Segmentation automatique ou semiautoatiue des ouoes d aes e fot topiale à pati d iages à haute solutio aéroportées et de scans laser Claudia HUERTAS SYSTEMES D'INFORMATIONS LOCALISÉES POUR L'AMÉNAGEMENT DES TERRITOIRES Directeur du projet : Grégoire VINCENT (IRD AMAP) Tuteur SILAT : Nicolas DEVAUX (SupAgro) Rapporteurs : Sylvie DURRIEU (Irstea) Jean-Stéphane BAILLY (AgroParisTech) BOTANIQUE ET BIOINFORMATIQUE DE L ARCHITECTURE DES PLANTES
LETTRE DE MISSION Chef de projet : Commanditaire : Tuteur SILAT : Claudia HUERTAS Grégoire VINCENT Nicolas DEVAUX Auditrice Mastère SILAT UMR Amap IRD Equipe Paysage Enseignant Chercheur - SupAgro Montpellier clauhuertas@gmail.com gregoire.vincent@ird.fr devaux@supagro.inra.fr Intitulé de la mission : d images satellites à haute résolution et de scans laser (LiDAR). Mots clés : Segmentation, LiDAR, Pléiades, Images haute résolution, télédétection, houppiers, forêts naturelles. Lieu et durée de la mission : La mission se déroulera dans le laboratoire UMR Amap Parc scientifique Montpellier du 8 avril au 30 septembre 2013. CIRAD (TA A51/PS2-34398 Montpellier cedex 5) Contexte : Ce projet fait partie du projet «CANOPOR : Short term tropical forest canopy dynamics unveiled by Airborne Lidar Scanning» du Centre d Etude de la Biodiversité Amazonienne. La technologie LiDAR aéroportée permet une description à haute résolution spatiale de la structure 3D de la canopée et en particulier de l état de végétation (densité du feuillage). Couplée à de l imagerie spectrale, elle offre la possibilité de réaliser des suivis de végétation à l échelle de l arbre individuel ou de la forêt. La mise prochaine sur le marché de Lidar léger sur drone rend réaliste la faisabilité financière et technique d un suivi à haute fréquence. Le suivi phénologique de larges parcelles de forêt tropicale devient possible et laisse donc entrevoir d importants progrès de nos connaissances dans ce domaine. La première étape pour mettre en œuvre l approche évoquée plus haut consiste à segmenter les houppiers sur la zone d étude. Objectif de la mission : Développer une méthodologie pour la segmentation automatique ou semi-automatique des couronnes d arbres en forêt tropicale à partir d images satellites Pléiades à haute résolution (50cm) et de scan Lidar aériens. [1]
Livrables : Un rapport méthodologique décrivant la démarche de conception et de réalisation des chaînes de traitement. Résultats de la validation de la méthodologie. Evaluation de la méthode de délimitation des houppiers. Démarche envisagée : a. Analyse du projet Définition des besoins Analyses de données spatiales Logiciels disponibles b. Revue bibliographique Articles scientifiques Ouvrage de référence, guides de l'utilisateur Elaboration d un rapport bibliographique c. Mise en place d une méthodologie Détermination de la zone d'étude Choix de la méthode de segmentation (l algorithme de départ) Choix du logiciel principal de travail d. Étape de réalisation Prétraitements données LiDAR et Pléiades Test d'applications de la méthode de segmentation e. Validation de la méthode de délimitation des arbres f. Analyse de la méthode adoptée g. Rapports et documents Clause de confidentialité : Aucune clause restrictive. [2]
TABLE DES MATIERES A. INTRODUCTION... 5 1. Contexte de la mission... 5 2. Objectif de la mission... 5 3. Etat de l'art... 5 B. METHODOLOGIE... 8 1. Données spatiales... 8 1.1. Scan LiDAR... 8 1.2. Image Pléiades... 9 2. Logiciels disponibles... 10 3. Détermination de la zone d'étude... 10 4. Préparation des données... 11 4.1. Données LiDAR... 11 4.1.1. Prétraitements nuage de points... 11 4.1.2. Création des modèles numériques... 12 4.1.3. Création modèle numérique de terrain (MNT)... 13 4.1.4. Création modèle numérique de canopée (MNC)... 14 4.1.5. Création modèle numérique d'intensité (MNI)... 14 4.2. Données Pléiades... 15 5. Définition algorithmes de segmentation... 15 5.1. Segmentation Multiresolution... 16 5.2. Fusion... 17 5.3. Maxima locaux et croissance de région... 17 6. Étape de validation... 18 6.1. Segmentation expert... 18 6.2. Critère d évaluation de la segmentation des houppiers... 18 6.3. Validation sur le terrain... 19 C. RÉSULTATS... 20 1. Prétraitements données... 20 2. Évaluation des tests d application des algorithmes de segmentation... 20 3. Segmentation expert... 21 4. Validation sur le terrain de la segmentation expert... 22 5. Autres observations du projet... 22 [3]
D. DISCUSSION DES RESULTATS... 23 1. Segmentation des houppiers... 23 2. Potentiel d'intensité LiDAR... 24 E. CONCLUSION... 26 Bibliographie... 27 Acronymes... 32 Glossaire... 33 LISTE DE FIGURES ET TABLEAUX Figure 1 Vue 3D Nuage de points LiDAR Paracou 2011 sur Fusion... 8 Figure 2 Images Pléiades composition RGB123 sur parcelle 15 Paracou.... 9 Figure 3 Localisation zone d étude... 11 Figure 4 Séquence de la préparation des données - LiDAR... 11 Figure 5 Histogramme total valeur d intensité des points LiDAR... 12 Figure 6 Histogramme des points LiDAR avec valeurs entre 0 200 nm... 12 Figure 7 Résultats Multiple R-Squared : ALL: tous les retours, FR : premier retour, G_all : Filtre Gaussian tous les retours, G_fr : Filtre Gaussian premier retour, M_all : Filtre moyenne tous les retours, M_fr : Filtre moyenne premier retour, Med_all : Filtre médiane tous les retours, Med_fr : Filtre médiane premier retour, Fusion : Canopy Model de Fusion... 13 Figure 8 Création du modèle numérique de canopée... 14 Figure 9 Extraction de la végétation basse... 16 Figure 10 Support numérique pour la validation de segmentation sur une tablette tactile... 19 Figure 11 Les meilleurs résultats de test de segmentation pour chaque type d algorithme selon l'indice primitif effectif (MR : Multi-résolution, F :Fusion, LM : Local maxima, WF : Waterfall)... 20 Figure 12 Indice primitif, sur-segmentation et sous-segmentation (MR : Multi-résolution, F :Fusion, LM : Local maxima, WF : Waterfall)... 21 Figure 13 Vue d'une partie de la segmentation d'expert L échelle de couleur représente les valeurs d élévation du MNC fusion... 21 Figure 14 Exemple de l'influence de la résolution spatiale et la sélection du numéro de retour en la perception dans le changement phénologique... 22 Tableau 1 Principales caractéristiques de l acquisition Pléiades... 9 Tableau 2 Liste des logiciels employés pendant cette étude... 10 Équation 1 Formule pour calculer NDVI et GNDVI... 15 [4]
A. INTRODUCTION 1. Contexte de la mission Le projet CANOPOR Short term tropical forest canopy dynamics unveiled by Airborne Lidar Scanning développé par l'umr AMAP, UMR ECOFOG, L'avion Jaune et LIRMM, vise à étudier la canopée de la forêt tropicale dans le dispositif expérimental Paracou en Guyane à partir de l'information générée par des scans laser de haute densité LIDAR et des images optiques et infrarouges de haute résolution. Le projet aspire à résoudre une série de problèmes méthodologiques pour la mise en service d'un système de surveillance dans la canopée de la forêt tropicale avec l'utilisation de véhicules aériens sans pilote drones, qui, à son tour, contribue aux études de la variation spatiale, temporelle et fonctionnelle écosystèmes. En outre, ce projet fournit des outils et des techniques pour surveiller les effets futurs possibles du changement climatique sur la végétation. 2. Objectif de la mission L'objectif de ce projet est de développer une méthodologie pour segmenter les couronnes des arbres des forêts tropicales à partir de l'utilisation des images optiques à haute résolution et de scans LiDAR, cette méthodologie comprend les prétraitements des images d'entrée et l application de différents algorithmes de segmentation, et ainsi qu'une méthodologie validation pour les objets segmentés afin de les utiliser dans des projets ultérieurs de surveillance écologique et de fournir des outils pour la mise en œuvre d'une méthodologie de suivi de la canopée avec un système aérien non piloté. 3. Etat de l'art Différentes études ont montré que les données de télédétection, en particulier les images à très haute résolution spatiale et l information dérivée d appareils LiDAR (Light Detection and Ranging), comportent une information utile pour quantifier la structure des forêts, les fonctions écosystémiques associées et la composition floristique. Elles peuvent également contribuer à la surveillance et à la gestion des milieux naturels forestiers ainsi qu à réduire les coûts élevés des inventaires. (Culvenor, 2002 ; Erikson, 2004 ; Clark et al., 2005 ; Bunting, Lucas, 2006 ; Montaner, 2006 ; Barilotti et al., 2007 ; Bechtel et al., 2008 ; Féret, Asner, 2012 ; Kaartinen et al., 2012 ; Allouis et al., 2013) La haute résolution spatiale de ces données offre de nouvelles possibilités pour la quantification de caractéristiques individuelles de chaque arbre dans un peuplement à partir de méthodes de détection des houppiers individuels mais aussi à partir d informations comme leur état phénologique, leur taille, voire les diamètres des tiges. Ces données individuelles peuvent être utiles pour établir des relations allométriques et calculer le volume de bois, la surface terrière, la biomasse végétale, etc.(erikson, 2004 ; Helt, 2005 ; Bunting, Lucas, 2006 ; Zhou, 2012) [5]
Plusieurs techniques ont été développées pendant plus de deux décennies sur des données optiques (photographies aériennes, images satellitaires de haute résolution et hyper-spectrales) ainsi que sur des données LiDAR. Ces techniques qui permettent l'identification individuelle des houppiers sont regroupées sous le concept de «segmentation» (Erikson, 2004 ; Helt, 2005 ; Bunting, Lucas, 2006 ; Bechtel et al., 2008 ; Kato et al., 2009 ; Kaartinen et al., 2012 ; Zandoná et al., 2012) La segmentation est définie comme l'opération consistant à la partition des images en régions qui ont une certaine homogénéité ou qui partagent une approche sémantique commune. (Montaner, 2006 ; McGuinness, O Connor, 2010) Évidemment, la délimitation des couronnes des arbres est une question difficile à cause de leur hétérogénéité apparente, de la diversité des espèces, des stades de croissance et de la phénologie (Bunting, Lucas, 2006 ; Bechtel et al., 2008 ; Larsen et al., 2011). Selon (Allouis et al., 2013) «La forme de la couronne varie en fonction de nombreux facteurs: la typologie des forêts, la densité de population, les espèces d'arbres, la gestion, le type sol, etc». (Erikson, 2004) déclare: «Il est probable qu'aucune des méthodes développées aujourd'hui sont seules en mesure de traiter tous les types de forêts, des études comparatives des différentes méthodes de segmentation avec différents types de forêts sont donc d'importantes afin de clarifier à quel point une méthode est fiable par rapport à un certain type de forêt.» (Bechtel et al., 2008) En outre dans le cas des forêts tropicales, des problèmes spécifiques par rapport aux forêts tempérées ou boréales existent. Celles-ci tiennent à la densité élevée du couvert, la complexité de la structure des espèces associées et l intrication de la canopée en multiples strates (Zhou, 2012) De multiples approches de segmentation peuvent être utilisées dans la délimitation des houppiers. Les références bibliographiques consultées indiquent que dans la recherche les méthodes de segmentation de couronnes plus utilisées peuvent être classées en 4 catégories principales : Méthodes croissance de région (Region-growing), décomposition et fusion (Split and merge), transformation des bassins versants (Watershed transformation) et segmentation multi-échelle (Multi-scale segmentation). La méthode de croissance de région primaire prend un ensemble de graines («seed points») en entrée de l'image, les graines marquent chacun des objets à segmenter. Les pixels des houppiers sont regroupés faisant grandir les régions en appliquant la différence entre la valeur d'intensité d'un pixel et la moyenne de la région. Un pixel candidat est affecté au houppier voisin qui présente la plus petite différence mesurée de cette manière (McGuinness, O Connor, 2010 ; Zhou, 2012). Plusieurs études (Erikson, 2004 ; Barilotti et al., 2007 ; Bechtel et al., 2008 ; Ardila et al., 2012 ; Véga, Durrieu, 2011b) proposent cette méthode avec des variations dans la préparation de données, des réajustements aux résultats de la segmentation et dans le choix des maxima locaux comme points de départ. D'après (Erikson, 2004), les [6]
données laser peuvent être utilisées «pour améliorer les résultats de segmentation, par exemple, en utilisant ces données pour trouver les ensembles de graines («seed points»)». L'approche par décomposition et fusion («Split and merge») est basée sur une décomposition de l image de type quadtree et comporte deux étapes appliquées de façon récursive. D'abord diviser les images en sous-images ou régions si un seuil d hétérogénéité locale admissible est dépassé, puis éventuellement regrouper les régions similaires (< seuil d hétérogénéité admissible). Le processus s arrête lorsqu aucune opération de division ou de fusion n est possible (Montaner, 2006 ; Kaartinen et al., 2012). Cette méthode peut être combinée avec d autres algorithmes comme «region-growing» ou «multi-resolution» pour améliorer la segmentation (Kaartinen et al., 2012) La méthode de segmentation des bassins versants ou par ligne de partage des eaux considère par exemple une image optique à niveaux de gris comme un relief topographique. Les pixels correspondant aux lignes des bassins versants, qui représentent les limites de la région, sont identifiés sur la base du gradient de pente local. L utilisation de cette méthode sur des données lidar (modèle numérique de canopée) se fait en général après application d un masque de forêt qui isole les parties non forestière et les trouées locales (Malpica et al., 2003 ; Bunting, Lucas, 2006 ; Véga, Durrieu, 2011a ; Mei, 2013) L algorithme de Multiresolution Segmentation minimise localement l'hétérogénéité moyenne des objets d une image pour une résolution (échelle) donnée, cette méthode fusionne consécutivement pixels ou objets de l image (déjà existants). Le processus consiste essentiellement à examiner les pixels ou objets d une image, à les fusionner avec leurs voisins, sur la base de critère d'homogénéité relative. Ce critère d'homogénéité est une combinaison de critères spectraux (couleur) et de forme (compacité). (Trimble, 2012). Certaines études ont développé la segmentation des houppiers en utilisant cette approche comme : (Burnett et al., 2003 ; Tiede et al., 2006 ; Neves, Carneiro, 2007 ; Jing et al., 2012) [7]
B. METHODOLOGIE 1. Données spatiales 1.1. Scan LiDAR Les données LiDAR ont été obtenues en septembre de 2011 à partir d un système laser aéroporté : RIEGL LMS Q 560. La capture a été réalisée en 362,67 hectares depuis une altitude moyenne de vol de 600 mètres, les données étaient livrées dans le système de référence : WGS 84 géographique 2D CRS UTM Zone 22N (EPSG : 32622) avec un angle de balayage de 22. La densité moyenne nominale était de 9 points/m 2, les données ont livrées sous forme de 15 dalles en format LAS version 1.2 Figure 1 Vue 3D Nuage de points LiDAR Paracou 2011 sur Fusion En plus de l information de position (x,y) et d altitude (z), d autres attributs des points ont été sauvegardés comme : l intensité, le numéro de retour et le nombre de retours. L intensité LiDAR est équivalente à la mesure pour chaque point de l'énergie d'un écho, elle repose, en partie, sur la réflectivité de l'objet touché par l'impulsion laser (ESRI, 2012); comme le signal LiDAR est de longueur d'onde de 1550 nm, qui correspond au proche infrarouge (PIR) en théorie elle est également utile pour exploiter le comportement spectral de la végétation (Moffiet et al., 2005)(Cheng Wang, Glenn, 2009)(Mesas-Carrascosa et al., 2012). Nous avons étudié la possibilité d'utiliser l'intensité LiDAR dans la procédure de segmentation sachant que nous n avons pas pour ce jeu de données, l information relative à la longueur du trajet optique associé à chaque tir, information qui est nécessaire à la normalisation. Selon l ASPRS 1 : Le numéro de retour est le rang de retour d'impulsion pour une impulsion de sortie donnée. Une impulsion laser de sortie donnée peut avoir de nombreux retours, et ils doivent être marqués dans l'ordre de retour. Le premier retour aura un numéro de retour de un, le deuxième un numéro de retour de deux, et ainsi de suite jusqu'à cinq retours. Tandis que le nombre de retours (donné par impulsions) correspond au nombre total de retours pour une impulsion donnée. Par exemple un point 1 American Society of Photogrammetry and Remote Sensing [8]
LiDAR peut être le retour numéro deux alors que le tir correspondant aura généré un nombre total de cinq retours. (ASPRS, 2002) 1.2. Image Pléiades Les images Pléiades ont été acquises le 19 novembre 2012 pour la plateforme PHR 1 du projet Pléiades dans le système de référence : WGS 84 géographique 2D CRS UTM Zone 22N (EPSG : 32622), les images contiennent les bandes spectrales : bleu 430 550 nm (3), vert 490 610 nm (2), rouge 600 720 nm (1) et PIR 750 950 nm (4) Tableau 1 Principales caractéristiques de l acquisition Pléiades Caractéristiques Pléiades Mode d acquisition PX Traitement spectrale PA+XS Niveau de traitement ORTHO + Pansharpening Date d acquisition 19 de novembre 2012 Format JPEG 2000 Pixel encoding 16 Bit Surface 1596,92 ha Ils ont été ré-échantillonnés à 0.5m de résolution (Traitement dénommé en anglais : Pansharpening), elles ont été livrées avec une couverture nuageuses de 65%. La zone utile (sans nuage et également couverte par le LIDAR couvrant 35.32 ha. La prise a été capturée à un azimut solaire de 143.89 et une élévation solaire de 59 de sorte que les images contiennent des ombres portées sur la plupart des arbres. Figure 2 Images Pléiades composition RGB123 sur parcelle 15 Paracou. Les images ont été livrées ortho-rectifiées et corrigées géométriquement et radiométriquement. Pour effectuer le traitement géométrique, le fournisseur a employé le modèle de référence 3D altimétrique: Elevation30 de l instrument HRS de Spot5 qui a une précision absolue horizontale entre 10m et 15m et verticale de 10 m. (Astrium, EADS Company, [sans date]) [9]
2. Logiciels disponibles Lors de la réalisation de cette étude, nous avons employé différents types de logiciels (Tableau 2), principalement sur les données LiDAR puisqu il n'existe pas de logiciel qui fasse toute la chaîne de traitements. Les logiciels suivants ont été mobilisés : Tableau 2 Liste des logiciels employés pendant cette étude Traitement Logiciel Version LAStools 130506 MARS Explorer 7.0 LiDAR SAGA GIS 2.0.8 Fusion 3.30 Pléiades ENVI 4.7 Ecognition Developper 8.8 Segmentation ImageJ 1.45 R 2.14.1 Analyses statistiques WEKA 3.6.9 Visualisation 2D -3D et sorties ARCMap 10.0 cartographiques Validation sur terrain PDF Maps ios App Androide 1.1 Adobe Reader Androide 1.1 3. Détermination de la zone d'étude L'étude a été réalisée avec les données disponibles du dispositif de Paracou, en Guyane française. Pour la définition de la zone d étude, nous avons considéré les différentes surfaces couvertes pour les points LiDAR 2011 et par l image Pléiades 2012. La zone choisie occupe 33.86 ha, dont environ 3.97 ha étaient inclus dans la parcelle N 15 qui a servi de secteur de validation (Figure 3). [10]
Figure 3 Localisation zone d étude 4. Préparation des données 4.1. Données LiDAR Pour l obtention des données LiDAR exploitables pour la segmentation des houppiers, il est nécessaire d abord de filtrer le nuage de points et ensuite de produire les modèles numériques. Dans la Figure 4, on peut voir la séquence des traitements. 4.1.1. Prétraitements nuage de points Dans l emprise laser sur les forêts, il est fréquent de trouver des points qui ne correspondent pas à la végétation mais à des oiseaux, des particules atmosphériques, des erreurs d instrumentation, etc. Tous ces points représentent des artéfacts dans l analyse de la canopée et pour les enlever, nous avons effectué dans le cas de Paracou trois étapes de filtrage sur le logiciel MARS Explorer La première étape du filtrage permet d enlever les points hauts (oiseaux, particules atmosphériques) et bas en gardant les points contenus entre 0 et 100 mètres d altitude. Nuage de points LiDAR 2011 Filtres de points extrêmes et isolés Modèle Intensity FUSION Interpolation Nuage de points filtré Elévation Intensité Modèle Canopy FUSION Points sols filtrées 2009 Interpolation MNT Modèle numérique de terrain MNI MNC Modèle numérique Modèle numérique d intensité de canopée Figure 4 Séquence de la préparation des données - LiDAR [11]
Le deuxième filtre appelé dans le programme Extreme High, permet de repérer des points isolés dans un rayon déterminé. Le filtre cherche les points qui ont une élévation particulière, en comparant chaque point avec les points qui se trouvent dans le rayon de la recherche (nous avons défini un rayon de 25 mètres). Les n (n=2 dans notre cas) points ayant une différence de hauteur avec l ensemble des autres points supérieurs à celle d'un deuxième paramètre que nous avons fixé à 5 mètres sont supprimés. En troisième lieu, nous avons appliqué un filtre qui permet de supprimer les points ayant des réponses extrêmes d intensité qui écrasent le corps de la distribution histogramme d'intensité des points LiDAR (Figure 5), en éliminant les points avec une intensité supérieure à 200 (Figure 6). La plupart de ces points se trouvent sur le sol liés éventuellement à la réflectivité de la cible ou à l'angle d'incidence, mais plus vraisemblablement à des erreurs d instrumentation. Figure 5 Histogramme total valeur d intensité des points LiDAR Figure 6 Histogramme des points LiDAR avec valeurs entre 0 200 nm 4.1.2. Création des modèles numériques Nous sommes partis de l hypothèse selon laquelle les traitements pour la création des modèles numériques LiDAR auraient une influence dans la réussite de la segmentation. Cette hypothèse a été renforcée après la revue des différents articles scientifiques. Nous avons testé différentes méthodologies pour la création de modèles de surface, canopée et intensité, en comparant statistiquement avec des données de segmentation produites manuellement. Nous avons utilisé une régression linéaire simple, pour savoir si les différentes méthodes d obtention du MNC avaient une influence sur la segmentation des houppiers. Nous avons testé différentes méthodes d obtention du MNC comme l utilisation des seuls premiers échos, de tous les échos, application de différents filtres et de diverses opérations morphologiques. Nous avons également exploré l effet de différentes statistiques comme la moyenne de l altitude de points ou l écart-type de l altitude de points, etc. [12]
Le R2 caractérise le pourcentage de variance la variable considérée expliquée par l identifiant de houppier segmenté manuellement (variable catégorielle). On note qu en général, la valeur de R 2 est supérieure à 80% pour les modèles qui appliquent une sorte de filtre. Ceux-ci sont, toujours supérieurs aux modèles qui utilisent tous les retours ou le premier retour uniquement. La raison d une telle différence entre les résultats du modèle premier retour (ALL, Error! No se encuentra el origen de la referencia.) et le modèle avec tous les retours (FR, Figure 7), est Figure 7 Résultats Multiple R-Squared : ALL: tous les retours, FR : premier retour, G_all : Filtre Gaussian tous les retours, G_fr : Filtre Gaussian premier retour, M_all : Filtre moyenne tous les retours, M_fr : Filtre moyenne premier retour, Med_all : Filtre médiane tous les retours, Med_fr : Filtre médiane premier retour, Fusion : Canopy Model de Fusion liée à la densité des points LiDAR, car la sélection des seuls premier retours provoque une homogénéisation d élévation. Cette homogénéisation réduite la variance totale du CHM et augmente le R2 en conséquence, sans que cette augmentation du R2 préjuge d un meilleur pouvoir discriminant. Les deux modèles avec les plus hautes valeurs de R 2 sont : En premier lieu le modèle du premier retour avec l'application d'un filtre de morphologie mathématique d une taille d un pixel (R 2 =0,896, p<0.001) et en deuxième lieu le modèle obtenu avec Canopy Model (R 2 =0,892, p<0.001). Enfin, nous avons décidé d'utiliser le MNC de la fonction Canopy Model car cela préserve les maximales locales d élévation. 4.1.3. Création modèle numérique de terrain (MNT) Pour la création du MNT il faut effectuer une classification des points au sol, la qualité du MNT dépend néanmoins de la suppression correcte des points lors des étapes de filtrage. L équipe du laboratoire a déjà fait cette démarche dans un projet d analyse de points LiDAR sur Paracou qui date de l année 2009. Nous avons utilisé un filtrage préalablement effectué pour produire un MNT au format raster avec 50 cm de résolution en utilisant l'interpolation TIN des points sur le logiciel LASTools [13]
Figure 8 Création du modèle numérique de canopée 4.1.4. Création modèle numérique de canopée (MNC) À partir des résultats des analyses, nous avons constaté que pour la segmentation, la méthode d'obtention la plus appropriée du MNC était la fonction CanopyModel développée par US Forest Service sur le logiciel Fusion(R). Cette fonction crée un MNC lorsqu il est traité avec un MNT en gardant les points de maxima locaux. L algorithme préserve le point le plus haut de la grille et remplace les autres cellules par la médiane (ou la moyenne) de l ensemble des cellules. (Tao, Jian-hua, 2009) (Voir Annexe1) 4.1.5. Création modèle numérique d'intensité (MNI) Le MNI a été créé avec la fonction IntensityImage du logiciel Fusion qui génère une image utile, de haute résolution qui minimise les effets visibles de l'échantillonnage, des artefacts et des vides «No Data» dans l image finale. L objectif de base de l'algorithme est d utiliser les données de points (convertir des points à une image raster) plusieurs fois en utilisant une origine de raster légèrement décalée ou jittered. L algorithme utilise huit itérations en employant des décalages d'origine. Les décalages sont multipliés par la taille des [14]
cellules raster. L image finale est produite par l'échantillonnage des huit images à un endroit qui correspond au centre de l'image finale des pixels. L intensité en niveaux de gris pour l'image finale est calculée comme la moyenne des valeurs valides (non vide) des huit images. Pour aider à éliminer les pixels vides, les images sont créées par itération en utilisant une taille légèrement plus grande de pixels, soit 1,5 fois la taille finale du pixel de 50 cm (Tao, Jian-hua, 2009) (Voir Annexe1) 4.2. Données Pléiades Grâce à une simple comparaison entre l image Pléiade et le MNC, on a montré que l image fournie par Astrium avait un décalage d environ 4 mètres, probablement lié à l'utilisation du modèle Elevation30 pour les traitements de corrections géométriques. Par conséquent, nous avons fait le recalage de l'image en utilisant la méthode de redressement «Registration» Image à Image sur ENVI 4.7 avec 100 points d amer (pour ne pas avoir eu de point de GPS de précision). Un des plus grands défis du recalage était la localisation de points remarquables sur les deux images pour le type de couverture présente. Nous avons sélectionnés les arbres dominants ou isolés en trouées en désignant comme point d'amer le centre de sa couronne. De cette manière nous avons obtenu un RMSE de 0,997 m. En ce qui concerne les paramètres de recalage nous avons choisi la méthode RST avec rééchantillonnage de type bilinéaire en nous appuyant sur l article de (Dalponte et al., 2012) Nous avons également produit deux images dérivées NDVI et GNDVI. Celles-ci sont calculées à partir de ces mesures individuelles, comme suit: Équation 1 Formule pour calculer NDVI et GNDVI De manière significative, la résolution des images de NDVI et GNDVI est différent de l'image orthorectifiée à cause du processus de «pansharpening» qui fusionne l'image haute résolution panchromatique (70 cm) avec des images multispectrales de résolution inférieure (2,8 m) afin de produire une image de haute résolution. 5. Définition algorithmes de segmentation Nous avons choisi trois types différents d algorithmes de segmentation basés sur l approche orientée objet et développées sur le logiciel ecognition. La première étape avant calculer les algorithmes de segmentation était de générer un masque qui permet de séparer la canopée de la végétation basse, ce traitement est considéré important pour la délimitation correcte des houppiers par (Carter, 1994 ; Sims, Gamon, 2002 ; Bunting, Lucas, 2006). Pour extraire la zone de végétation basse nous avons fait une [15]
classification orientée objet en désignant comme canopée toute la végétation au-dessus de 20 m sur le MNC. (Figure 9) 5.1. Segmentation Multiresolution Figure 9 Extraction de la végétation basse objets identifiés). L algorithme de multiresolution fusionne consécutivement pixels ou objets de l image (déjà existants). Essentiellement, le processus examine les pixels ou objets d une image, qu il fusionne avec leurs voisins, sur la base des critères d'homogénéité relative. Le processus de fusion s arrête lorsque l homogénéité des objets candidats à la fusion dépasse l hétérogénéité maximale acceptée (contrôlée par le paramètre d échelle qui renvoie à une échelle spatiale des Le critère d homogénéité se calcule comme une combinaison de couleur (critères spectraux) et de propriétés de la forme. L homogénéité de couleur est basée sur la déviation standard du spectre de couleurs. L homogénéité de forme est basée sur l'écart à une forme de référence définie par un degré de compacité. Les critères d homogénéité peuvent être définis aussi via la pondération entre forme et couleur. Le critère de la forme (poids) peut avoir une valeur maximum de 0,9. Ce poids détermine dans quelle mesure la forme influence la segmentation par rapport à la couleur. Par exemple, une pondération de forme de 0,6 conduit à une pondération de couleur de 0,4. Il est possible de modifier la taille des objets en changeant le paramètre d'échelle. Le paramètre d échelle permet fixer une limite sans dimension «abstraite» qui détermine l hétérogénéité maximale permise des objets par la segmentation. La modification de ce paramètre modifie la taille des objets. (Trimble, 2012 ; Dupuy, Tormos, 2012) Cet algorithme permet l utilisation des différentes images qui peuvent être pondérés en fonction de leur pertinence pour le résultat de la segmentation. Plus le poids attribué à une couche d'image et élevé, plus l information associée à cette couche aura d importance dans le processus de segmentation. (Trimble, 2012) [16]
5.2. Fusion Nous avons adapté l algorithme proposé par (Weise, 2011) qui permet la fusion des objets sur la base de la similarité à partir de multiples variables. Souvent nous voulons fusionner les objets en fonction d une condition qui combine différentes variables comme : Valeur de PIR (valeur moyenne) ET l'élévation (valeur médiane) Valeur d intensité (écart type) ET l'élévation (valeur médiane) Valeur de PIR (valeur moyenne) ET l'élévation (valeur médiane) ET Valeur d intensité (valeur médiane) Le procédé consiste à calculer pour chaque objet la différence absolue de la variable par rapport à chacun de ses voisins en fusionnant les objets qui satisfont complètement la condition : ce qui signifie que chacune des variables prend une valeur inférieure à un paramètre de différence maximum défini par l'utilisateur. L avantage d employer cet algorithme est la possibilité d avoir des variables combinées et d évaluer différentes estimateurs statistiques (moyenne, écart type, mode, etc.) Pour définir les estimateurs statistiques adéquats (moyenne, écart type et médiane) utilisés dans de l algorithme de fusion, nous avons employé un algorithme de sélection d attributs dénommé : glouton (greedy algorithm) implémentée dans le logiciel WEKA, dont le principe est de faire, étape par étape, un choix optimum local des variables, dans l'espoir d'obtenir un résultat optimum global. Pour l analyse nous avons fait une division de chaque houppier en petits objets à l aide de l algorithme de multisegmentation sur ecognition (échelle = 3, forme = 0.1 et compacité = 0.8), puis nous avons calculé les différents estimateurs sur le même logiciel et nous avons créé une table avec l identifiant de chaque houppier pour finalement examiner sur WEKA. Les résultats de l'analyse des estimateurs montrent que les variables appropriées pour l identification des houppiers sont : MNC mode, NDVI mode et l'mni médiane. Pour appliquer cet algorithme, nous avons produit d abord une segmentation initiale ou primitive en définissant des objets très petits avec l'algorithme multi-segmentation (échelle = 5, forme = 0.1 et compacité = 0.8). Ces micro-segments étant ensuite fusionnés à l aide du procédé décrit. 5.3. Maxima locaux et croissance de région Cette méthode se décompose en deux grandes étapes. La première consiste à la détection des maxima locaux sur le MNC pour isoler les cimes des arbres, chaque cime sera identifiée avec une graine («seed point»). Nous avons utilisé pour l extraction de graine l algorithme sur ecognition «find local extrema» avec un rayon de recherche de 5 m, puis nous avons éliminé les faux maxima et ajoutés des houppiers sans points. [17]
En deuxième lieu, nous avons fait la délimitation des couronnes à partir de l application de l algorithme «Object growing» en utilisant comme condition d arrêt un seuil de différence d élévation de 6m. 6. Étape de validation 6.1. Segmentation expert La procédure de la segmentation expert à la main était un processus assez long (5 jours). L expert a utilisé les différentes images (Pléiades, MNC et MNI) et des différentes vues 2D et 3D pour la délimitation de 200 houppiers sur la parcelle P15. La procédure est décrite en détail dans l annexe 2. 6.2. Critère d évaluation de la segmentation des houppiers La fonction de similitude a été définie par l équipe du laboratoire (Vincent et al., 2013) et développée comme application sur ImageJ(R) par le stagiaire Dimitri TRATKANOV. Elle est basée sur un critère de forme et contient l évaluation de trois indices. L objet de référence de la fonction est l'image de la segmentation (partielle) experte et les images de sortie sont les images des segments produits par analyse automatique qui montrent les zones (houppiers) sur-segmentés ou sous-segmentés pour faciliter le diagnostic. Nous avons défini deux seuils : s1 : seuil de recouvrement entre deux objets défini comme la surface de l intersection sur surface de l union (symétrique) s2 : surface relative d inclusion d un objet dans un autre (non symétrique) Indice primitif L'indice recherche l appariement d objets par recouvrement : pour chaque objet de référence on recherche l objet segmenté de sortie tel que le taux de recouvrement, défini comme le rapport de la surface de l intersection sur l union, soit maximal. Le pourcentage d objets dont l indice de congruence est supérieur à S1 est ensuite déterminé, ainsi que le pourcentage de surface que représente l ensemble des objets vérifiant la condition par rapport à la surface totale des objets segmentés par l expert. (Vincent et al., 2013) Sur-segmentation L'indice recherche pour chaque objet de l image de référence tous les segments intersectant dans l image de sortie. On sélectionne ensuite l ensemble des objets associés à un segment de référence inclus à plus de s2 de leur surface dans le segment de référence et on fusionne ces objets pour création d un nouvel objet segment agrégé. On calcule l indice de congruence comme précédemment (rapport de surface [18]
d intersection sur union) et on calcule ensuite le taux de correspondance global en termes d objet et de surface. (Vincent et al., 2013) Sous-segmentation Pour chaque objet de l image de sortie on recherche tous les segments intersectant de l image de référence. On sélectionne les objets de l image de référence inclus à plus de s2 dans un même objet de sortie. On fusionne ces objets en un objet agrégé. On calcule alors un indice de congruence après correction de la sous-segmentation. Comme précédemment, on calcule deux indices globaux de congruence (pourcentage d objets au-dessus du seuil s1 et surface relative correspondante). (Vincent et al., 2013) Nous avons défini un seuil de congruence 0,8 (80%) étant donné qu'il existe une différence entre les traces de la digitalisation expert et la digitalisation automatique et une erreur associée à l exportation au format vectoriel sur ecognition, qui génère un décalage de ½ pixel sur le vecteur de sortie. 6.3. Validation sur le terrain La validation de la segmentation experte à la main a été faite par le scientifique et botaniste Daniel Sabatier, qui a évalué la correspondance tronc-houppier, la fiabilité du détourage en relation avec les caractéristiques du houppier. Il a également relevé sur le terrain des informations complémentaires qui serviront à la suite du projet CANOPOR. Ces informations sont : le Figure 10 Support numérique pour la validation de segmentation sur une tablette tactile stade phénologique, les caractéristiques de la couronne et de la frondaison (Ex : Cime éclatée, Hauteur houppier, Inclinaison feuilles et Densité feuillage etc ), la localisation de houppiers en canopée non vus par télédétection. De plus des photos au téléobjectif de la frondaison ont été prises. Nous avons préparé de supports numériques (geopdf et formulaires) pour les utiliser sur une Tablette tactile android en utilisant les logiciels : PDF Maps, Adobe reader et Open libre office. Nous avons aussi prévu des sorties papier. [19]
C. RÉSULTATS 1. Prétraitements données Lors de l'élaboration du projet, le stade de prétraitement a été l'étape qui a exigé plus de temps de développement (quatre mois) pour obtenir des images d'entrée pour le développement de la segmentation dans ce projet ainsi que pour le projet de le stagiaire Dimitri TRATKANOV. Enfin, nous avons produits huit images: une image calée Pléiades, NDVI, GNDVI et cinq images dérivées de LiDAR (MNC, MNI, MNT, pente, courbure). 2. Évaluation des tests d application des algorithmes de segmentation Pour ce qui est de l application des algorithmes de segmentation, nous avons commencé par l'algorithme de multi-résolution (MR) inclus sur ecognition. Plusieurs tests ont été effectués sur différentes images, en changeant les paramètres : d échelle, de forme et de compacité. Les résultats des critères d'évaluation montrent que le meilleur résultat obtenu (avec un seuil de congruence de 80%), était le test N 11 avec un index primitif du 23,30%, environ 46 objets conformes à la segmentation expert. En regardant les cinq tests (Figure 11) avec les meilleurs résultats d indice primitif, on note que les images utilisées sont NDVI et MNC. Le paramètre de forme reste à 0,1 et la compacité à 0,8, la différence se situant dans la valeur d échelle. D ailleurs sur la Figure 12, il est évident qu'en général cet algorithme produit des houppiers sur-segmentés. Figure 11 Les meilleurs résultats de test de segmentation pour chaque type d algorithme selon l'indice primitif effectif (MR : Multi-résolution, F :Fusion, LM : Local maxima, WF : Waterfall) En ce qui concerne l'algorithme de fusion, nous avons constaté que le meilleur résultat de test ne dépasse pas celui de la multi-résolution, car on obtient une valeur d'indice effectif primitive de 17.47. La fusion dans ce cas a été faite en utilisant les valeurs du NDVI, du MNC et du MNI, et en usant comme estimateurs statistiques le mode pour le NDVI et le MNC et la moyenne pour le MNI. Ce résultat est cohérent avec l'analyse a priori effectué sur WEKA. En général, les meilleurs résultats ont été obtenus en utilisant des valeurs de NDVI et MNC (Figure 12). Comme dans le cas de l'algorithme multi-résolution, celui-ci génère un grand nombre de houppiers sur-segmentés. [20]
30 25 20 15 10 5 Indice primitif Sur-segmentation Sous-segmentation 0 Figure 12 Indice primitif, sur-segmentation et sous-segmentation (MR : Multi-résolution, F :Fusion, LM : Local maxima, WF : Waterfall) Ensuite, nous avons évalué l algorithme de maxima locaux et trouvé une valeur très faible de l'indice primitif de 2,70 et la même valeur sur les indices de sur-segmentation et sous-segmentation qui montre que l algorithme a mal défini les objets. Ceci peut être lié à la sélection des graines «points seeds» ou à la structure de la canopée provoquant une différence d élévation pas aussi marquée entre arbres voisins. Enfin nous avons fait une comparaison avec les résultats de segmentation développé pour la même zone par (Tratkanov, 2013), à partir d une approche pixel avec des méthodes combinant watershed et waterfall (WF); où (Figure 12) nous voyons une grande différence avec nos méthodes d approche orientée-objets. 3. Segmentation expert Nous avons délimité dans la couche finale de segmentation experte 250 houppiers, dont, 210 se trouvent dans de la parcelle 15 et les autres à moins de 200 m 2 du bord de la parcelle, la plupart sont des arbres dominants ou émergents, la surface moyenne de couronne est de 70,78 m 2. Chaque houppier a été associé avec un arbre registré par des relevés de terrain, en utilisant pour emplacement la valeur enregistrée de la circonférence du tronc et la distance minimum à l'objet. La pertinence de cette assignation sera évaluée durant la campagne de terrain prévue pour la semaine Figure 13 Vue d'une partie de la segmentation d'expert L échelle de couleur représente les valeurs d élévation du MNC fusion [21]
du 15 au 22 septembre 2013. 4. Validation sur le terrain de la segmentation expert Après le travail de terrain effectué par le scientifique et botaniste Daniel Sabatier, où 152 houppiers délimités sont vérifiées. Nous avons observé que 75,7% des individus ont une bonne délimitation, que l'erreur de mal définition se concentre sur la digitalisation de houppiers (64,9%) et le 35,1% étaient des individus recomposes. La source d'erreur est liée aux caractéristiques de résolution d'image, la précision et la complexité de la forêt. En ce qui concerne la structure de la forêt, nous avons identifié cinq facteurs qui peuvent influencer cette erreur : les amas de couronnes, la structure de la cime, les changements phrénologiques y la présence d autre type de végétation comme lianes. 5. Autres observations du projet montre une image à la même date avec deux résolutions spatiales différentes (0,5 1 m) pour le premier retour et pour tous les retours. Le changement de la phénologie étant clairement visible sur l'image de 50cm de résolution avec une interpolation du premier écho et sur le nuage de points, et un peu moins visible sur l'image de 50 cm avec tous les échos. Ce qui nous amène à la conclusion que, en chaque étude en fonction de l'objectif, il faudrait faire une analyse de l'influence sur les résultats des prétraitements des points LiDAR en évitant la mise en œuvre des méthodologies sans une étude a priori. Figure 14 Exemple de l'influence de la résolution spatiale et la sélection du numéro de retour en la perception dans le changement phénologique [22]
D. DISCUSSION DES RESULTATS 1. Segmentation des houppiers Selon (Vastaranta et al., 2011) l extraction individuelle des arbres est l'une des rares applications où l'automatisation ne fournit pas une qualité plus élevée que le traitement manuel. Lorsque l'on compare les segmentations automatiques avec la segmentation expert, on trouve des faibles taux de congruence, il est également faible par rapport aux études telles que (Barilotti et al., 2007 ; Kato et al., 2009 ; Viñas et al., 2009 ; Wang, 2010 ; Larsen et al., 2011 ; Hatami, 2012 ; Jing et al., 2012 ; Zhou, 2012) où la précision est supérieure à 70%, cependant nous ne pouvons pas conclure que les résultats sont aussi mauvais, étant donné que ces études ont été appliquées dans les zones avec des structures de canopée moins complexe que la nôtre. Nous croyons que les contraintes rencontrées lors de la mise au point de la méthode de segmentation sont liées à quatre aspects dont au moins trois sont de nature conjoncturelle et seront levés dans le futur: à la complexité structurelle de la canopée, au décalage spatial entre les images, à la différence temporelle et aux caractéristiques des données et des images. De nombreuses études et méthodes de segmentation ont rencontré des difficultés en forêts denses (Gougeon, 1995 ; Gong et al., 2002 ; Descombes, Pechersky, 2006 ; Zhou, 2012) en raison à la complexité élevée de la structure de la canopée (Palminteri et al., 2012). Ce niveau de complexité est assez bien capturé par le système LIDAR. La difficulté réside dans les critères généraux d'algorithmes de segmentation. Une telle approche est l identification des grandes différences de valeurs de l'image entre les pixels, ce critère rend très difficile par exemple la séparation de deux arbres voisins de la même hauteur et avec un certain degré de superposition. Un autre critère laborieux est d'ajuster la forme, car contrairement aux forêts ouvertes ou aux plantations, dans les forêts tropicales les arbres n'ont pas tendance à former de houppiers circulaires ou elliptiques (uniquement chez certains individus émergents ou dominants). En général, la forme et la taille de la couronne est défini par le type d'espèce, la compétition pour les ressources telles que la lumière (Grote, 2003), les niveaux de stratification de la canopée, etc. rendant impossible la définition d un certain type de forme caractéristique. Nous croyons que les applications de techniques de reconnaissance des objets de haut niveau peuvent améliorer la précision des algorithmes dans les cas complexes. Comme dans les études de (Viñas et al., 2009 ; Hatami, 2012 ; Zhou, 2012) nous avons conclu que la combinaison de données LiDAR avec les images multispectrales à haute résolution donne une meilleure précision aux objets segmentés. Pour la combinaison optimale, il est nécessaire d orthorectifier les images multispectrales en utilisant le MNS LiDAR, en évitant le processus de ré-calage qui est insuffisant pour corriger le déplacement des images et qui diminue la précision de l'analyse combinée. Il faut également tenir compte dans les résultats obtenus lors de la combinaison des données, des changements du couvert forestier entre les images en raison de la différence de dates de l emprise. Ces [23]
changements se produisent habituellement dans les forêts par l'ouverture de nouvelles trouées, principalement causés par la mortalité des arbres ou l'exploitation forestière (absente dans notre cas). Dans le cas de la mortalité en forêt amazonienne par exemple les études de (Higuchi et al., 1997) et (Negrón-Juárez et al., 2011) rapportent des taux de mortalité de 8,7 et 8,5 arbres/ha/an. Un autre phénomène de changement observé est la fermeture de canopée, promu par l'extension horizontale des houppiers dans les frontières des trouées. Selon (Thompson et al., 1998) durant une période de 4 ans l expansion horizontale peut réduire une trouée de 50 m 2 de 35 à 85% de sa surface, tandis qu une trouée de 350 m 2 peut être réduite entre 20-44%. D'autres changements dans les images sont de type phénologique en particulier la perte de feuilles ou des arbres morts sur pied. Il y a des caractéristiques de l emprise des données LiDAR et des images optiques qui ont influencé également le résultat de la segmentation. Un de ces aspects est lié à la densité de points LiDAR. Généralement dans les travaux de segmentation des houppiers on utilise une densité nominale minimale de 10 pts/m 2 (Barilotti et al., 2007 ; Kato et al., 2009 ; Viñas et al., 2009 ; Hatami, 2012). La densité moyenne nominale de cette étude était de 9 pts/m 2, cependant la densité sur la zone d'étude n'était pas homogène, avec des endroits avec des densités supérieures à 10 pts/m2 et d autres avec des densités inférieures à 10 pt/m2. En ce qui concerne les images multispectrales de haute résolution, un facteur de complication était les ombres portées, liées à l angle d'azimut et hauteur du soleil. Nous avons traité ce problème dans les algorithmes de fusion et multi-résolution en attribuant un poids plus grand au MNC. 2. Potentiel d'intensité LiDAR Plusieurs études ont examiné l'utilisation de l'intensité LiDAR comme une variable utile pour l identification des types d 'occupation du sol (Song et al., 2002 ; Brennan, Webster, 2006 ; Goodale et al., 2007 ; Yan et al., 2012 ; Mesas-Carrascosa et al., 2012). Certaines études l'utilisent comme variable dans la délimitation de la végétation (Yunfei et al., 2008 ; Cheng Wang, Glenn, 2009), d'autres l'emploient pour l'estimation de la biomasse des arbres et les stocks de carbone (García et al., 2010 ; d Oliveira et al., 2012) ou pour l'identification des espèces (Vaughn et al., 2011). Les résultats de notre projet montrent que l'intensité est une source utile pour la discrimination des houppiers bien que non retenu dans l algorithme le plus performant (!). Cette constatation est également celle de (Moffiet et al., 2005) dans les forêts du Sud-Est du Queensland, en Australie, à la différence que dans notre projet cette variable n était homogène que dans certains houppiers. L'une des raisons de la hétérogénéité dans notre région peut être reliée aux résultats des études de (Hasegawa, 2006 ; Jutzi, Stilla, 2006 ; Mesas-Carrascosa et al., 2012) sur l'effet de l'angle d'incidence ou les caractéristiques géométriques de l acquisitiondes données LiDAR. Selon l'article de (Mesas-Carrascosa et al., 2012) la valeur d'intensité LiDAR dépend de plusieurs variables telles que le potentiel du laser, l'angle d'incidence, la réflectivité de la cible, l'absorption atmosphérique, et la distance capteur-cible, tout [24]
changement de ces variables va entraîner des différences de des valeurs d'intensité prises en un même point. C'est pourquoi plusieurs études recommandent une normalisation de l'intensité LiDAR pour réduire la variation de la réponse en permettant l'amélioration significative des résultats (Luzum et al., 2004 ; Coren, Sterzai, 2006 ; Jutzi, Stilla, 2006 ; Mesas-Carrascosa et al., 2012) La plupart de ces travaux concluent que la normalisation augmente la précision globale des résultats où l'intensité est utilisé dans de processus de classification d occupation du sol. Par exemple l'étude (Yan et al., 2012) va plus loin en proposant une calibration radiométrique et géométrique des points LiDAR. Dans notre cas, la normalisation n'a pas été effectuée parce que nous n'avions pas l information sur l'angle d'incidence de chaque point ou la distance absolue capteur-cible. D'ailleurs, l'étude (Moffiet et al., 2005) conclut que les distributions des valeurs d'intensité LiDAR de la végétation ne représentent que des variations de réflectivité de la végétation. Ils exposent que l'intensité de retour moyen et l'écart type de l'intensité de retour sont affectés par la structure de la forêt, ainsi que pour les propriétés de réflectance de la végétation. Dans ce cas, il est nécessaire de poursuivre les recherches afin de clarifier la relation entre l'intensité LiDAR avec la structure de la végétation, avec la disposition, l orientation, la forme et la taille des feuilles ou sur la relation avec les changements phénologiques. [25]