Skip to Main content Skip to Navigation
Master Thesis

Modèles de prédiction de biomasse à partir de données de scan laser aéroporté (LiDAR)

Résumé : Ces dernières années, la technologie LiDAR a nettement progressé en foresterie. En Scandinavie par exemple, elle sert actuellement de manière opérationnelle à estimer la ressource forestière. Afin de juger de la précision de son utilisation dans un contexte forestier français, cette étude a été mise sur pied. Elle avait pour objectif d'évaluer la robustesse de l'estimation de 2 paramètres dendrométriques clés (i.e. la hauteur dominante (Ho) et la surface terrière (G)), à partir des nuages de points LiDAR. Au total, des données de 3 forêts feuillues et 3 forêts résineuses de montage situées dans l'Est de la France, ont été utilisées. Pour les forêts feuillues, l'acquisition LiDAR a été effectuée en hiver (hors feuilles). Pour chacun des sites, 20 à 120 placettes de terrain ont servi à mettre en relation les mesures dendrométriques avec les différents "métriques" issus du LiDAR. Pour l'estimation de Ho, la robustesse de 3 modèles préexistants a été comparée, alors que pour G, de nouveaux modèles ont été établis. Deux procédures de sélection de variables ont été mises en œuvre pour la construction de ces modèles : l'une paramétrique utilisant la PLS, et l'autre, non-paramétrique utilisant le Random Forest. Les résultats obtenus montrent une précision acceptable des modèles pour l'estimation de Ho, qui est du même ordre de grandeur que l'erreur attendue de mesure. Le modèle de Ho qui intègre un indice spatiale semble le plus robuste, indépendamment de la forêt étudiée (avec une erreur relative inférieur de 7%, sans recalibration des paramètres). Cependant, l'estimation de G est plus problématique. Les modèles trouvés dans la littérature sont imprécis et très peu robustes pour le type de forêts que nous avons étudié. Certains de nos modèles peuvent être localement précis lors de la phase de calibration (<7% d'erreur pour un site), mais se révèlent rapidement très bruités voire aberrants (de l'ordre de 20% ou plus) lorsqu'ils sont appliqués à d'autres forêts. Ils nécessitent alors une recalibration. Les erreurs relatives que nous avons obtenues pour les modèles de G varient entre 6.37% et 17.8% lors des calibrations. Cette étude montre qu'après quelques adaptations simples, l'utilisation du LiDAR permet d'estimer Ho de façon opérationnelle. Par contre, il s'avère que l'estimation de G est encore trop imprécise. Afin d'améliorer cette situation nous proposons d'explorer l'utilisation d'autres types de "métriques" qui tiendraient compte de l'information spatiale contenue dans le nuage de points LiDAR. Des indices de textures, ou l'utilisation de voxels (cubes) pourraient s'avérer complémentaire aux "métriques" utilisés jusqu'à présent, qui sont basés uniquement sur la distribution en hauteur des nuages Lidar.
Document type :
Master Thesis
Complete list of metadata

Cited literature [21 references]  Display  Hide  Download

https://dumas.ccsd.cnrs.fr/dumas-00623111
Contributor : Ufr de Mathématique-Informatique / Irma <>
Submitted on : Wednesday, September 14, 2011 - 10:07:23 AM
Last modification on : Wednesday, December 25, 2019 - 1:16:45 AM
Long-term archiving on: : Thursday, December 15, 2011 - 2:20:55 AM

Identifiers

  • HAL Id : dumas-00623111, version 1

Collections

Citation

Cheikh Ahmadou Bamba Diop. Modèles de prédiction de biomasse à partir de données de scan laser aéroporté (LiDAR). Méthodologie [stat.ME]. 2011. ⟨dumas-00623111⟩

Share

Metrics

Record views

409

Files downloads

1072