L'identification de l'espèce d'arbres individuels par lidar aérien mono- ou multipectral
1. L'identification de l'espèce d'arbres individuels par
lidar aérien mono- ou multipectral
Benoît St-Onge, Brindusa Cristina Budei, Rachel Perron, Jean-François
Prieur
Départment de géographie
Université du Québec à Montréal
st-onge.benoit@uqam.ca
27 mars 2018
Vue sur le lidar
2. Introduction
• L’information sur l’espèce à l’échelle de
l’arbre individuel est cruciale pour
étudier:
– la biodiversité et les écosystèmes ;
– la dynamique des forêts ;
– la biomasse forestière ;
– la ressource ligneuse et la qualité du bois ;
– la répartition des arbres urbains.
2
Photo : Udaya Vepakomma, FPInnovations
4. Introduction
• À partir des airs, les espèces peuvent être identifiées selon:
– l’architecture des couronnes
– la réflectance du feuillage: r / couleur : r (l)
• Le lidar standard fournit la 3D et une seule l pour l’intensité.
4
5. Réflectance
5
• Sources de données sur la réflectance :
Imagerie aérienne (passive) I : Intensité lidar (active)
=
6. Normalisation de l’intensité lidar
6
R1
R2
• La portée (R) est variable dans la
fauchée.
• On normalise l’intensité selon
une portée de référence (Rref)
Rref
7. Lidar multispectral
• Le système Titan de Teledyne Optech balaye en 3 l
– 1064 nm (PIR = C2) sur un plan à 0.0o
– 1550 nm (IROC = C1) sur un plan à 3.5o
– 532 nm (vert = C3) sur un plan à 7.0o
7
9. Identification d’espèces (1 ou 3 l)
• Le lidar multispectral
améliore les résultats
9
r
C3 C2 C1
Adapté de : Hovi et al, 2017. Silva Fennica, vol.
57 (4), article ID 7753
10. Procédé d’identification des espèces
10
Nuages de points LAS
Carte des espèces
r
l
Délinéation sur le MHC
Extraction
Caractéristiques
Classificateur
Données d’entraînement
Eb
Eb Eb
Eb
Eb
Entraînement
3D +
int.
11. • Caractéristiques (par couronne)
– Moyenne, médiane, etc.
– Écart-type
– Coefficient de variation
– Dans le cas du lidar MS , NDVIs:
11
Sélection du type de retour
– tous les retours
– tous les premiers retours
– retours uniques seulement
– 1er et 2ème retours correspondants
(1064 nm - 532 nm) / (1064 nm + 532 nm)
(1550 nm - 532 nm) / (1550 nm + 532 nm)
(1550 nm - 1064 nm) / (1550 nm + 1064 nm)
and et ratios simples (par ex. 532 nm / 1064 nm )
Caractéristiques d’intensité (variables de classification)
12. Exactitude de l’identification d’espèces
• Résultats basés sur les données du Titan (1 et 3 l)
– Budei, St-Onge et al, 2018. Identifying the genus or species of individual trees using a
three-wavelength airborne lidar system. Rem. Sens. Env., v. 204, pp. 632-647.
12
15. Identification des espèces en milieu urbain
• Extraire les points-arbres, donc se
débarrasser :
– des bâtiments ;
– des points parasites (fils !).
• Nombreuses espèces, variétés, et
cultivars.
• Architectures modifiées par l’élagage
15
19. SEGMA v. 0.2.0
• Score de qualité de délinéation
19
Score : 89.7% Score : 76.3%
20. Réseau neuronal convolutif (apprentissage profond)
• Les RNC peuvent « créer » des caractéristiques automatiquement.
20
Adapté de MathWorks
Apprentissage autonome des caractéristiques Classification
Frêne
Érable
Épinette
Défolié
21. Conclusions
• L’identification de l’espèce d’arbres individuels est
automatisable, donc réalisable sur de grands territoires.
• L’intensité lidar apporte une information utile.
• Le lidar multispectral améliorer sensiblement l’exactitude,
surtout dans les cas de classifications à nombreuses
essences.
• Les NDVIs, seulement possibles avec le lidar MS, sont parmi
les caractéristiques les plus utiles.
• De nombreux progrès sont à venir !
21
22. Remerciements
• Projet AWARE, dirigé par N. Coops (UBC)
• Pour obtenir SEGMA: googler “SEGMA 0.2.0”
ou écrire à st-onge.benoit@uqam.ca
• DESS en SIG de l’UQAM : admissions -> 1er mai
22