Segmentation sémantique de peuplement forestiers par analyse conjointe d'imagerie multispectrale très haute résolution et de données 3D Lidar aéroportées

Semantic segmentation of forest stand by join analysis of very high resolution multispectral image and 3D airborne Lidar data

• 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 ; 2010-....)
• 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
• Jury : Examinateurs / Examinatrices : Valérie Gouet-Brunet, Clément Mallet, Arnaud Le Bris, Florence Tupin, Laurence Hubert-Moy
• Jury : Rapporteur / Rapporteuse : Félix Morsdorf, Jocelyn Chanussot

Mots clés

Mots clés contrôlés

Imagerie multispectrale

Forêts -- Gestion

Lidar

Mots clés libres

Lidar

Imagerie multispectrale THR

Fusion

Peuplement forestiers

Régularisation

Lidar

VHR multispectral imagery

Fusion

Forest stands

Regularization

Résumé

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

Forest stands are the basic units for forest inventory and mapping. Stands are defined as large forested areas (e.g., 2 ha) of homogeneous tree species composition and age. Their accurate delineation is usually performed by human operators through visual analysis of very high resolution (VHR) infra-red images. This task is tedious, highly time consuming, and should be automated for scalability and efficient updating purposes. A method based on the fusion of airborne lidar data and VHR multispectral images is proposed for the automatic delineation of forest stands containing one dominant species (purity superior to 75%). This is the key preliminary task for forest land-cover database update. The multispectral images give information about the tree species whereas 3D lidar point clouds provide geometric information on the trees and allow their individual extraction. Multi-modal features are computed, both at pixel and object levels: the objects are groups of pixels having a size similar to trees. A supervised classification is then performed at the object level in order to coarsely discriminate the existing tree species in each area of interest. The classification results are further processed to obtain homogeneous areas with smooth borders by employing an energy minimum framework, where additional constraints are joined to form the energy function. The experimental results show that the proposed method provides very satisfactory results both in terms of stand labeling and delineation, even for spatially distant regions