Simulation et modèle d'apprentissage automatique pour l'évaluation et la réduction des biais dans les estimateurs de densité foliaire des forêts tropicales

Simulation and machine learning models for bias assessment and reduction in leaf area density estimators in tropical forests

• Auteur / Autrice : Yuchen Bai
• Direction : Florence Forbes, Jean-Baptiste Durand, Grégoire Vincent
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le ; Soutenance le 12/12/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann (Grenoble, Isère, France ; 2007-....)
• Jury : Président / Présidente : Amini Massih-reza
• Jury : Examinateurs / Examinatrices : Sylvie Durrieu, Florent Lafarge, Nicolas Barbier
• Jury : Rapporteurs / Rapporteuses : Sylvie Durrieu, Florent Lafarge

Mots clés

Mots clés libres

Apprentissage profond

LiDAR

Surface foliaire

Forêts tropicales

Simulation

Drone

Deep Learning

LiDAR

Leaf Area

Tropical Forests

Simulation

Uav

Résumé

Les forêts tropicales, couvrant seulement 7% de la surface terrestre, jouent un rôle vital et disproportionnel dans la biosphère. Ils recyclent environ un tiers des précipitations par évapotranspiration, contribuant ainsi à générer et à maintenir un climat humide régional, avec des effets positifs s'étendant bien au-delà des tropiques. Cependant, la variabilité saisonnière des flux entre les forêts tropicales et l'atmosphère est encore insuffisamment étudié. Mieux comprendre les processus fondamentaux au flux saisonnier dans les forêts tropicales est donc crucial pour améliorer notre capacité de prédiction de cycle biogéochimique mondial. L'indice de surface foliaire (LAI), un paramètre crucial régulant les flux d'eau et de carbone, nécessite une étude plus approfondie en utilisant les avancées dans les technologies de surveillance telles que la télédétection aérienne et terrestre (LiDAR). Dans cette thèse, nous abordons les principaux défis de la quantification de la surface foliaire dans les forêts tropicales en utilisant la technologie LiDAR. De nombreux facteurs introduisent des biais dans les méthodes existantes de LiDAR pour l'estimation du LAI, y compris la présence du bois, la distribution de l'angle des feuilles, l'agglomération, la taille des feuilles, l'occlusion, la censure, la taille des voxels, etc. Lors de l'utilisation des données UAV Laser Scanning (ULS) pour l'estimation du LAI, le composant du bois est le problème principal à résoudre. Le premier article se concentre sur le développement d'une nouvelle approche de apprentissage profond nommée SOUL (Semantic Segmentation On ULs) pour la séparation des feuilles et du bois des données ULS. L'approche repose exclusivement sur les coordonnées des points, afin de faciliter l'application à d'autres données et d'autres capteurs. Une nouvelle approche de prétraitement des données, la décomposition par géodésie des voxels (GVD), est introduite pour relever les défis de l'entraînement des réseaux de neurones à partir de nuages de points clairsemés. L'approche a également été testée qualitativement sur des ensembles de données open-source enregistrées en Australie et en Allemagne, montrant une généralisation potentielle à d'autres forêts et capteurs LiDAR. Après avoir surmonté la difficulté de la segmentation sémantique, le deuxième article se concentre sur l'analyse des autres biais qui affectent l'estimation du LAI à partir des données LiDAR. Comme il n'existe actuellement aucune méthode efficace pour obtenir le vrai LAI au niveau de la forêt, la simulation est la seule approche réalisable pour obtenir des données de validation. Nous utilisons le modèle DART pour simuler les caractéristiques des données ULS basées sur deux maquettes forestières : Wytham Woods et Järvselja Birch Stand de RAMI-V. Les données simulées fournissent des détails complets sur la structure de la forêt: le LAI, l'angle des feuilles, l'étiquette des feuilles/bois, etc. Parmi les divers biais, les composants du bois posent un problème distinct car la structure des organes du bois est naturellement différente des autres biais. Par conséquent, le deuxième article donne la priorité à traiter ce biais pour isoler et analyser les contributions individuelles des autres facteurs à l'estimation du LAI. En appliquant SOUL pour supprimer le biais introduit par le composant du bois, puis en utilisant AMAPVox, un modèle de ray tracing, pour effectuer une analyse quantitative des biais restants, une estimation plus précise du LAI forestier est obtenue. En résumé, cette thèse contribue à l'avancement de notre compréhension de la dynamique des écosystèmes forestiers tropicaux et propose des méthodologies pratiques pour une estimation précise et fiable de la surface foliaire. En relevant les défis critiques de la quantification du LAI, ces méthodologies promettent d'améliorer notre capacité à prédire les cycles biogéochimiques mondiaux et à gérer durablement les forêts.

Tropical forests, covering only 7% of the Earth's land surface, play a disproportionately vital role in the biosphere. They also recycle about a third of the precipitations through evapotranspiration and thus contribute to generate and maintain a humid climate regionally, with positive effects also extending well beyond the tropics. Better understanding the processes underlying flux seasonality in tropical forests is thus critical to improve our predictive ability on global biogeochemical cycles. Leaf area index (LAI), a key parameter governing water and carbon fluxes, is inadequately characterised, necessitating advancements in monitoring technologies such as aerial and terrestrial laser scanning (LiDAR). In this dissertation, we address key challenges in quantifying leaf area in tropical forests using LiDAR technology. Many factors introduce biases in existing LiDAR-based methods for LAI estimation, including woody component, leaf angle distribution, clumping, leaf size, occlusion, censoring, voxel size, weighting strategy, etc. When using UAV Laser Scanning (ULS) data for LAI estimation, the primary issue to address is woody component. The first article focuses on the development of a novel Deep Learning approach named SOUL (Semantic Segmentation On ULs) for leaf/wood semantic segmentation of ULS data in tropical forest environments. It is based on PointNet++ with an additional sampling scheme and an innovative training loss function to handle the high imbalance between wood and leaf. The SOUL method relies exclusively on the coordinates of the points, thus ignoring device-specific information such as apparent reflectance, in order to extend its scope to other forests and other sensors. A novel data preprocessing methodology, geodesic voxelization decomposition (GVD), is introduced to address the challenges of training neural networks from sparse point clouds. GVD partitions the ULS data while preserving the topology of the point cloud. Experiments have been conducted on a dataset recorded in a French Guiana tropical forest. After overcoming the challenge of semantic segmentation, the second article focuses on analysing the other biases that affect LAI estimation from LiDAR surveys. As there is currently no efficient and comprehensive method to obtain the true LAI in plot level, simulation is the only feasible approach for obtaining validation data. Thus, we use the DART model to simulate ULS data characteristics based on two forest mock-ups: Wytham Woods and Järvselja Birch Stand of RAMI-V. The simulated data provides comprehensive details about the forest structure, LAI, leaf angle, leaf/wood label, etc. Among the various biases, woody components pose a unique challenge because woody organ structure is naturally different from the other biases. Therefore, the second paper prioritises addressing this bias to isolate and analysis the contributions of other factors to LAI estimation. By applying SOUL to remove the bias introduced by woody component, and then employing AMAPVox, a ray tracing model, to conduct a quantitative analysis of the remaining biases, a more accurate estimation of forest LAI is obtained. AMAPVox operates at the voxel level, allowing for investigating local and delicate changes within the forest. We demonstrate that when the leaf angle distribution of a forest can be assumed spherical, the proposed SOUL+AMAPVox workflow effectively estimates forest LAI. In summary, this dissertation contributes to advancing our understanding of tropical forest ecosystem dynamics and offers practical methodologies for accurate and reliable leaf area estimation. By addressing critical challenges in LAI quantification, these methodologies hold promise for enhancing our capacity to predict global biogeochemical cycles and to sustainably managed forests.