Collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts

Dmytro Movchan; Charumitha Selvaraj; Zhouxin Xi; Angeline Van Dongen; Dani Degenhardt

doi:10.3791/68745

Method Article

Collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts

DOI:

10.3791/68745

⸱

October 24th, 2025

Dmytro Movchan¹ , Charumitha Selvaraj¹ , Zhouxin Xi¹ , Angeline Van Dongen¹ , Dani Degenhardt¹

¹Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les progrès récents dans les systèmes d’aéronefs télépilotés (SATP) permettent une résolution inférieure au mètre, idéale pour la surveillance de la récupération des forêts. L’intégration de l’intelligence artificielle (IA) permet d’obtenir des informations plus approfondies à partir de vastes ensembles de données de télédétection. Ce protocole améliore la surveillance en favorisant une évaluation et une gestion plus efficaces des terres forestières qui se remettent des perturbations.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les technologies de télédétection (RS), en particulier la détection et la télémétrie par la lumière (LiDAR) et l’imagerie multispectrale (MS), offrent des capacités de surveillance de la végétation à grande échelle à des résolutions spatiales variables. Les systèmes d’aéronefs télépilotés (RPAS) équipés de capteurs LiDAR et MS peuvent améliorer les évaluations de la végétation en offrant des horaires de vol flexibles et en capturant des données à résolution fine. L’intégration plus poussée des modèles d’apprentissage profond (DL) est prometteuse pour l’automatisation du flux de travail de post-traitement, ce qui est particulièrement important pour les applications de surveillance de la végétation.

Ce protocole décrit une série de méthodes pratiques pour collecter, traiter, aligner et fusionner des données LiDAR et MS basées sur RPAS pour la délimitation d’arbres 3D individuels à l’aide d’un plug-in DL interactif. Le modèle DL propriétaire détecte et segmente efficacement les limites des arbres à l’aide de divers capteurs, sites d’étude et résolutions de données au sein des écosystèmes forestiers.

Notre application spécifique et notre motivation pour développer ce protocole et cet outil sont la surveillance de la récupération des forêts sur les sites de puits de pétrole et de gaz récupérés. À l’heure actuelle, les méthodes d’évaluation sur le terrain prennent beaucoup de temps, demandent beaucoup de main-d’œuvre et sont limitées dans l’espace. À mesure que les efforts de remise en état s’intensifient, il est de plus en plus nécessaire d’adopter des approches plus efficaces et évolutives pour surveiller le succès de la remise en état et la récupération de l’écosystème. En faisant progresser les applications de l’apprentissage par contournement par SATP, cette recherche soutient la surveillance du rétablissement écologique sur les sites de puits remis en état et s’applique également à d’autres paysages forestiers.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’extraction des ressources pétrolières et gazières a mené à l’établissement de centaines de milliers de sites de forage en Alberta¹, dont bon nombre sont situés dans la forêt boréale². Les efforts de remise en état visent à restaurer les terres perturbées à leur état écologique d’origine³. Les levés au sol conventionnels restent le principal moyen de contrôle de la certification de la remise en état⁴ ; Cependant, il s’agit d’un processus long et laborieux qui devient de moins en moins efficace à mesure que le nombre de zones perturbées et remises en état continue d’augmenter.

Les progrès récents des technologies de télédétection (RS), en particulier l’utilisation de systèmes d’aéronefs télépilotés (SATP), offrent des solutions prometteuses aux défis spatiaux et temporels de la surveillance des sites de forage 5,6,7,8. Ces plates-formes fournissent des données à très haute résolution, permettant des mesures précises au niveau de chaque arbre. L’intégration avec l’intelligence artificielle (IA), comme nous l’avons vu ces dernières années ^9,10,11, facilite le traitement et l’analyse de grands ensembles de données de télédétection grâce à l’automatisation de la détection et de la mesure de la végétation. Cependant, la génération d’ensembles de données d’entraînement et de validation appropriés pour les modèles d’apprentissage profond (DL) reste le principal défi, en particulier pour les ensembles de données 3D.

Ce protocole décrit un flux de travail étape par étape pour la collecte, le traitement, l’alignement et la fusion de données LiDAR et multispectrales (MS) basées sur RPAS provenant d’environnements forestiers afin de délimiter des arbres individuels. Cette méthode utilise le nouveau plug-in TreeAIBox¹² , intégré à CloudCompare, pour analyser le nuage de points dérivé du RPAS pour la segmentation de la couronne d’un arbre individuel. Le plug-in introduit une nouvelle approche DL 3D basée sur le modèle TreeisoNet¹³ , une suite de réseaux neuronaux profonds supervisés conçus pour la segmentation d’arbres 3D, qui a été entraînée et vérifiée sur des ensembles de données dérivés de RPAS provenant de cinq sites de puits récupérés différents. Les sites sélectionnés pour l’entraînement du modèle variaient en termes de hauteur des arbres, de densité et de composition des espèces afin d’assurer la généralisabilité du modèle. De plus, l’ensemble de données d’entraînement comprenait des données collectées au cours de trois saisons consécutives : été (août 2023), automne (octobre 2023) et printemps (mai 2024) pour s’assurer que le modèle pouvait fonctionner avec précision dans différentes conditions saisonnières avec des variations de visibilité des arbres. Le plugin automatise les processus de filtrage des nuages de points (arbres contre sol), de détection des cimes des arbres et de segmentation des couronnes d’arbres individuelles. La sortie du plug-in pourrait être utilisée pour calculer les métriques de végétation, telles que la surface de la couronne, la fraction de la canopée, la densité des tiges et la hauteur des arbres, utilisées pour la surveillance de la végétation après la remise en état.

Le modèle TreeisoNet, intégré au plugin TreeAIBox, offre des améliorations significatives par rapport aux méthodes de segmentation 3D traditionnelles telles que la segmentation des bassins versants ou le ShortestPath. TreeisoNet a signalé une plus grande précision dans divers types de forêts, démontrant les avantages d’une approche d’apprentissage profond supervisé par rapport aux alternatives non supervisées¹³. Plus précisément, le module de localisation de la cime des arbres (TreeLoc) a obtenu un score F1 moyen de 0,96, surpassant considérablement la méthode du maximum local (LM), qui a obtenu un score F1 moyen de 0,57¹³. De même, le module de délimitation de la couronne (TreeOff) a enregistré une moyenne moyenne d’intersection sur l’union (mIoU) de 0,85, surpassant les méthodes traditionnelles Watershed3D (mIoU 0,68) et ShortestPath (mIoU 0,79)¹³. Ces mesures mettent en évidence la précision supérieure de TreeisoNet dans la détection de la cime des arbres et la délimitation des cimes, en particulier dans des environnements complexes tels que les sites de puits remis en état avec des hauteurs d’arbres, des densités de tiges et des compositions d’espèces variables.

Le modèle TreeisoNet a été entraîné sur des données LiDAR dérivées de RPAS avec une densité de points supérieure à 1100 points par mètre carré. La méthode décrite dans le présent document est axée sur la surveillance de la régénération des forêts dans les sites de puits de pétrole et de gaz ; Cependant, il pourrait être adapté pour être utilisé dans d’autres zones forestières. Le flux de travail est bien adapté aux jeunes plantations et aux forêts mixtes à densité de tiges clairsemée à modérée (<3 000 tiges par ha), où l’occlusion est minimale. Dans les forêts à couvert fermé ou à plusieurs niveaux, la détection des arbres de sous-étage peut être réduite en raison de la pénétration limitée du LiDAR. Le modèle soutient à la fois des canopées de conifères et de feuillus, bien que la précision puisse varier en fonction des caractéristiques spécifiques à l’espèce, comme les bas de ligne minces chez les jeunes conifères. Le plug-in TreeAIBox comprend une bibliothèque de modèles prédéfinis et pré-entraînés qui sont conçus pour être largement applicables à divers types de forêts et validés sur divers ensembles de données provenant de sites de puits récupérés. Les utilisateurs peuvent tirer parti de ces modèles intégrés et ajuster les paramètres du plugin, tels que l’écart maximal ou le rayon minimum, afin d’optimiser les sorties de leurs ensembles de données spécifiques sans avoir à entraîner de nouveaux modèles. Cette flexibilité permet aux utilisateurs d’adapter le flux de travail à différentes conditions de forêt, telles que la hauteur ou la densité des arbres, directement dans l’interface utilisateur graphique conviviale de CloudCompare. La version actuelle du plugin TreeAIBox ne prend pas en charge l’entraînement de nouveaux modèles dans le logiciel lui-même ; Cependant, il est possible pour les utilisateurs avancés d’ajouter de nouveaux modèles pré-entraînés à la bibliothèque de modèles.

Les sections 1 et 2 du protocole décrivent nos étapes de collecte et de traitement des données, tandis que la section 3 du protocole décrit l’utilisation du plugin TreeAIBox pour extraire les métriques de l’arbre. Notre recherche spécifique utilise une fusion de données LiDAR basées sur des drones et d’images MS ; Cependant, différentes procédures, équipements et logiciels pourraient être appliqués pour générer un fichier de nuage de points à haute densité à utiliser dans la section 3 du protocole. Ce flux de travail représente une avancée significative dans la surveillance de la végétation en intégrant une approche de segmentation des arbres de pointe basée sur l’IA avec des RS basés sur RPAS, permettant des évaluations plus rapides, précises et évolutives de la récupération des forêts.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Utilisation d’un SATP pour la collecte de données

REMARQUE : Toutes les opérations de SATP doivent être conformes aux réglementations locales en matière d’espace aérien et aux exigences de sécurité. Utilisez la table des matériaux pour examiner l’équipement et les matériaux nécessaires à la collecte de données.

Préparation avant le vol : Avant d’aller sur le terrain, vérifiez l’équipement et mettez à jour le firmware si nécessaire. Créez des fichiers de vol pour chaque mission de vol et téléchargez-les sur la télécommande. Créer un plan de sécurité et un document sur les procédures d’urgence pour chaque mission de vol. Reportez-vous au fichier supplémentaire 1 pour une procédure détaillée de configuration du contrôle en amont.
Collecte de données sur le terrain : Sur le terrain, mettre en place des équipements et effectuer des missions de vol pour collecter des données LiDAR et MS au-dessus d’une zone d’intérêt. Voir le fichier supplémentaire 2 pour un flux de travail détaillé de la configuration de l’équipement et des paramètres de vol.
Configuration de la station de base GNSS : configurez et exécutez une station de base GNSS sur l’emplacement de la station de base du RPAS pour obtenir des coordonnées précises de son emplacement qui seront utilisées pour la correction du positionnement précis des points (PPP)¹⁴ pendant le prétraitement des données (pour une grande précision, la durée minimale recommandée de la station de base est de 2 h) (voir le fichier supplémentaire 3 pour un exemple de configuration de la station de base GNSS et de la procédure pour obtenir les coordonnées).
Transfert de données : à l’aide d’un lecteur de carte, les données LiDAR et MS collectées des capteurs vers un poste de travail pour un traitement ultérieur.

2. Traitement des données brutes

Prétraitement des données multispectrales : utilisez un logiciel de photogrammétrie pour prétraiter les données MS collectées, effectuer des corrections géométriques et radiométriques et générer une orthomosaïque MS.
REMARQUE : Voir le fichier supplémentaire 4 pour un flux de travail général pour le traitement des données MS dérivées du RPAS à l’aide d’un logiciel de photogrammétrie.
Reconstruction de nuages de points LiDAR : utilisez un logiciel approprié pour reconstruire les données LiDAR brutes dans un fichier de nuage de points (par exemple, fichier *.las/laz). Voir le dossier supplémentaire 5 pour une procédure détaillée sur la façon d’effectuer la reconstruction.
Alignez et fusionnez des données LiDAR et multispectrales. Utilisez des outils géospatiaux pour aligner le nuage de points LiDAR et l’orthomosaïque MS. Voir le fichier supplémentaire 6 pour une procédure détaillée pour effectuer l’alignement. Utilisez un script Python (voir Fichier supplémentaire 7) pour fusionner le nuage de points LiDAR avec l’orthomosaïque MS afin de créer un nuage de points MS.
REMARQUE : n’importe quel environnement de développement intégré (IDE) peut être utilisé pour exécuter le script Python. Le fichier supplémentaire 8 illustre un flux de travail général de fusion de données.

3. Utilisation du plugin TreeAIBox pour la segmentation d’arbres individuels

REMARQUE : Cette section du protocole peut être suivie à l’aide de n’importe quelle donnée de nuage de points haute résolution provenant d’un environnement forestier au format de fichier *.las/.laz.

TreeAIBox n’a été testé qu’avec le système d’exploitation Windows.

Installation et configuration : Téléchargez et installez le logiciel de traitement de nuages de points 3D, CloudCompare¹⁵. Ensuite, téléchargez le programme d’installation du plug-in à partir de GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² (Figure 1). Exécutez le programme d’installation et suivez les instructions à l’écran.
REMARQUE : le programme d’installation détecte automatiquement l’emplacement du logiciel CloudCompare et déploie le plug-in avec les bibliothèques DL requises en fonction de la disponibilité du GPU ou du CPU. Pour d’autres méthodes d’installation ou de dépannage, suivez les instructions README¹². Après l’installation, la structure des dossiers doit correspondre à celle illustrée à la figure 2.
Chargement des données du nuage de points :
1. Ouvrez CloudCompare à partir de l’icône du bureau ou en accédant à Démarrer | Tous les programmes | CloudCompare. Chargez le fichier de nuage de points (par exemple, le fichier *.las/laz) dans CloudCompare en le faisant glisser sur le canevas ou en utilisant le bouton Ouvrir un ou plusieurs fichiers sur la console principale, puis cliquez sur Appliquer (Figure 3).
2. Si les coordonnées du point sont grandes, une invite vous demandera s’il faut appliquer un décalage/une échelle globale. Sélectionnez Entrée, qui lit les métadonnées du fichier .las/laz, puis cliquez sur Oui (Figure 4). Le nuage de points apparaîtra maintenant dans le canevas.
Ouverture du plug-in TreeAIBox : ouvrez la barre d’outils du plug-in Python, développez la liste déroulante Script Register et cliquez sur TreeAIBox pour ouvrir l’interface graphique du plug-in (Figure 5).
Filtrage de l’arbre et des points au sol
1. Assurez-vous que la case Utiliser le GPU (CUDA) est cochée si le GPU pris en charge par CUDA est disponible. Dans le panneau supérieur, sélectionnez TreeFiltering, choisissez ALS si les tiges d’arbre ne sont pas visibles dans les données du SATP, décochez la taille de la tuile, sélectionnez « treefiltering_als_esegformer3D_128_15cm(GPU3GB) » dans la liste déroulante Modèles prédéfinis (Figure 6). Si vous utilisez ce modèle pour la première fois, la couleur de la police apparaîtra grisée. Cliquez sur Télécharger et confirmez la fenêtre contextuelle indiquant le chemin d’accès local.
2. Sélectionnez le nuage de points dans le canevas (mis en évidence par un cadre de sélection) et cliquez sur Appliquer dans le panneau TreeFilter . Un nouveau champ scalaire nommé treefilter sera créé : valeur = 2 (points de l’arbre, rouge) et valeur = 1 (autres points, bleu) (Figure 7). Confirmez-le avant de passer à l’étape suivante.
Détection de la cime des arbres
1. Dans le panneau supérieur de TreeAIBox , sélectionnez TreeisoNet, activez la récupération, ALS (tige implicite) et TreeLoc, puis choisissez le modèle pré-entraîné : 'treeisonet_als_reclamation_treeloc_esegformer3D_
  128_10cm(GPU4GB)' dans la liste déroulante. Assurez-vous que le nuage de points dans le canevas est sélectionné (mis en surbrillance par un cadre de sélection), puis cliquez sur et Appliquer (Figure 8).
2. Une fois le traitement terminé, un nouvel élément nommé treetops apparaîtra sous le nuage de points d’origine dans la fenêtre de l’arborescence DB . Sélectionnez cet élément et augmentez la taille des points (par exemple, à 16) pour une meilleure visibilité. Vérifiez que les positions des cimes des arbres apparaissent sous forme de points blancs sur le canevas (Figure 9).
Segmentation des cimes d’arbres
1. Sélectionnez à nouveau l’élément de nuage de points de l’arbre (surligné en rouge) (Figure 10). Dans le panneau supérieur de TreeAIBox , sélectionnez TreeisoNet et activez TreeOff. Télécharger le modèle pré-entraîné 'treeisonet_als_reclamation_treeoff
  _esegformer3D_128_10cm(GPU4GB)' (Figure 11) s’il n’est pas déjà disponible, cliquez sur Appliquer pour exécuter le modèle.
2. Un nouveau champ scalaire treeoff sera créé, attribuant à chaque arbre un ID unique. Les points du même arbre partagent le même ID. Si vous le souhaitez, réinitialisez la taille des points de la cime de l’arbre par défaut pour réduire l’encombrement visuel. Vérifiez que la vue du canevas logiciel est similaire à celle de la figure 12.
3. Visualisation facultative : Couleurs d’arbre aléatoires : Pour améliorer le contraste visuel des arbres segmentés, randomisez les couleurs d’arbre par ID. Tout d’abord, clonez le nuage de points d’origine pour préserver les données (Modifier | Cloner). Ensuite, allez dans Modifier | Champs scalaires | Convertissez en RVB aléatoire (Figure 13). Entrez une valeur élevée (par exemple, 256000) pour garantir un nombre suffisant de couleurs discrètes, puis cliquez sur OK. Le nuage de points affichera les arbres dans des couleurs aléatoires (Figure 14).
  REMARQUE : Cette étape est destinée à la visualisation uniquement et n’affecte pas les ID de segmentation, mais elle remplacera les valeurs RVB dans le nuage de points cloné.
Exportation des métriques et des sorties de segmentation : Dans le panneau supérieur de TreeAIBox , sélectionnez TreeisoNet et cliquez sur Exporter les statistiques pour exporter les résultats de la segmentation de l’arborescence. Cliquez ensuite sur Ouvrir le chemin de sortie pour afficher le fichier de sortie dans le dossier des résultats (Figure 15). Le fichier CSV exporté contient les ID d’arbre segmentés, les coordonnées, la hauteur de l’arbre et la surface de la couronne.
REMARQUE : Le traitement des données est terminé à l’aide de TreeAIBox.

figure-protocol-1
Figure 1 : Accès au programme d’installation du plug-in TreeAIBox via le référentiel GitHub. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-2
Figure 2 : La structure des dossiers avec le plug-in TreeAIBox. Veuillez cliquer ici pour voir une version plus grande de cette figure.

figure-protocol-3
Figure 3 : Chargement du fichier de nuage de points dans CloudCompare. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-4
Figure 4 : Définition d’un décalage global pour le nuage de points lors de son chargement dans CloudCompare. Veuillez cliquer ici pour voir une version plus grande de cette figure.

figure-protocol-5
Figure 5 : Utilisation de la barre d’outils du plug-in Python de CloudCompare pour lancer le plug-in TreeAIBox. Veuillez cliquer ici pour voir une version plus grande de cette figure.

figure-protocol-6
Figure 6 : Configuration du panneau TreeFiltering pour séparer les points de l’arbre des points au sol. Cliquez ici pour voir une version agrandie de cette figure.

figure-protocol-7
Figure 7 : Les résultats de la séparation des points de l’arbre et des points au sol. Les points de l’arbre sont indiqués en rouge, tandis que les points au sol sont indiqués en bleu. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-8
Figure 8 : Configuration du panneau TreeisoNet pour détecter les cimes des arbres à l’aide de TreeLoc. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-9
Figure 9 : Les résultats de la détection de la cime des arbres. Les points blancs représentent les positions des cimes des arbres. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-10
Figure 10 : Nouvelle sélection de l’élément de nuage de points d’arbre avant d’appliquer le panneau TreeOff. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-11
Figure 11 : Configuration du panneau TreeisoNet pour la segmentation des cimes d’arbres à l’aide de TreeOff. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-12
Figure 12 : Les résultats de la segmentation des cimes d’arbres. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-13
Figure 13 : Configuration du nuage de points segmenté pour randomiser les couleurs des arbres en fonction de leurs ID afin d’obtenir un meilleur contraste aux limites. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-14
Figure 14 : Les résultats de la randomisation des couleurs de l’arbre. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-15
Figure 15 : Extraction des résultats de la segmentation de l’arborescence du panneau TreeisoNet dans un fichier csv. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conformément au protocole établi, des données LiDAR et MS dérivées de SATP ont été recueillies sur trois sites d’étude plantés de jeunes arbres. Ces sites ont été sélectionnés pour tester la capacité du modèle à détecter des arbres individuels de différentes hauteurs. Le site 1 a été planté d’Abies balsamea (sapin baumier), d’une hauteur moyenne de 1,46 m. Le site 2 présentait des pins Pinus contorta (pin tordu) d’une hauteur moyenne de 2,17 m. Le site 3 contenait un mélange de petits arbres Abies balsamea et Pinus contorta , d’une hauteur moyenne de seulement 0,51 m. En plus des données RS, la localisation de 224 arbres de référence a également été enregistrée avec une unité GNSS.

Après la collecte et le traitement des données, le plugin TreeAIBox a été appliqué pour filtrer les points d’arbre et délimiter les arbres individuels. Les résultats produits par le plugin sont illustrés à la figure 16.

figure-results-1
Figure 16 : Répartition des arbres individuels délimités pour trois sites d’étude (A - Site 1 ; B - Site 2 ; C - Site 3) généré par le plugin TreeAIBox. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Au total, 2 755 arbres ont été détectés sur les trois sites. Le modèle a identifié 1 706 arbres sur le site 1 (figure 16A), 882 arbres sur le site 2 (figure 16B) et 167 arbres sur le site 3 (figure 16C). Le taux de détection des arbres de référence variait d’un site à l’autre, soit 100 % pour le site 2, 95 % pour le site 1 et seulement 21 % pour le site 3, comme le montre le tableau 1. Ces résultats mettent en évidence les hautes performances du modèle dans la détection des arbres > 1 m, avec un taux de détection de 100 % pour tous les arbres de référence de cette gamme. Cependant, la performance a diminué pour les arbres plus courts : seulement 45 % des arbres de référence entre 0,5 et 1 m ont été détectés, et aucun des arbres de < 0,5 m n’a été identifié (tableau 2).

Site #	Hauteur moyenne de l’arbre, m (stdev)	# d’arbres de référence	# d’arbres de référence détectés	% d’arbres de référence détectés
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Tableau 1 : Taux de détection des arbres de référence par différents sites.

Plage de hauteur de l’arbre	# d’arbres de référence	# d’arbres de référence détectés	% d’arbres de référence détectés
0 à 0,5 m	41	0	0
0,5 à 1 m	40	18	45
1 à 1,5 m	49	49	100
1,5 à 2 m	42	42	100
> 2 m	52	52	100

Tableau 2 : Taux de détection des arbres de référence par différentes plages de hauteur d’arbre.

Fichier supplémentaire 1 : Flux de travail de collecte de données SATP - tâches préalables au terrain. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2 : Flux de travail de collecte de données sur les SATP - sur le terrain. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 3 : Utilisation d’unités GNSS pour un suivi précis de la localisation. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 4 : Procédure de traitement des données MS à l’aide d’un logiciel de photogrammétrie. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 5 : Une reconstruction de nuage de points à partir de données LiDAR brutes. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 6 : Un nuage de points LiDAR et l’alignement de l’orthomosaïque MS à l’aide d’outils géospatiaux. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 7 : Un script Python pour fusionner un nuage de points LiDAR et une image MS afin de générer un nuage de points MS. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 8 : Un flux de travail général de fusion d’un nuage de points LiDAR et d’images MS. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’un des principaux défis de l’application de l’apprentissage direct aux données RS, en particulier aux nuages de points 3D, réside dans le développement d’ensembles de données d’entraînement et de validation équilibrés et représentatifs. L’efficacité de tout modèle d’apprentissage à distance dépend en grande partie de la diversité et de la qualité des données annotées utilisées pendant l’entraînement 9,10,11,16. Le nouveau modèle d’apprentissage par apprentissage 3D utilisé dans cette étude a été formé et validé à l’aide d’ensembles de données recueillies sur plusieurs sites de puits remis en état dans la zone de la forêt boréale, caractérisée par une végétation jeune, plantée et en régénération naturelle. Ces sites ont été soigneusement sélectionnés pour englober un large éventail de conditions forestières, y compris la variation de la hauteur des arbres, de la densité des tiges et de la composition des espèces, afin d’assurer une large généralisabilité du modèle. De plus, l’ensemble de données d’entraînement était diversifié dans le temps, incorporant des données RS recueillies sur trois saisons consécutives. Cette variation saisonnière a été essentielle pour entraîner le modèle à fonctionner de manière fiable dans différentes conditions de visibilité du feuillage, en tenant compte des changements de la couverture de feuillage et de la complexité structurelle. L’intégration de données multi-saisonnières et multi-structurelles a contribué à la robustesse du modèle, en particulier dans sa capacité à détecter des arbres individuels dans des conditions de lumière et des stades phénologiques changeants.

Une conclusion notable de cette étude est que l’intégration de données MS ou RVB aux côtés du LiDAR n’a pas amélioré de manière significative la précision de la détection des arbres ou de la segmentation de la couronne dans le flux de travail TreeAIBox. Cela suggère que les propriétés géométriques des nuages de points LiDAR, telles que la forme de la couronne et la disposition spatiale, sont les principaux moteurs de la détection et de la segmentation efficaces des arbres, en particulier dans les environnements à végétation jeune ou clairsemée. Cependant, les données spectrales ont démontré leur valeur dans des applications complémentaires, telles que la classification des espèces, où l’imagerie MS a amélioré la différenciation des conifères et des feuillus.

La qualité du nuage de points d’entrée est un facteur essentiel influençant le succès de la détection et de la segmentation d’arbres individuels dans le flux de travail TreeAIBox. Des performances optimales nécessitent des données LiDAR à très haute densité, généralement supérieures à 1 000 points par mètre carré. Les systèmes LiDAR modernes basés sur des RPAS peuvent atteindre cette densité en utilisant des paramètres de vol optimisés, tels que les basses altitudes et les chevauchements de vol élevés. Alors que TreeAIBox est capable de traiter des nuages de points à faible densité, une densité de points réduite peut limiter la capture des détails structurels. Cela entraîne souvent une diminution de la précision de détection et de segmentation, en particulier pour les petits arbres où les caractéristiques de la couronne et de la tige peuvent être sous-représentées.

Le flux de travail de TreeAIBox améliore l’efficacité et l’automatisation par rapport aux méthodes de segmentation traditionnelles ou manuelles, avec des indicateurs mesurables issus de notre validation sur les sites de forage récupérés. Les temps de traitement pour la détection des cimes d’arbres et la segmentation des couronnes sont en moyenne de 5 à 10 minutes par site sur un GPU standard (par exemple, NVIDIA RTX 3060), contre des heures pour la délimitation manuelle dans un logiciel comme CloudCompare. L’automatisation est réalisée grâce à l’interface graphique du plugin, qui élimine les scripts de ligne de commande et les dépendances, permettant aux non-experts d’exécuter des analyses de bout en bout avec un minimum d’entrée. En termes pratiques, cela a permis de réduire l’analyse d’un site de forage de 1 hectare de 5 à 8 h (méthodes manuelles) à moins de 30 minutes. Le repli vers le mode CPU garantit l’accessibilité sans matériel haut de gamme, bien que l’accélération GPU réduise les temps de 3 à 5 fois. Ces efficacités permettent une surveillance fréquente, prenant en charge des applications évolutives dans la gestion forestière tout en maintenant une grande précision.

Une limitation spécifique observée dans cette étude était la capacité réduite du modèle à détecter les arbres < 1,0 m. Bien que les taux de détection pour les arbres de > de 1,0 m aient été élevés, avec 100 % des arbres de référence correctement identifiés dans cette plage de hauteur, le rendement a considérablement diminué pour les arbres plus petits (tableau 2). Cette limitation est probablement due à plusieurs facteurs. Premièrement, une densité de points LiDAR plus faible près du sol, en particulier sous des canopées fermées, combinée à une couverture herbacée dense, empêche la détection des détails structurels à petite échelle associés aux petits arbres. De plus, l’occlusion causée par une végétation plus haute empêche souvent des retours de points suffisants d’atteindre les arbres du sous-étage, ce qui est une source d’erreur connue dans de telles applications^10,16. L’algorithme peut également ne pas capturer de caractéristiques morphologiques subtiles, telles que des leaders d’arbres minces, ou classer à tort des arbres étroitement regroupés comme un seul objet. Pour relever ces défis, il peut s’agir d’optimiser les paramètres d’acquisition LiDAR, tels que l’ajustement de l’altitude de vol ou de l’angle de balayage pour améliorer la visibilité au niveau du sol, ainsi que d’affiner les méthodes de segmentation pour mieux gérer les données occluses et éparses.

Malgré ces limites, la méthode proposée s’avère très prometteuse pour la surveillance post-remise en état et le reboisement. La RS basée sur RPAS, lorsqu’elle est combinée à des algorithmes de DL 3D, offre une solution évolutive, rentable et haute résolution pour suivre la récupération de la végétation au fil du temps, en particulier dans les zones perturbées par l’activité industrielle telle que l’extraction de pétrole et de gaz. La capacité de détecter des arbres individuels, d’estimer leur hauteur et d’évaluer la distribution spatiale fournit des informations significatives sur la régénération du site et la conformité aux normes de remise en état. De plus, cette méthode peut soutenir les stratégies de gestion adaptative en permettant une surveillance fréquente et non invasive qui saisit la dynamique saisonnière et structurelle des écosystèmes en rétablissement. Alors que les projets de restauration nécessitent de plus en plus de données à long terme et à petite échelle pour évaluer la régénération écologique, cette approche offre un outil puissant et pratique pour les gestionnaires forestiers et les chercheurs qui cherchent à évaluer la performance de la végétation dans des paysages complexes et hétérogènes.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs n’ont aucun conflit d’intérêts à divulguer.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le financement de cette recherche a été fourni par le Bureau de la recherche et du développement énergétiques CFS-23-101. Les auteurs tiennent à remercier Philip Hoffman, Daniels Kononovs et Elizabeth Friel pour leur aide sur le terrain.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Application Avenza Maps	Avenza	NA	Pour la navigation hors ligne sur les champs utilisant des cartes PDF géoréférencées créées dans QGIS
Cibles à damier	N’importe quel fournisseur	NA	Aiguillages de contrôle au sol
CloudCompare ;	CloudCompare ;	NA	Logiciels de traitement et d’édition de nuages de points 3D
Batterie DJI BS60 (avec les piles M300 (x8), piles D-RTK2 (x4), cordon d’alimentation et câble USB-C pour la connexion à la télécommande)	DJI	NA
Avion DJI M300 RTK avec DLS (avec manette et hélices de remplacement)	DJI	NA	DLS (capteur de lumière descendante)
DJI Terra Pro	DJI	NA	Reconstruction des données LiDAR brutes en nuage de points 3D. ;
Dije Zenmuse L1 capteur LiDAR (avec carte microSD)	DJI	NA
Station mobile D-RTK2 (avec trépied et tige d’extension)	DJI	NA
Station de base Emlid Reach RS2+ (avec trépied)	Emlid	NA
Rover Emlid Reach RS2+ (avec perche de topographie GNSS)	Emlid	NA
Disques durs externes	N’importe quel fournisseur	NA	; Pour sauvegarder les données
Journal de bord de vol	N’importe quel fournisseur	NA
Google Earth Pro ;	Google	NA	Création des fichiers de vol KML & nbsp ;
Plateforme d’atterrissage	N’importe quel fournisseur	NA	Décollage/atterrissage d’un avion
Ordinateur portable	N’importe quel fournisseur	NA	À utiliser sur le terrain pour télécharger des données, formater les cartes, etc.
Capteur MicaSense RedEdge-P (avec carte SD MicaSense, câble USB-C, panneau de réflectance calibré MicaSense (CRP))	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Correction géométrique et radiométrique des images multispectrales et génération d’orthomosaïques.
Pneumomètre	N’importe quel fournisseur	NA
PyCharm	JetBrains ;s.r.o.	NA	Environnement de développement intégré (IDE) en Python
QGIS ;	QGIS ;	NA	Traitement, édition et visualisation des données géospatiales
Lecteur de cartes SD et microSD	N’importe quel fournisseur	NA
Smartphone	N’importe quel fournisseur	NA	Pour se connecter aux capteurs MicaSense RedEdge-P et aux unités RS2+ Emlid Reach
Étoiles/clous, maillet et ruban de signalement	N’importe quel fournisseur	NA	Pour marquer l’emplacement de la station de base D-RTK2
Tablette	N’importe quel fournisseur	NA	Pour la navigation sur le terrain
TreeAIBox (CloudCompare ; plugin)		NA
Radio bidirectionnelle	N’importe quel fournisseur	NA
Station de travail (CPU i5 ou ultérieur, GPU NVIDIA compatible CUDA avec VRAM &ge ; 4GB, RAM &ge ; 32GB, SSD &ge ; 512GB ;	N’importe quel fournisseur	NA

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Well status. , Alberta Energy Regulator. https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).
Western boreal forest - Canada. , Ducks Unlimited. https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).
Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).
2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).
Alvarez-Vanhard, E., Corpetti, T., Houet, T. UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).
Hird, J., et al. Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).
Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).
Zhang, Z., Zhu, L. A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(2023).
Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (2023).
Straker, A., et al. Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset. ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).
Xiang, B., et al. Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).
TreeAIBox CloudCompare Plugin. , https://github.com/NRCan/TreeAIBox (2025).
Xi, Z., Degenhardt, D. A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).
Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).
CloudCompare. , https://www.cloudcompare.org/ (2024).
Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(2024).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles