Développement du potentiel du Lidar aéroporté pour la gestion durable des forêts : prise en compte et gestion des effets de l’angle de balayage sur les prédictions d’attributs forestiers à l’aide de modèles surfaciques (ABA)

Developing the potential of airborne lidar systems for the sustainable management of forests : Accounting for and managing the impacts of lidar scan angle on ABA model predictions of forest attributes

• Auteur / Autrice : Karun Dayal
• Direction : Sylvie Durrieu, Marc Bouvier
• Type : Thèse de doctorat
• Discipline(s) : Géomatique
• Date : Soutenance le 19/09/2022
• Etablissement(s) : Paris, AgroParisTech
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Président / Présidente : Pierre Couteron
• Jury : Examinateurs / Examinatrices : Jocelyn Chanussot, Félix Morsdorf, Richard Fournier
• Jury : Rapporteur / Rapporteuse : Jocelyn Chanussot, Félix Morsdorf

Mots clés

Mots clés contrôlés

Modélisation prédictive

Prévision

Lidar

Analyse

Télédétection

Foresterie durable

Mots clés libres

Lidar

Forêt

Angle de scan

Voxellisation

Réseau de neurones

Gestion durable

Lidar

Forest

Scan angle

Voxelisation

Neural networks

Sustainable management

Résumé

Information measured by lidar depends on the observed vegetation and the acquisition geometry, which is a function of the acquisition parameters and the terrain properties. The thesis aims to understand the relationship between lidar acquisition geometry and forest attribute predictions, focusing on the assessment and management of impacts of lidar scan angle on lidar metrics and ABA models. Four different forest types were studied with three forest types (broadleaf, coniferous and mixed) in mountainous terrain and one forest type (riparian) in relatively flat terrain . The thesis was divided into three parts. The first part assessed the effect of lidar scan angle on lidar metrics commonly used in ABA predictions. It was observed that different lidar metrics behave differently under changing scan angles. Subsequently, the effect of including metrics with different sensitivities to scan angle was investigated in the second part of the study. A model involving a set of predefined metrics with different sensitivities to scan angle was used. Existing lidar datasets were resampled based on the flight lines 1) to simulate lidar acquisitions with different scan geometries, 2) to build models for a set of scan patterns and 3) to further compare the quality of estimations resulting from each scan pattern. These comparisons highlighted that introducing metrics sensitive to scan angle led to a decrease in model robustness. Also, the variation in the accuracy of ABA models was found to be higher for datasets consisting of point clouds scanned from only one flight line as opposed to those consisting of point clouds scanned from multiple flight lines. The normalisation of lidar metrics sensitive to scan angle was also attempted using voxelisation. Voxel-based metrics contributed by increasing either the precision or the accuracy, or both. In the last part of the study, the terrain properties and acquisition parameters were considered explicitly. As the interaction between lidar acquisition parameters, terrain, and vegetation properties can be complex, neural networks were used to model the relationships between various lidar metrics and the acquisition geometry, resulting in significantly better ABA predictions.

L’information mesurée par Lidar aéroporté dépend de la végétation observée et de la géométrie de l'acquisition lidar, elle-même fonction des paramètres d'acquisition et des propriétés du terrain. Cette thèse vise à comprendre la relation entre la géométrie d'acquisition du lidar et les prédictions d'attributs forestiers en se focalisant sur l'évaluation et la gestion des impacts de l'angle de balayage du lidar sur les métriques lidar et les modèles construits à l’échelle du peuplement (i.e. approches surfaciques ou ABA). Quatre types de forêts différents ont été étudiés, dont trois types de forêts (feuillus, conifères et mixtes) en terrain montagneux et un type de forêt (ripisylve) en terrain relativement plat . La thèse est divisée en trois parties. La première partie évalue l'effet de l'angle de balayage du lidar sur les mesures lidar couramment utilisées dans les prédictions de type ABA. On a ainsi montré que les différentes métriques lidar ne sont pas impactées de la même façon par des changements d'angle de balayage. La deuxième partie de l'étude s’intéresse aux conséquences sur la qualité des modèles de l’introduction dans ces modèles de métriques lidar présentant des sensibilités différentes à l'angle de balayage. Un modèle basé sur un jeu de métriques Lidar prédéfinies, plus ou moins sensibles aux angles de balayage, est utilisé.Les jeux de données lidar existants sont ré-échantillonnés selon les lignes de vol pour 1) simuler des acquisitions lidar avec différentes configurations de balayage, 2) construire des modèles pour une série de configurations de balayage différentes, et 3) comparer la qualité des estimations qui résultent de chaque configuration d’acquisition. Ces comparaisons montrent que l’introduction de métriques sensibles à l’angle de balayage diminue la robustesse des modèles. De plus, la variation de la précision des modèles ABA s’est révélée être plus élevée pour les jeux de données composés de nuages de points acquis depuis une seule ligne de vol que pour ceux composés de nuages de points obtenus en combinant les mesures de plusieurs lignes de vol.Nous avons aussi tenté de normaliser les métriques lidar en utilisant des méthodes de voxellisation pour limiter les impacts des changements d’angles de balayage. Les métriques issues des données voxellisées contribuent à augmenter la précision des prédictions ou à augmenter leur justesse, ou, dans certains cas, les deux en même temps. Dans la dernière partie de l'étude, les propriétés du terrain (topographie) et les paramètres d'acquisition sont explicitement pris en compte dans les modèles. Comme les interactions entre les paramètres d'acquisition lidar, le terrain et les propriétés de la végétation peuvent être complexes, un réseau de neurone (perceptron multicouche) est utilisé pour modéliser les relations entre les attributs forestiers et les métriques lidar en tenant compte de ces interactions entre métriques lidar et géométrie d'acquisition. Cela a permis d'améliorer significativement les prédictions ABA.