Scanforest - Inventaire forestier par drone
Cet article décrit la méthodologie employée par Scanforest afin de produire un inventaire forestier rapidement à partir d’un nuage de points généré à la suite d’une acqusition LiDAR par drone. Dans la suite de ce document, tous les exemples donnés seront produits à partir d’un échantillon de nuage de points représentant une parcelle de la forêt de Saint-Germain-en-Laye (78), d’une dimension d’environ 100 m x 130 m. Cette forêt est composée majoritairement de chênes. Cet échantillon, ainsi que tous les modèles décrits dans cet article, sont disponibles sur simple demande en suivant ce lien.

1. Lecture, validation et représentation des données

1.1. Lecture des données

Le nuage est analysé afin d’extraire les principales métriques du fichier. Voici un aperçu non exhaustif du type de métrique que nous pouvons extraire de notre nuage en exemple.

Exemple :
• class : LAS (v1.2 format 3)
• memory : 318.8 Mb
• extent : 1631608, 1631739, 8190459, 8190564 (xmin, xmax, ymin, ymax)
• coord. ref. : RGF93 / CC49
• area : 13848.17 m²
• points : 3.63 million points
• density : 262.36 points/m²
• Num. of point records: 3633214
• Num. of points by return: 2591761 935317 106136 0 0

1.2. Validation des données

Un ensemble de vérification est ensuite appliqué au fichier afin de s’assurer que les données sont complètes et valides.

Exemple :
– Checking coordinates… ✓
– Checking coordinates type… ✓
– Checking coordinates range… ✓
– Checking coordinates quantization… ✓
– Checking attributes type… ✓
– Checking ReturnNumber validity… ✓
– Checking NumberOfReturns validity… ✓
– Checking ReturnNumber vs. NumberOfReturns… ✓
– Checking RGB validity… ✓
– Checking absence of NAs… ✓
– Checking duplicated points…
⚠ 2 points are duplicated and share XYZ coordinates with other points
– Checking degenerated ground points…
⚠ There were 48 degenerated ground points. Some X Y coordinates were repeated but with different Z coordinates.
– Checking attribute population…
⚠ ‘ScanDirectionFlag’ attribute is not populated.
⚠ ‘EdgeOfFlightline’ attribute is not populated.
– Checking gpstime incoherances
✗ 249049 pulses (points with the same gpstime) have points with identical ReturnNumber
– Checking flag attributes… ✓
– Checking user data attribute… ✓
Checking the header
– Checking header completeness… ✓
– Checking scale factor validity… ✓
– Checking point data format ID validity… ✓
– Checking extra bytes attributes validity… ✓
– Checking the bounding box validity… ✓
– Checking coordinate reference sytem…
⚠ A proj4string found but no CRS in the header.
Checking header vs data adequacy
– Checking attributes vs. point format… ✓
– Checking header bbox vs. actual content… ✓
– Checking header number of points vs. actual content… ✓
– Checking header return number vs. actual content… ✓
Checking preprocessing already done
– Checking ground classification… yes
– Checking normalization… no
– Checking negative outliers… ✓
– Checking flightline classification… yes

1.3. Représentation du nuage

Le nuage est visualisé en 3 dimensions afin d’apporter un contrôle visuel sur les données. Des sections en 2 dimensions peuvent également être représentées.

Exemple : représentation 3D du nuage

Scanforest - Nuage de points

 

Exemple : représentation 2D d’une section au centre du nuage

Scanforest - Section nuage de points

2. Classification des points sol

Plusieurs algorithmes peuvent être appliqués afin de classifier les points représentant le sol. Parmi ceux-ci nous utilisons principalement le « Progressive Morphological Filter » et le « Cloth Simulation Function ».

Exemple : classification sol / sursol avec l’algorithme PMF

Scanforest - Classification des points sol

3. Production du Modèle Numérique de Terrain (MNT)

De la même manière plusieurs algorithmes peuvent être utilisés pour produire le MNT. Selon la nature du terrain, nous pouvons utiliser l’un ou l’autre des algorithmes suivants :
• Triangular irregular network (TIN)
• Invert distance weighting (IDW)
• Kriging

Exemple : MNT – TIN

Scanforest - MNT TIN

4. Production d’un MNT ombré

Exemple : MNT – IDW représenté en 3D

Scanforest - MNT 3D

Nous remarquons un cratère de forme circulaire (possiblement un obus datant de la 2nd guerre).

5. Normalisation de la hauteur du nuage

La normalisation du nuage permet de supprimer l’influence du terrain sur la mesure des points au-dessus du terrain. Cette étape consiste à soustraire le MNT au nuage (nuage normalisé = nuage – MNT).

6. Modèle Numérique de Surface (MNS) et Modèle Numérique de Hauteur de Canopée (MHC)

Ces modèles sont des rasters représentant les points les plus élevées du nuage. Le MNS est dérivé du nuage de point et le MHC est dérivé du nuage de points normalisé.

Le modèle de hauteur de canopée (MHC) est un fichier matriciel (raster) qui fournit des valeurs numériques représentant la hauteur de la canopée forestière ou d’autres éléments surélevés (p. ex., bâtiments). Ce produit correspond à la différence entre le modèle numérique de surface et le modèle numérique de terrain. Le MHC permet les mesures de hauteur, de densité et de structure des peuplements. Il peut permettre d’établir des relations statistiques pour cartographier les volumes, les surfaces terrières, etc.

Exemple : Modèle de Hauteur de Canopée (MHC)

Scanforest - Modèle de Hauteur de Canopée

7. Détection des arbres individuels

La détection des arbres individuels est le processus de localisation spatiale des arbres et d’extraction des informations de hauteur.

La cime des arbres peut être détectée en appliquant l’algorithme « Local Maximum Filter » (LMF) sur l’ensemble du nuage de points. Le fonctionnement de cet algorithme est le suivant : pour un point donné, l’algorithme analyse les points à son voisinage et vérifie si le point traité est le plus haut.

7.1. Les Paramètres ajustables

Plusieurs paramètres peuvent être ajustés en fonction de la nature de la forêt. Ces paramètres peuvent être soit connus des experts métiers en charge de la forêt, soit ajustés par essais successifs.

Le premier paramètre ajustable est la taille de fenêtre (ws). La taille de fenêtre peut être constante ou variable. Par exemple, une taille de fenêtre de 5 mètres signifie que, pour un point donné, l’algorithme regarde les points dans un rayon de 2,5 mètres pour déterminer si ce point est le plus haut localement.

Le second paramètre ajustable est la hauteur minimale d’un arbre.

7.2. Définition d’une taille de fenêtre variable (forêt hétérogène)

Une grande fenêtre convient aux grands arbres dispersés tandis qu’une petite taille de fenêtre est préférable pour les petits arbres rapprochés. En réalité, des arbres de tailles variables peuvent être présents dans une seule zone d’étude. Pour pallier ce problème, nous définissons une taille de fenêtre variable, qui s’adapte à la hauteur des arbres.

Par exemple, un point à 30 m (un grand arbre) sera testé avec une grande fenêtre, tandis qu’un point à 10 m (un arbre plus petit) sera testé avec une fenêtre plus petite. La taille de la fenêtre peut donc être définie en fonction de la hauteur de l’arbre. Les grands arbres ont des cimes relativement plus grandes, nécessitant des fenêtres de plus grande taille pour détecter avec précision la cime des arbres. Les tailles de fenêtres variables conviennent particulièrement aux peuplements de structures plus complexes, ou lorsque la détection d’arbres est effectuée sur de plus grandes surfaces, couvrant des peuplements hétérogènes.

Ci-dessous, nous montrons un exemple où la taille des fenêtres est liée à la hauteur du point avec une relation affine. Lorsqu’un point est à 0, la taille des fenêtres est de 3 mètres. À 10 m, elle est de 4 m et ainsi de suite.

Scanforest - Taille de fenêtre variable

Application de l’algorithme LMF avec une hauteur minimale de 8 m et une taille de fenêtre telle que y = x * 0,1 +3.

Exemple : les cimes sont ensuite représentées par une croix sur le MHC

Scanforest - Identification des arbres sur le MHC

Exemple : les cimes sont représentées sur le nuage en 3D

Scanforest - Identification des arbres sur le nuage de points

8. Segmentation des arbres individuels

La segmentation des arbres individuels est le processus de délimitation individuelle des arbres préalablement détectés.

Le process de segmentation peut être appliqué soit sur le nuage, soit sur le CHM. Encore une fois, selon la nature de la fôret, plusieurs algorithmes de segmentation peuvent être utilisé :
• dalponte2016
• silva2016
• watershed
• li2012

Pour en savoir plus sur ces algorithmes, nous vous invitons à consulter cet article scientifique.

Exemple : l’image ci-dessous montre les couronnes segmentées et représentées sous forme de polygone (traité via l’algorithme dalponte2016). L’échelle de couleur représente la surface de la couronne en m².

Scanforest - Segmentation des couronnes

La segmentation des arbres permet de représenter les couronnes sous forme de polygone et d’extraire un tableur comportant :
• le numéro d’identification de l’arbre
• les coordonnées de l’arbre
• la hauteur de l’arbre
• la surface de sa couronne
• le diamètre de sa couronne
• l’estimation du diamètre DBH (voir ci-dessous)
• l’estimation de sa biomasse (voir ci-dessous)

Exemple : le tableau relatif à notre exemple est disponible en annexe. Nous pouvons remarquer qu’il comporte quelques lignes aberrantes qu’il conviendrait de supprimer.

9. Les métriques dérivées

A partir de ces données, il est possible d’effectuer un grand nombre de statistiques. Nous pouvons par exemple calculer la hauteur moyenne de tous les points à l’intérieur d’un carré de 10 m x 10 m et visualiser le résultat sous forme de raster.

Exemple : l’image ci-dessous représente une grille dont chaque carré d’une taille de 10 m² représente la hauteur moyenne des points du nuage.

Scanforest - Représentation de la hauteur par grille

10. Estimation du DBH (Diameter at Breast Height = Diamètre mesuré à 1,3 m)

Plusieurs méthodes peuvent être utilisées pour estimer le DBH. S’il existe des données terrain connues, nous pouvons les utiliser afin de produire un modèle de régression permettant d’estimer le DBH à partir des données à disposition (essence, hauteur, couverture du sol, pente, position topographique, type humus, type de roche, type de sol, circonférence, volume …).

A défaut de donnée terrain, nous pouvons utiliser les équations de Jucker et al. (2017). Ces équations permettent d’estimer le DBH à partir de la hauteur, du diamètre de la couronne et du biome dont voici la liste :
0 = Global
1 = Afrotropic-Tropical forests-Angiosperm
2 = Afrotropic-Woodlands and savannas-Angiosperm
3 = Australasia-Temperate mixed forests-Angiosperm
4 = Australasia-Temperate mixed forests-Gymnosperm
5 = Australasia-Woodlands and savannas-Angiosperm
6 = Indo-Malaya-Tropical forests-Angiosperm
7 = Nearctic-Boreal forests-Angiosperm
8 = Nearctic-Boreal forests-Gymnosperm
9 = Nearctic-Temperate coniferous forests-Angiosperm
10 = Nearctic-Temperate coniferous forests-Gymnosperm
11 = Nearctic-Temperate mixed forests-Angiosperm
12 = Nearctic-Temperate mixed forests-Gymnosperm
13 = Nearctic-Woodlands and savannas-Angiosperm
14 = Nearctic-Woodlands and savannas-Gymnosperm
15 = Neotropic-Tropical forests-Angiosperm
16 = Palearctic-Boreal forests-Angiosperm
17 = Palearctic-Boreal forests-Gymnosperm
18 = Palearctic-Temperate coniferous forests-Angiosperm
19 = Palearctic-Temperate coniferous forests-Gymnosperm
20 = Palearctic-Temperate mixed forests-Angiosperm
21 = Palearctic-Temperate mixed forests-Gymnosperm
22 = Palearctic-Tropical forests-Angiosperm
23 = Palearctic-Woodlands and savannas-Angiosperm
24 = Palearctic-Woodlands and savannas-Gymnosperm

Exemple : dans notre exemple (comportant majoritairement des chênes), nous avons spécifié la classe 20 – Palearctic-Temperate mixed forests-Angiosperm. Les résultats sont disponibles dans le tableur en annexe. Le DBH est exprimé en cm.

11. Estimation de la Biomasse au-dessus du sol

De la même manière que pour l’estimation du DBH, pour estimer la biomasse au-dessus du sol, nous pouvons utiliser les équations de Jucker et al. (2017).

Ces équations permettent d’estimer la biomasse à partir de la hauteur, du diamètre de la couronne et de l’espèce :
1 = gymnosperm
2 = angiosperm

Exemple : dans notre exemple (comportant majoritairement des chênes), nous avons spécifié la classe 2 – angiosperm. Les résultats sont disponibles dans le tableur en annexe, exprimé en kg.

 

Découvrez Scanforest