de base et A la distance
inter-bandes.
D’apr`es [Hullo, 2009], le rapport HB doit ˆetre inf´erieur `a 0,3 pour assurer une bonne
corr´elation. Avec une hauteur de vol de 120 m et un recouvrement de 80%, on obtient un
rapport BH compris entre 0,1 et 0,15. La figure 3.7 illustre le plan de vol pour une zone
d’int´erˆet o`u l’on trouve des essences de hˆetre et de pin `a crochets. Chaque polygone de
couleur correspond `a un groupement forestier diff´erent parmi les 16 issus de la classification
pr´ec´edente. Le drone a pris 16 clich´es (points 0 `a 15 sur la figure 3.7) mais n’effectue pas
un lacet comme lors d’un vol classique. Ceci est une adaptation aux conditions climatiques
qui ´evite au drone de prendre des photos avec un vent de face. Les deux rectangles donnent
l’emprise des photos sur le terrain. Le grand cˆot´e correspond `a la longueur sur le terrain
(T) et le petit cˆot´e `a la largeur (S). A est la distance inter-bandes (e.g. dpt0−pt8) et B la
longueur de base (e.g. dpt0−pt1).
Figure 3.7 – Plan de vol de la zone 2. En violet, le groupement HET3, en rose pˆale PX2. Les rectangles correspondent `a l’emprise des prises de vues pour des recouvrements de 80%.
R´ecapitulatif des donn´ees Le tableau3.6 donne les clich´es qui seront utilis´es pour la
g´en´eration des MNS avec leurs principales caract´eristiques.
Source Date Nombre de clich´es R´esolution [m] l [%] q [%]
IGN 2009 06/09 4 0,30 60 20 2012 05/12 15 0,25 60 20 Drone HET3 20/06/13 16 0,02-0,03 80 80 HET2 20 PX3 24 CED2/3/4 16
4
Traitement photogramm´
etrique pour la g´
en´
eration de
MNS
Sommaire
4.1 Description du logiciel de mise en correspondance . . . 29
4.2 Optimisation des param`etres dans la suite PAM. . . 31
4.2.1 Recherche des points de liaison . . . 31
4.2.2 A´ero-triangulation . . . 31
4.2.3 Mise en correspondance des clich´es . . . 33
4.2.3.1 Param`etres de la mise en correspondance . . . 33
4.2.3.2 R´ecapitulatif des tests . . . 34
4.3 Post-traitement des mod`eles num´eriques de surface. . . 35
4.3.1 Importation des MNS dans ArcGIS. . . 35
4.3.2 Validation des MNS avec le param´etrage avanc´e . . . 35
4.3.3 G´en´eration des mod`eles de hauteur de couvert . . . 35
4.1
Description du logiciel de mise en correspondance
MicMac est un logiciel de mise en correspondance d’images dont la conception par Marc
Pierrot Deseilligny, chercheur `a l’IGN, remonte `a 2005. La premi`ere version de MicMac
´
etait r´eserv´ee `a un usage ne d´epassant pas le cadre exp´erimental et le logiciel ´etait alors
la propri´et´e de l’IGN. Depuis, il a ´evolu´e, pour devenir open source en 2007 et il
pos-s`ede maintenant une interface d´evelopp´ee par Isabelle Cl´ery ([Cl´ery, 2012]). Micmac est
`
a l’origine d´evelopp´e sur Unix mais les ´evolutions r´ecentes comprennent une version
fonc-tionnant sous Windows. Toutefois les outils graphiques de l’interfaceeLiSe1 ne sont encore
pas disponibles tant qu’ils n’auront pas ´et´e d´evelopp´es sur Qt2.
MicMac permet de r´esoudre des probl`emes de mises en correspondance suivants :
– calcul de mod`eles num´eriques d’´el´evation `a partir d’images a´eriennes `a haute r´
eso-lution
– calcul de mod`eles num´eriques de terrain `a partir d’images satellites
– calcul de points de liaisons dans l’a´ero-triangulation
– calcul de points homologues pour la superposition d’images multi canaux
1. ELements of an Image Software Environnement
Sur la figure 4.1, on peut voir qu’il existe deux chaˆınes de traitement diff´erentes pour l’obtention d’un MNS :
• Le pipeline originelPAM constitu´e de fichiers XML enti`erement configurable :
Pastis est une interface `a l’algorithme SIFT++ pour la d´etection des points de
liaison ;
Ap´ero utilise les points de liaison cr´e´es dans Pastis pour calculer les orientations
internes et relatives ;
MicMac utilise les orientations calcul´ees dans Ap´ero et fait la mise en
correspon-dance des images ;
Porto est un module optionnel qui g´en`ere une ortho-photo globale `a partir des
ortho-photos individuelles g´en´er´ees dans MicMac.
• La suite utilisant l’interface simplifi´ee en lignes de commandes :
Tapioca d´etecte automatiquement les points de liaison ;
Tapas calcule automatiquement les orientations internes et relatives ;
Malt r´ealise la mise en correspondance de mani`ere semi-automatique ;
Tawny permet de g´en´erer l’ortho-photo globale.
A partir de l’interface simplifi´ee, il est possible de r´ealiser presque tous les types de
travaux envisageables avec le pipeline XML classique. Chaque module dispose en effet de
plusieurs param`etres obligatoires et d’autres facultatifs qui permettent d’affiner les r´
esul-tats selon les besoins de l’´etude. Nous d´etaillons les param`etres utilis´es pour la cr´eation
de MNS sur notre site d’´etude forestier.
Entr´ee 1. Orientationinterne num´eriseur 2. Recherche 3. A´erotriangulation 4. Appariement dense Sortie
MNC Clich´es num´eriques Points d’appui Trajectographie G´eom´etrie interne capteur points liaison Suite mic-mac Suite mic-mac simplifi´ee Service production IGN OI pastis tapioca ap´ero tapas micmac malt PtLiaison TopAero Autres solutions
(Open Source) Bundler PMVS
XML
+ Rafia Photoshop
+ TA+
Figure 4.1 – Chaine de calcul de MicMac et comparaison avec d’autres solutions (d’apr`es Burochin, 2013)