Thèse soutenue

Segmentation sémantique de peuplement forestiers par analyse conjointe d'imagerie multispectrale très haute résolution et de données 3D Lidar aéroportées
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Clément Dechesne
Direction : Valérie Gouet-Brunet
Type : Thèse de doctorat
Discipline(s) : Sciences et Technologies de l'Information Géographique
Date : Soutenance le 04/12/2017
Etablissement(s) : Paris Est
Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire des Sciences et Technologies de l'Information Géographique / LaSTIG
Jury : Président / Présidente : Lorenzo Bruzzone
Examinateurs / Examinatrices : Valérie Gouet-Brunet, Clément Mallet, Arnaud Le Bris, Florence Tupin, Laurence Hubert-Moy
Rapporteurs / Rapporteuses : Félix Morsdorf, Jocelyn Chanussot

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Les peuplements forestiers sont une unité de mesure de base pour l'inventaire forestier et la cartographie. Ils sont définis comme de grandes zones forestières (par exemple, de plus de 2 ha) et de composition homogène en terme d'essence d'arbres et d'âge. Leur délimitation précise est généralement effectuée par des opérateurs humains grâce à une analyse visuelle d'images infrarouges à très haute résolution (VHR). Cette tâche est fastidieuse, nécessite beaucoup de temps et doit être automatisée pour un suivi de l'évolution et une mise à jour efficace. Une méthode fondée sur la fusion des données lidar aéroportées et des images multispectrales VHR est proposée pour la délimitation automatique des peuplements forestiers contenant une essence dominante (pureté supérieure à 75%). C'est une principale tâche préliminaire pour la mise à jour de la base de données de la couverture forestière. Les images multispectrales donnent des informations sur les espèces d'arbres alors que les nuages de point Lidar 3D fournissent des informations géométriques sur les arbres et permettent leur extraction individuelle. Les attributs multimodaux sont calculées, à la fois au niveau des pixels et des objets (groupements de pixels ayant une taille similaire aux arbres). Une classification supervisée est ensuite effectuée au niveau de l'objet afin de discriminer grossièrement les espèces d'arbres existantes dans chaque zone d'intérêt. Les résultats de la classification sont ensuite traités pour obtenir des zones homogènes avec des bordures lisses par la minimisation d'une énergie, où des contraintes supplémentaires sont proposées pour former la fonction énergie à minimiser. Les résultats expérimentaux montrent que la méthode proposée fournit des résultats très satisfaisants en termes d'étiquetage et de délimitation, et ce pour des régions géographiquement très éloignées