Méthode semi-automatisée pour cartographier et classer les communautés végétales boréales des zones humides côtières à l’aide de données de drones et de sol

Résumé

Le protocole comprend quatre phases intégrées : l’étude par véhicule aérien sans pilote (UAV), la collecte de données de la vérité du sol, le calcul de l’indice de végétation, ainsi que la classification et la cartographie assistées par l’IA des communautés végétales des zones humides côtières. Le résultat est un ensemble de données géospatiales à plusieurs niveaux qui soutient les applications en écologie, surveillance environnementale et prise de décision pour la conservation et la gestion des habitats humides côtiers.

Résumé

La cartographie semi-automatisée des communautés végétales fait le lien entre les enquêtes écologiques traditionnelles et le suivi moderne des écosystèmes assistés par l’IA, permettant des relevés et des suivis de sites à des échelles et vitesses auparavant inaccessibles. Les zones humides côtières, dominées par des plantes herbacées à faible croissance, nécessitent une étude photogrammétrique basée sur des drones (Unmanned Aerial Vehicle (UAV) pour obtenir une résolution spatiale supérieure et une plus grande flexibilité de synchronisation. Ce protocole se compose de quatre phases : l’étude aérienne basée sur UAV, la collecte de données de surface et la géoréférence, le calcul de l’indice de végétation et la classification supervisée utilisant l’algorithme de forêt aléatoire (RF) en R (c’est-à-dire une cartographie semi-automatisée assistée par IA des distributions des communautés végétales utilisant la classification par apprentissage automatique). Les packages clés R utilisés incluent terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. L’accent de la seconde phase est mis sur une méthode traditionnelle d’enquête écologique : l’échantillonnage du sol en quadrat stratifié. L’échantillonnage au sol sert de vérification du terrain, fournissant des preuves empiriques pour garantir la précision et la fiabilité du produit cartographique final. Deux types de capteurs largement utilisés montés sur UAV ont été testés : un capteur multispectral et une caméra RGB, fournissant 19 indices multispectraux et 27 basés sur le RGB, ainsi qu’un modèle numérique de surface (DSM) dérivé du RGB. Les communautés végétales ont été cartographiées sur un site d’étude de cas sur une zone humide côtière baltique, et les résultats de performance de l’algorithme suivants ont été obtenus : à l’aide du jeu de données multispectral, le modèle a atteint une précision globale de 92,3 % avec une erreur hors du sac (OOB) de 7,75 % ; en comparaison, le jeu de données RVB a atteint une précision dépassant 98 % avec une erreur OOB de 1,14 %. Ces résultats renforcent l’adéquation des deux types de capteurs. Chaque phase du protocole produit des ensembles de données géoréférencés. Ces projets peuvent être compilés dans un projet de système d’information géographique (SIG) en couches avec des observations biophysiques intégrées sur le terrain, servant de base à la recherche complexe sur les écosystèmes, telle que la modélisation écologique pour prévoir impacts et changements. En pratique, ce projet SIG peut servir de document historique de la gestion de l’occupation et du soutien des sols, de la planification de la restauration environnementale et du suivi.

Introduction

L’objectif de ce protocole est de fournir un flux de travail pratique et étape par étape qui combine une étude photogrammétrique basée sur des drones (c’est-à-dire des véhicules aériens sans pilote [UAV]) avec des observations biophysiques sur place comme données de base pour produire une carte de répartition des communautés végétales des zones humides côtières. Le résultat final, une carte de couverture des sols, est créé via un processus d’apprentissage automatique semi-automatisé (algorithme de forêt aléatoire [RF]⁾¹.

Une carte des communautés végétales est un ensemble de données essentiel dans la modélisation écologique des zones humides car elle transforme des motifs végétaux complexes en une représentation spatialement explicite, basée sur des pixels, de la structure de l’habitat. Ce jeu de données de référence permet de modéliser les processus écologiques (par exemple, la répartition de la biomasse, les interactions entre espèces, les réponses éco-hydrologiques, les cycles des nutriments) à travers un paysage ^2,3,4.

En plus de la carte de la communauté végétale, suivre les étapes de ce protocole produit une collection de données géospatiales. Sauvegardé sous forme de projet de système d’information géographique (SIG), le jeu de données peut être intégré dans un SIG, partagé et utilisé pour une analyse et prise de décision ultérieures des écosystèmes afin de soutenir la planification de la gestion et le suivi environnemental.

Dans cette méthode, une étude UAV donne un RVB (c’est-à-dire rouge, vert, bleu, les trois couleurs primaires) et/ou une carte orthomosaïque multispectrale, géométriquement précise, ainsi qu’un modèle numérique de surface (DSM), tous servant de données de référence ^5,6. Ces données sont utilisées pour calculer les indices de végétation (VI) en utilisant des cartes orthomosaïques comme entrées pour la calculatrice du logiciel SIG. Pour créer la carte de sortie finale, les VI servent de variables prédictrices par pixel pour la RF, transformant l’information spectrale brute de l’orthomosaïque en entrées structurées pour la classification ^7,8. Parce que les VI sont des combinaisons mathématiques de bandes spectrales qui mettent en évidence les propriétés de la végétation réfléchies par les plantes et^{la lumière 7}, les VI peuvent être utilisées comme données indépendantes en écologie pour surveiller la qualité de l’habitat et la biodiversité, et soutenir la modélisation écologique ^8,9. Ainsi, les VI sont sauvegardés sous forme de cartes matricielles et incluses dans un projet SIG.

Pour classifier et cartographier les communautés végétales dans un environnement assisté par l’IA, les ensembles de données télédétectés (par exemple, les cartes de relevés UAV, DSM et VI) doivent être combinés avec des observations biophysiques géoréférencées sur site afin d’assurer la fiabilité écologique, la reproductibilité et une interprétation significative¹⁰. Ces données de terrain constituent la base de l’algorithme RF pour classer les données de pixels habitat-végétation-couverture en VIs et prédire la répartition des communautés végétales sur un site d’étude (par exemple, pour créer une carte des communautés végétales⁾¹¹. En plus de servir de jeu de données de terrain pour l’apprentissage automatique, les observations géoréférencées fournissent un moyen d’ancrer les observations biophysiques au sein des SIG. De cette façon, le jeu de données écologique fonctionne comme une table d’attributs, qui peut être utilisée comme variables environnementales pour la modélisation des écosystèmes^12,13. Les données sur site sont précieuses pour mettre en évidence les conditions écologiques d’un habitat car elles sont collectées directement dans l’environnement étudié, fournissant une évaluation réaliste et immédiate des conditions^{spécifiques 14}.

Les zones humides côtières sont des habitats à faible consommation d’énergie situés dans des zones abritées de rivage. Les écosystèmes humides sont répartis le long des côtes de six continents, à l’exception de l’Antarctique, jouant un rôle écologique crucial à l’échelle mondiale, à l’exception des paysages glacés dans les régions polaires^{extrêmes 15}. La croissance démographique mondiale et l’industrialisation, les défenses côtières et l’intensification des pratiques agricoles ont un impact significatif sur les zones humides côtières, provoquant fragmentation et^{dégradation 16,17}. Ces pressions font des écosystèmes côtiers une priorité pour la restauration écologique et la conservation dans le^{monde 18}.

La surveillance environnementale et la modélisation des écosystèmes des habitats côtiers facilitent l’évaluation de la santé des écosystèmes, l’identification des changements temporels et l’évaluation des résultats de^{restauration 19}. Néanmoins, une surveillance efficace peut être entravée par la nature dynamique de ces écosystèmes, leur accessibilité restreinte et les coûts importants de collecte de données dans des zones intertidales complexes et souvent éloignées. Dans des habitats dynamiques et difficiles d’accès, la végétation fournit souvent le signal le plus clair et le plus stable du changement^{écologique 18}.

Comme la végétation est une base fondamentale de la formation des habitats, la classification des communautés végétales et la cartographie de leur répartition constituent une base essentielle pour l’évaluation écologique et la modélisation des processus^{d’habitat 20, 21, 22.} Les zones humides côtières sont des systèmes très hétérogènes, présentant une variation significative sur de courtes distances en altitude, salinité, structure végétale, hydrologie et caractéristiques sédimentaires. En raison de cette complexité, le protocole intègre un échantillonnage quadratique^{stratifié 23} (minimum dix échantillons quadrats de 1 m × 1 m par communauté végétale), ce qui est non seulement bénéfique mais aussi méthodologiquement impératif pour générer des modèles écosystémiques représentatifs et des cartes de couverture^{des sols 24,25}.

Pour illustrer cette méthodologie, une étude de cas a été réalisée sur un marais microtidal sur l’île de Hiiumaa, dans l’archipel de l’ouest de l’Estonie en mer Baltique (Figure 1). Le paysage côtier de la mer Baltique, comprenant les marais dans les zones d’accumulation de sédiments sur plus de 100 000 îles des archipels, est géré à différents niveaux d’intensité²⁶. Pour la conservation et la restauration de la biodiversité, les zones humides côtières boréales de la Baltique sont maintenues comme des prairies^{semi-naturelles 27,28}. Ces prairies humides ont une valeur patrimoniale paysagère régionale, et certaines, y compris le site de l’étude de cas, font partie du réseau de zones protégées Natura 2000. Dans ces zones, pour soutenir la végétation basse, qui soutient une plus grande biodiversité et offre des habitats pour la faune telle que les^{limicoles 29}, les prairies côtières sont largement pâturées et/ou tondues saisonnièrement afin de maintenir les prairies ouvertes et d’empêcher qu’elles ne soient envahies par des espèces en expansion, par exemple Phragmites australis³⁰. Dans les régions côtières boréales, les zones humides gérées dans le cadre des mesures de conservation comprennent généralement quatre communautés végétales clés : Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) et Tall Grass (TG)³¹. Les quatre se déroulent sur le site d’étude de cas sélectionné. Les espèces végétales vasculaires dominent les prairies humides côtières. Les espèces indicatrices OP sont les halophytes : Salicornia europaea (taille la plus courante entre 3 et 30 cm) et Suaeda maritima (10–50 cm). Le LS est dominé par les Glaux maritima (3–25 cm) et Juncus geradii (25–75 cm). Les espèces indicatrices américaines sont Festuca rubra (15–90 cm) et Leontodon autumnalis (10–80 cm), et les graminées dominantes identifient TG : Deschampsia cespitosa (30–120 cm), Elytrigia repens (30–120 cm) et Molinia caerulea (50–180 cm). De plus, les plantes typiques des zones humides côtières dans cette zone climatique incluent : Spergularia marina (5–30 cm), Plantago maritima (10–30 cm), Triglochin maritima (15–70 cm) et Agrostis stolonifera (15–30 cm), qui se trouvent dans différentes communautés.

Les zones humides côtières se distinguent par leurs paysages en bas relief avec de subtiles variations microtopographiques, telles que les dépressions et les bosses, qui influencent la répartition des communautés végétales. Ces éléments paysagers se forment naturellement par des processus tels que le dépôt de sédiments lors des crues, des ondes de tempête et des courants de marée³². Ces caractéristiques manquent souvent de signatures distinctes détectables par des images aériennes grossières, mais la composition des espèces reflète des réponses spectrales spécifiques qui peuvent être enregistrées et classées³³. Souvent, la cartographie aérienne par satellite et par avion fournit les données géospatiales nécessaires pour de nombreux relevés et modélisations des écosystèmes afin de soutenir le suivi et^{l’évaluation 34,35}. Cependant, la cartographie aérienne à basse altitude par drone est essentielle pour relever efficacement les prairies côtières. Cette approche fournit des données à haute résolution et fournit un enregistrement photogrammétrique plus détaillé des caractéristiques du paysage, y compris les schémas de distribution de la végétation et les modèles de hauteur de la végétation dérivés d’un Modèle de Surface Numérique (DSM), améliorant ainsi la précision de la classification³.

Comparés aux approches alternatives, les flux de travail UAV permettent une planification flexible pour correspondre aux stades phénologiques, minimiser les interférences des nuages et capturer des détails structurels indisponibles sur les^{satellites 36,37}. Combiné à l’apprentissage automatique (par exemple, Random Forest), les données UAV permettent la détection automatisée de motifs, la classification des objets et l’extraction d’informations précieuses à partir de jeux de données complexes qui seraient accablants pour les^{humains 38}. Cependant, l’échantillonnage au sol sur site reste indispensable pour l’apprentissage supervisé car il fournit des étiquettes vérifiées pour l’entraînement et l’évaluation des modèles, garantissant que les modèles apprennent les bons motifs et que leurs performances sont robustes et^fiables 11,39,40.

Ce protocole est conçu pour les écosystèmes à faible relief avec des communautés végétales à croissance basse, accessibles pour l’échantillonnage sur place. Le flux de travail est divisé en quatre phases distinctes (Figure 2) : (1) relevé aérien basé sur UAV, (2) collecte et géoréférencement de données de base sur le sol, (3) calculs d’indices de végétation, et (4) classification supervisée à l’aide de Random Forest dans l’environnement de calcul statistique open source R. Le protocole a été implémenté avec RStudio avec les packages clés suivants : terra, sp, sf, rgdal, raster, rsample, MLmetrics et randomForest.

Protocole

REMARQUE : Les étapes suivantes décrivent un flux de travail détaillé (voir le schéma de la Figure 3) pour cartographier et classer les communautés végétales des zones humides côtières. Ce protocole peut être reproduit à l’aide d’un capteur multispectral monté sur UAV ou d’une caméra RGB. La réalisation de ce protocole prendra plusieurs jours. Ainsi, la méthodologie est divisée en quatre phases, avec des entractes optionnels. La séquence prescrite est recommandée car les résultats de la phase précédente soutiennent l’exécution de la suivante. Les trois premières phases génèrent des ensembles de données qui servent d’entrées à la phase finale.

1. Étude aérienne basée sur UAV

1. Acquérir et examiner les précautions essentielles pour les exploitants de drones, les réglementations locales et les manuels pour le matériel et les logiciels des drones.
   1. Veillez à ce que le pilote fonctionne de manière sûre, légale et professionnelle ; détenir toutes les certifications ou licences requises pour la région d’opération ; et être pleinement formé au modèle spécifique du drone, ainsi qu’à l’utilisation des capteurs/caméras montées ainsi qu’au flux de travail de la mission. Consultez le cadre réglementaire étatique ou régional pour souscrire une assurance UAV.
   2. Identifier la classification de l’espace aérien pour la zone de mission et obtenir les autorisations requises. Respectez les limites d’altitude, les zones d’exclusion aérienne et les restrictions de proximité autour des aéroports, des infrastructures et des zones peuplées. Pour des considérations environnementales et fauniques, respectez les restrictions saisonnières (par exemple, les périodes de nidification) et respectez les réglementations environnementales pour les paysages protégés, zones humides, sites Natura 2000 et autres zones protégées.
   3. Informez les membres de la communauté locale ou les parties prenantes, si nécessaire, afin d’obtenir les approbations et d’éviter les malentendus. Clarifier les règles de protection des données concernant les cas où des images aériennes peuvent capturer des personnes, des propriétés privées ou des véhicules en s’assurant que tout le monde comprend que le vol du drone vise à cartographier les communautés végétales à des fins de recherche, et que toute donnée supplémentaire soumise aux lois sur la protection des données restera confidentielle.
      NOTE : La notification est généralement nécessaire lorsque des réglementations nationales ou régionales imposent une communication préalable pour les opérations de drones.
   4. Respectez toutes les consignes du fabricant pour l’assemblage, la maintenance et l’exploitation du drone et des capteurs montés ; Cette conformité garantit un fonctionnement sûr et protège l’intégrité des équipements. Respectez les limites de vent maximal (9 m/s, rafales comprises), les plages de température (min. 0 °C ; max. 35 °C) et les capacités de charge utile lors de la sélection des capteurs/caméras. Stockez et transportez les batteries conformément aux instructions du constructeur et aux réglementations de sécurité aérienne.
2. Concevoir une mission de vol UAV.
   REMARQUE : Pour implémenter ce protocole, le système UAV à voilure fixe eBee X a été utilisé, équipé du capteur multispectral et RVB ainsi que du logiciel de gestion de vol. Consultez toujours le manuel du fabricant lorsque vous utilisez un UAV.
   1. Ouvrez un logiciel de gestion de vol préinstallé sur un ordinateur portable. Sur la page d’accueil, sous l’onglet Nouvelle mission , sélectionnez la caméra à utiliser (dans ce cas : Sequoia), entrez un titre descriptif de mission (par exemple, le nom du site d’étude), puis sélectionnez Créer mission. Le panneau Mission s’ouvrira automatiquement, et la carte satellite apparaîtra dans la vue principale.
   2. Sur la carte satellite, utilisez le curseur pour zoomer, faire un panoramique et naviguer vers l’emplacement approximatif du site de l’étude. Dans l’onglet Zone de travail , sélectionnez Placer la zone de travail et placez le curseur près du centre du site d’étude, puis cliquez dessus. Un cercle apparaîtra représentant la zone de travail ; Ajustez sa taille en augmentant ou diminuant le rayon.
   3. Dans le panneau Mission, cliquez sur l’onglet Décollage et atterrissage . Cliquez ensuite sur Ajouter un nouveau départ, naviguez sur le curseur de la carte satellite jusqu’à l’emplacement de décollage souhaité, et cliquez pour définir un nouveau point de départ. Ensuite, cliquez sur Ajouter une nouvelle maison, choisissez Atterrissage linéaire, naviguez sur le curseur de la carte jusqu’au point d’atterrissage/retour souhaité du drone, puis cliquez sur set.
      REMARQUE : Lors de la planification des missions, utilisez la carte satellite du logiciel et les outils de mesure pour trouver les zones optimales d’atterrissage et de décollage, car une piste d’atterrissage sans obstacles est nécessaire. Certains drones à voilure fixe ne disposent pas de décollage vertical et nécessitent une montée progressive à l’altitude lors du décollage et une descente progressive. Ces drones nécessitent une piste d’atterrissage mesurant entre 200 et 300 m de long et 75 m de large.
   4. Dans le panneau Mission , sélectionnez l’onglet Blocs de mission . Cliquez sur Ajouter le bloc de mission, puis sélectionnez Cartographie horizontale. Dans le menu déroulant Caméra, sélectionnez Sequoia, et dans le plan ci-dessus, sélectionnez Données d’altitude - EAD. Le menu des préparamètres apparaîtra avec des onglets avec des valeurs ajustables : Résolution 10 cm/px, Chevauchement latéral 75 % et Chevauchement longitudinal 80 %, ce qui donne une altitude de vol de 106,1 m/AED (ces valeurs automatisées ont été sélectionnées pour l’étude UAV).
   5. Placez le curseur sur la vue de la carte satellite et dessinez un polygone autour de la zone d’étude en cliquant gauche pour ajouter des angles ajustables autour du site de relevé. Pour finaliser, cliquez droit pour afficher la trajectoire potentielle du drone sur la carte.
      REMARQUE : Pour mettre en œuvre ce protocole, la zone d’étude a été estimée à 40 ha avec un temps de vol de 32 minutes.
   6. Toujours dans le panneau Mission , dans l’onglet Actions de sécurité , assurez-vous que les actions suivantes sont sélectionnées. Pour le retour à la maison : si un vent fort est détecté, si la caméra signale un défaut, en faible luminosité (ou le capuchon de l’objectif est en place), si l’endurance est faible, si la précision GNSS se dégrade, si la liaison modem au sol est perdue pendant 300 s (ajustable), et pour la montée : si la proximité du sol est détectée, il faut sélectionner.
   7. Le timing est crucial : planifiez la mission de cartographie aussi près que possible de la vérification au sol (date d’échantillonnage biophysique). C’est vital, car cela garantit que les images et données de terrain des drones reflètent l’écosystème dans les mêmes conditions environnementales et phénologiques, améliorant considérablement la précision scientifique et l’interprétabilité des cartes.
   8. Choisissez une fenêtre de marée basse (ou des conditions « basse eau » dans les côtes non marées) afin de maximiser l’habitat exposé et de minimiser l’éblouissement de l’eau ; Lorsque vous chronométrez les relevés aériens, tenez également compte des perturbations de la faune et essayez d’éviter les saisons de reproduction.
3. Effectuez les vérifications préalables au vol et la mission de vol.
   1. Sur place, évaluez les conditions environnementales. Vérifier que les niveaux actuels d’eau de mer sont bas ; éviter de déranger la faune ; Assurez-vous que la zone de décollage et d’atterrissage est stable, sèche et suffisamment élevée au-dessus de l’eau. Examinez la région de l’espace aérien où la mission de vol aura lieu pour détecter tout obstacle aérien, y compris les zones de décollage et d’atterrissage.
   2. Surveillez les prévisions météorologiques pour les conditions de vol optimales : vent (maximum 9 m/s), visibilité (sans brouillard), humidité (inférieure à 75 %) et précipitations (prédiction maximale de 40 %).
   3. Assembler le système UAV : matériel du drone, capteur/caméra, antenne et logiciel de gestion de vol. Connectez une batterie de drone. Vérifiez le matériel du drone, y compris la santé des capteurs/caméras ; Assurez-vous que l’objectif est propre ; et vérifier que le capteur/caméra est correctement connecté au drone.
   4. Allumez l’ordinateur de travail sur le terrain, ouvrez le logiciel de gestion de vol (eMotion) et cliquez sur Charger la mission depuis le fichier Parcourir .
      1. Connectez l’antenne USB à l’ordinateur portable, cliquez sur Connecter, et une barre de contrôle de vol apparaîtra à droite.
      2. Dans l’onglet Caméra, vérifiez qu’il y a suffisamment de mémoire disponible pour stocker toutes les images de l’enquête (carte SD vide, minimum 32 Go), et que la caméra correcte (Sequoia) est indiquée. Activez le son de l’ordinateur pour recevoir les notifications logicielles.
   5. Vérifiez que le firmware et le logiciel sont à jour (via des notifications logicielles automatisées) et calibrez la boussole si nécessaire.
   6. Assurez-vous que la mission préconçue est correctement chargée (c’est-à-dire que la trajectoire de vol, le décollage et l’atterrissage sont visibles dans la vue principale). Assurez-vous que les actions de sécurité sont correctement sélectionnées (comme indiqué à l’étape 1.2.6).
   7. Calibrez le capteur multispectral. Placez le panneau au sol, puis tenez le drone au-dessus avec le capteur/l’objectif de la caméra tourné vers le panneau.
      1. Dans le logiciel, accédez à la barre de contrôle de vol, ouvrez l’onglet Caméra et appuyez sur Calibrer.
      2. Attendez que les signaux sonores indiquent la prise de photos jusqu’à ce que le texte Radiometric calibration complete apparaisse. Ce n’est pas nécessaire si vous utilisez uniquement le capteur RGB.
   8. Avant de commencer la mission, vérifiez la direction du vent. Prenez une petite poignée d’herbe légère, sèche, de sable ou de feuilles sèches. Libérez le matériau à hauteur des yeux ; la direction dans laquelle l’herbe dérive indique le trajet du vent.
   9. Ensuite, dans la vue principale du logiciel (carte satellite), ajustez l’orientation de la trajectoire de vol du drone en faisant glisser la poignée d’orientation afin que les lignes de vol soient perpendiculaires à la direction du vent. Assurez-vous que la trajectoire de vol couvre l’ensemble du site de relevé : ajustez les coins des polygones en faisant glisser les points d’angle.
   10. Ajustez l’orientation de la trajectoire d’atterrissage pour vous assurer que la trajectoire est à contre-courant du vent.
   11. Assurez-vous que la trajectoire de vol, les zones de décollage et d’atterrissage sont dans la zone de travail après tous les ajustements. Élargissez le cercle de la zone de travail, si nécessaire, en augmentant les valeurs numériques du rayon dans l’onglet zone de travail .
   12. Commencer le vol UAV comme une mission automatisée suivant la trajectoire préconçue (zone d’étude pour l’étude de cas : 40,5 ha). Journal de l’heure de début du vol.
       1. Pendant le vol, gardez le logiciel de gestion de vol activé et l’antenne du drone toujours connectée.
       2. Écoutez et observez le logiciel pour les mises à jour de l’autonomie de la batterie, les performances des capteurs et les signaux d’alarme du drone pendant la mission (par exemple, augmentation de la vitesse du vent, détection d’obstacles).
       3. Maintenir une ligne de vue visuelle (VLOS) avec le drone en mission en permanence, sauf autorisation contraire. Évitez toutes les distractions et restez prêt à répondre aux notifications ou à effectuer un atterrissage d’urgence. Heure de fin du vol du journal.
          REMARQUE : La meilleure pratique (selon la région, cela peut être une obligation légale) est de réaliser des enquêtes avec deux opérateurs : l’un qui maintient le VLOS et l’autre qui surveille le logiciel de gestion de vol. En cas d’accident de drone, suspendez les opérations de vol, sécurisez la zone, documentez l’incident, informez les autorités compétentes et engagez les procédures d’assurance.
4. Effectuez les procédures post-vol.
   1. Extraire toutes les images aériennes du capteur ou de la caméra montée sur le drone et sauvegarder toutes les données d’enquête, y compris le ou les journaux de bord, sur un ordinateur et/ou un cloud.
      REMARQUE : Le risque de perte de données augmente avec le temps, car les équipements peuvent être endommagés et les cartes SD peuvent être corrompues.
   2. Vérifiez la netteté, l’exposition et la couverture de l’image, en vérifiant les évidences dans la séquence d’images pouvant être dues à une erreur du capteur ou causées par l’éblouissement, l’ombre ou l’inondation des marées. Reprogrammez et réévaluez si nécessaire, en veillant à ce que le vol du drone se déroule à proximité temporelle de la vérification au sol.
   3. Téléchargez et enregistrez le fichier du format d’échange indépendant du récepteur (RINEX) depuis des archives publiques telles que les services nationaux de levés fonciers, correspondant à la date et à l’heure du vol.
   4. Sur un disque dur externe (250 Go-1 To), créez un dossier pour le cas d’étude (titre suggéré : date_ emplacement [Éviter d’utiliser des espaces et caractères spéciaux]). Ce sera le dossier maître pour le stockage des données et l’accès aux étapes suivantes, ainsi que l’emplacement où les couches de géo-package seront créées/sauvegardées.
   5. Pour effectuer le géolocalisation des images de relevé aérien, dans le logiciel de gestion de vol, ouvrez l’onglet Postflight . Si le même ordinateur a été utilisé pour voler dans le calendrier, sélectionnez la date du vol. Sinon, sélectionnez No.
   6. Parcourez et téléchargez le journal de vol depuis le fichier de sauvegarde. Créez un dossier projet sur le disque mémoire externe pour le cas d’étude (titre projet comme suggéré à l’écran). Cliquez sur Suivant.
   7. Parcourez et téléchargez les journaux de vol depuis la carte SD utilisée pendant le vol, identifiables par le numéro de vol, ou téléchargez depuis un fichier de sauvegarde. Attendez que la trajectoire de vol apparaisse dans la vue principale du logiciel. Vérifiez que c’est la bonne zone/journal de vol. Cliquez sur Suivant.
   8. Dans le menu déroulant sous Options de post-traitement , sélectionnez PPK : Traiter les données GNSS brutes du drone. Dans le journal de la station de base , sélectionnez Rinex, parcourez et trouvez le fichier RINEX sauvegardé. Cliquez sur Suivant, puis attendez la fin des calculs. Assurez-vous que les PPK corrigés > les géotags post-traités apparaissent à 100 %, puis cliquez sur Suivant.
   9. Dans le menu déroulant Charger les images , choisissez l’une des options suivantes : depuis la carte SD ou Parcourir pour trouver le dossier contenant les images de relevé aérien correspondant au journal de vol. Cliquez sur Suivant. Attendez que la correspondance d’image réussie apparaisse, puis cliquez sur Suivant pour lancer l’importation d’image géolocalisée dans le dossier projet. Ces images serviront d’entrées dans un processus de photogrammétrie.
      REMARQUE : Pour chaque journal de vol, le géolocalisation des images doit être effectué séparément (répéter les étapes 1.4.4 à 1.4.8). Par exemple, après un changement de batterie de drone, l’inspection aérienne suivante comportera un nouveau journal de vol.
5. Traiter les données photogrammétriques (c’est-à-dire créer des produits cartographiques à partir d’images de relevés aériens).
   1. Sur la station de travail, connectez le disque dur externe contenant les images géolocalisées de l’UAV et ouvrez le logiciel de photogrammétrie préinstallé.
      1. Créez un nouveau projet et enregistrez-le sur le disque externe (format recommandé : préfixe MS ou RGB + emplacement + date).
      2. Ajoutez les images, en notant que les ensembles de données multispectral et RVB doivent être traités dans des projets séparés ; d’où le préfixe MS pour les images multispectrales et le RVB pour ce dernier.
         REMARQUE : PIX4Dmapper a été utilisé ; cependant, des logiciels alternatifs de photogrammétrie peuvent être utilisés pour reproduire ce protocole.
   2. Assurez-vous que dans l’écran contextuel Propriétés d’image , les éléments suivants sont listés/sélectionnés : WGS 84 comme système de coordonnées, le nombre correct d’images géolocalisées, et le modèle de caméra sélectionnée listant les bandes (Sequoia et Vert, Rouge, Bord rouge, bandes NIR ou RGB).
      1. Appuyez sur Next, puis choisissez le modèle de traitement : Ag multispectral pour le multispectral, mais RGB Ag pour les images RGB. Terminé, et une carte satellite avec les emplacements des images apparaîtra dans la vue principale.
         REMARQUE : Pour le projet multispectral, assurez-vous d’ajouter des images d’étalonnage avec un panneau d’étalonnage visible (créé à l’étape 1.3.7 et sauvegardé automatiquement avec toutes les données de l’enquête). Pour cette étude de cas, un total de 2 320 images multispectrales et 577 images RVB ont été géolocalisées.
   3. Ouvrez la fenêtre des options de traitement , cliquez sur 1. Traitement initial ici sous Échelle d’image des points clés, sélectionnez Complet et Générer Aperçu Orthomosaïque dans Rapport Qualité, puis cliquez sur 2. Nuage de points et maillage > Nuage de points Dans cet onglet, sélectionnez 1/2 (Moitié de taille d’image, par défaut) et sélectionnez Classifier nuage de points.
   4. Cliquez 3. DSM, Orthomosaïque et calculatrice d’index > d’index sélectionnez GeoTIFF et Merge Tiles ainsi que tous les indices disponibles à générer (Figure 4).
      1. Pour le projet multispectral, assurez-vous, sous Traitement radiométrique et calibration, que le type d’étalonnage de chaque bande soit réglé sur Caméra, Irradiance solaire et Angle solaire.
      2. Cliquez sur DSM et Orthomosaïque sous Raster DSM , sélectionnez GeoTIFF et Fusion des tuiles ; et sous Orthomosaïque sélectionnez GeoTIFF et Fusion des tuiles (Merge). Clique sur OK et commence le traitement.
         REMARQUE : Lors du traitement d’images multispectrales, le type d’étalonnage est automatiquement défini à l’aide des images prises sur place avant le vol (étape 1.3.7), mais peut être recalibré manuellement en cliquant sur Calibrer. Ensuite, parcourez pour trouver une image du panneau d’étalonnage (avec le titre de bande correspondant) et entrez la valeur du facteur de réflectance lue depuis le panneau d’étalonnage.
   5. Le traitement de la photogrammétrie se termine par des cartes de réflectance générées/sauvegardées (cartes de topographie UAV) dans le dossier multispectral du projet : vert, rouge, bord rouge, NIR, et en RGB : rouge, vert, bleu, niveaux de gris, orthomosaïque et DSM (modèle de surface numérique). Assurez-vous que tous les indices, orthomosaïque et DSM GeoTIFF sont fusionnés et vérifiez les rapports de projet pour détecter des erreurs ; Si des problèmes sont détectés, répétez le traitement.

2. Collecte de données de vérité sur le terrain et géoréférencement

1. Préparez-vous au travail de terrain.
   1. Visitez le site d’étude à l’avance et explorez la zone pour identifier des communautés végétales potentielles d’intérêt, acquérant ainsi une connaissance expérientielle du site. Décidez quelles observations biophysiques sont réalisables à collecter sur place et qui sont nécessaires pour décrire la composition de la communauté végétale du site d’étude sélectionné.
      REMARQUE : Pour illustrer ce protocole, l’accent a été mis sur les espèces, la structure et la composition de la végétation afin de classer 4 communautés végétales indiquant un habitat de prairie côtière boréale de la Baltique : Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) et Tall Grass (TG).
   2. Préparez et imprimez un guide visuel d’identification des espèces végétales listant les espèces indiquant les communautés végétales dans le(s) habitat(s) concerné(s). Le guide peut accélérer et aider à l’identification des espèces sur place en cas de panne des appareils électroniques.
   3. Préparez une fiche de travail pour enregistrer les observations de terrain, incluant une liste des espèces indicatrices ainsi que d’autres espèces couramment présentes dans l’habitat étudié et la zone environnante, ainsi que des observations biophysiques supplémentaires à enregistrer (par exemple, date de l’étude, hauteur de végétation, poids de biomasse).
2. Utilisez une procédure d’échantillonnage stratifiée pour collecter des données de la vérité du terrain en utilisant des quadrats.
   1. Identifiez visuellement une communauté végétale à partir de connaissances de terrain expérientielles.
   2. Placez un cadre quadrat au sol à un emplacement représentatif de la communauté végétale échantillonnée, évitant ainsi les zones de perturbation significative. Pour les zones humides boréales côtières, un quadrat de 1 m x 1 m est suffisant. Ce quadrat servira de parcelle échantillon pour les observations biophysiques et l’échantillonnage de biomasse.
   3. Notez la date de l’arpentage, les noms des géomètres, le type/classe de la communauté végétale, ainsi que le code numérique pour chaque quadrat d’échantillon.
      REMARQUE : Il est recommandé d’établir les codes numérotés dans l’ordre suivant : code de terrain d’étude + code de communauté végétale + numéro de séquence quadratique d’exemple du quadrat enregistré. Ces codes numérotés relieront les observations biophysiques sur le terrain au jeu de données géospatial et aux coordonnées.
   4. Enregistrez les coordonnées sur chaque coin du quadrat d’échantillon à l’aide de systèmes GNSS/RTK et de logiciels de topographie, en saisissant un code numérique correspondant au code du quadrat et en enregistrant les coordonnées.
      REMARQUE : Utilisez un récepteur GNSS qui fournit des données de localisation haute précision (au niveau centimètre) ; Consultez le manuel d’utilisation pour les instructions sur l’utilisation de l’appareil et de ses logiciels complémentaires.
   5. Quant aux observations biophysiques, dans le quadrat d’échantillon, enregistrez les pourcentages estimés de couverture pour chaque espèce végétale observée, ainsi que le recouvrement d’autres variables potentiellement indicatives, notamment le sol nu, la litière, la mousse et les algues (en assurant que le total se situe entre 95 % et 105 %, une fourchette acceptée pour les enquêtes phytosociologiques). Effectuez cinq mesures aléatoires de la hauteur de la végétation à l’aide d’un ruban à mesurer pour déterminer la hauteur moyenne de l’échantillon.
   6. Avec le même quadrat d’échantillon, collectez des observations biophysiques optionnelles : par exemple, le pourcentage d’humidité du sol, prélever la biomasse végétale en coupant la végétation au niveau du sol, collecter la biomasse dans un sac en papier, et peser à l’aide d’une balance nivelée à piles (précision ± 1 g). Pour déterminer le poids réel de la biomasse, soustrayez le poids du sac en papier du poids total. Note tous les poids pour référence future.
3. Répliquer les procédures d’échantillonnage en quadrat stratifié décrites aux étapes précédentes (2.2.1–2.2.6) au minimum 10 fois au sein de chacune des classes de communautés végétales (c’est-à-dire OP, US, LS, TG).
   REMARQUE : Évitez de placer les quadrats d’échantillon trop rapprochés les uns des autres. Il est essentiel de fournir un échantillonnage cohérent et complet sur les sites étudiés afin de garantir que les échantillons quadratiques enregistrés reflètent fidèlement les habitats. Puisque les communautés végétales se présentent souvent en mosaïque dans les zones humides côtières, on prélève la même communauté végétale à différents endroits sur le site d’étude.
4. Numérisez les enregistrements d’échantillonnage en quadrat après avoir terminé toutes les observations de terrain.
   1. Transcrire toutes les notes de travail de terrain dans un logiciel de tableur, créant un ensemble de données pour analyse en organisant les données sous forme de tableau avec une ligne d’en-tête étiquetant chaque variable ; puis saisit toutes les valeurs en conséquence.
   2. Sauvegardez le fichier et exportez-le sous forme de fichier CSV (valeurs séparées par virgules).
5. Créer un ensemble de données de vérité sur le terrain en géoréférençant les observations biophysiques.
   1. Téléchargez toutes les coordonnées enregistrées des emplacements d’angles quadrats d’échantillon sous forme de fichier CSV depuis le système GNSS/RTK utilisé sur le terrain.
   2. Créer un nouveau projet dans un logiciel de Système d’Information Géographique (SIG) (QGIS a été utilisé pour implémenter ce protocole), et sauvegardez-le en fichier .qgz dans le projet créé à l’étape 1.4.3. Ce dossier et le fichier .qgz incluront tous les ensembles de données géospatiaux des prochaines étapes.
   3. Dans l’espace de travail SIG, importez un fichier CSV contenant les coordonnées des coins quadrats sous forme de couche de texte délimitée. Après importation de ces coordonnées, elles apparaîtront sous forme : points.
   4. Rejoignez les coordonnées de chaque point d’angle quadrat sous forme de fichier shapefile : polygon, et enregistrez le fichier shapefile.
   5. Rejoignez le fichier shapefile polygonal avec le fichier CSV du jeu de données de champs numérisé (créé à l’étape 2.4) en liant les codes numérotés des deux fichiers.
   6. Enregistrez le jeu de données de la vérité sur le terrain nouvellement créé sous forme de fichier GeoPackage (.gpkg) dans le dossier créé sur le disque dur externe (étape 1.4.4). Sauvegarder pour mettre à jour le projet SIG.

3. Calcul de l’indice de végétation (VI)

1. Préparez des cartes de topographie basées sur des UAV pour le Vis.
   1. Dans l’espace de travail logiciel SIG (utilisez le même fichier .qgz créé à l’étape 2.5.2 et mis à jour en 2.5.6), importez toutes les mosaïques de réflectance (produits cartographiques) créés à l’aide de l’étude UAV lors de la première phase du protocole, à l’étape 1.5.
   2. Réduisez la taille des cartes en « découpant » des données inutiles. En observant la distribution quadratique de l’échantillon et en se basant sur la connaissance expérientielle de l’étendue du site d’étude, créez une limite de polygone autour du site d’étude et découpez des cartes à l’étendue du polygone (Figure 5). Cela réduira la taille du fichier et augmentera la vitesse de traitement.
      REMARQUE : Des cartes de topographie découpées (multispectrales GREEN, RED, Red edge, NIR, et les GeoTIFF et ground_truth.gpkg de la bande RVB rouge, verte, bleue (créées à l’étape 2.5.6)) sont disponibles à télécharger depuis le dépôt Zenodo via le lien : https://doi.org/10.5281/zenodo.20075625 à des fins éducatives uniquement pour s’exercer à reproduire les étapes suivantes.
2. Utilisez l’outil Calculateur de raster pour calculer ; les formules VI sont listées dans le Fichier Supplémentaire 1^{34, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56,}57,58,59,60,61,62,63,64,65,66,67,68,69,70,71.
   1. Lors du calcul des VI multispectraux, utilisez les GeoTIFF RED, GREEN, NIR et Red-edge comme valeurs d’entrée. (voir Figure 6, Calculatrice raster GIS, entrée d’une formule VI comme exemple).
   2. Pour les calculs VI basés sur RGB, normalisez d’abord les indices rouge, vert et bleu (produits cartographiques de l’étape 1.5). Calculez les nouveaux VI RVB seulement après avoir terminé le processus de normalisation (les formules pour normaliser les indices RVB sont disponibles dans le Fichier Supplémentaire 1 dans la liste RVB VI).
   3. Sauvegardez les nouveaux VI sous forme de GeoTIFF (par exemple, des fichiers raster) dans des dossiers séparés, en les nommant en conséquence (par exemple, préfixe (MS ou RGB) + nom d’index) dans le dossier GIS Project créé sur le disque dur externe (étape 1.4.4).
   4. Ajoutez le DSM et d’autres VI automatisés (par exemple, le niveau de gris) créés/découpés à l’étape 3.1.2 dans le dossier des VI RGB. Ces dossiers contenant des VI, associés à un fichier de vérité au sol (créé à l’étape 2.5.6), servent de jeux de données de référence pour un algorithme de forêt aléatoire destiné à cartographier les communautés végétales. Sauvegarder pour mettre à jour le projet SIG avec des liens vers des fichiers raster VI.

4. Classification supervisée dans R à l’aide de la forêt aléatoire

REMARQUE : Pour exécuter cette phase, ouvrez un environnement de calcul statistique pour R dans RStudio, puis allez dans Fichier > Ouvrir Fichier et sélectionnez le script fourni dans Fichier Supplémentaire 2. Ce script est prêt à être utilisé et organisé pour garantir la reproductibilité et faciliter l’adaptation à d’autres sites d’étude. Il peut être exécuté de deux manières : (1) exécuter l’intégralité du script en une seule fois : cliquer sur Source ou appuyer sur Ctrl + Shift + Entrée, en s’assurant que les chemins du dossier et du fichier GeoPackage sont mis à jour ; ou (2) Exécuter ligne par ligne ou bloc par bloc : placer le curseur sur une ligne ou sélectionner un bloc et appuyer sur Ctrl + Entrée. Cette option est recommandée car elle offre de meilleures alternatives de dépannage.

1. Préparez l’environnement R.
   1. Installer et charger les packages requis (c’est-à-dire terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal)⁷².
      REMARQUE : Si rgdal est incompatible avec les versions les plus récentes de R, les fonctions stack() et readOGR() peuvent être remplacées respectivement par rast() et st_read().
   2. Définissez le répertoire de travail.
2. Effectuez le prétraitement raster.
   1. Chargez tous les fichiers matriciels depuis la zone arpentée située dans un répertoire de travail spécifique.
   2. Assurez-vous d’une projection, d’une résolution et d’une étendue cohérentes entre les rasters d’entrée. Si des incohérences sont détectées, utilisez la fonction resample() dans R (par exemple, terra ::resample() ou raster ::resample()) pour aligner les rasters à un fichier de référence commun (généralement celui avec la résolution spatiale la plus grossière pour éviter l’upscaling artificiel)(voir l’article de Hijmans et ^al.73).
3. Effectuer l’extraction des données :
   1. Importez les données de la vérité sur le terrain depuis un GeoPackage (créé à l’étape 2.5.6).
   2. Utilisez la fonction terra :: extract() pour lier les valeurs raster aux polygones d’échantillonnage.
   3. Rejoignez la trame de données contenant les valeurs extraites aux codes des communautés végétales, en veillant à ce qu’elles soient des facteurs.
4. Divisez l’ensemble de données en ensembles d’entraînement et de validation en utilisant un échantillonnage stratifié pour maintenir l’équilibre des classes. Modifier le ratio entre les échantillons d’entraînement et de validation selon la préférence, ou selon la disponibilité des échantillons.
   REMARQUE : Les jeux de données plus petits nécessitent généralement une répartition 80/20 pour fournir suffisamment de données d’entraînement. Ensembles de données plus larges : 70/30 est suffisant et offre un ensemble de validation ou de test plus solide (voir la publication de Mohammed et Alsunosi⁷⁴).
5. Effectuez un réglage de modèles.
   1. Définissez une grille de paramètres pour explorer différentes combinaisons de mtry et ntree.
      REMARQUE : mtry est le nombre de variables (prédicteurs) qui sont échantillonnées aléatoirement comme candidates pour chaque scission lors de la croissance d’un arbre de décision en RF. La valeur par défaut est généralement la racine carrée du nombre total de prédicteurs pour la classification et un tiers pour la régression. Alors que ntree est le nombre total d’arbres de décision à pousser dans la forêt. Un nombre plus élevé d’arbres améliore généralement les performances mais augmente le temps de calcul ; Le taux d’erreur se stabilise généralement après un certain nombre d’arbres.
   2. Boucle à travers la grille (c’est-à-dire la recherche en grille, qui teste systématiquement différentes combinaisons de valeurs d’hyperparamètres pour trouver l’ensemble le mieux performant pour le modèle) et évalue la précision de chaque combinaison.
   3. Choisissez la combinaison la plus précise.
      REMARQUE : Voir Belgiu et^{Drăguţ 75}, également Bergstra et ^al.76, pour mieux comprendre la pertinence et les approches alternatives de cette étape.
6. Ajustez le modèle RF en utilisant la meilleure combinaison de paramètres. Le script enregistre l’erreur Out-of-Bag (OOB) et l’importance des variables.
7. Effectuer des évaluations de prédiction et de précision.
   1. Prédire la classe de communauté végétale pour tous les pixels de la pile raster et du jeu de données de validation. Exportez la carte de classification sous forme de GeoTIFF (voir Figure 7, qui montre une capture d’écran de la console R incluant les visualisations des résultats finaux ; La figure 7A montre le produit cartographique de la communauté végétale lorsqu’on utilise un jeu de données d’entrée multispectrale de VIs, et la figure 7B montre le produit cartographique de la communauté végétale lorsqu’on utilise un jeu de données RGB+DSM).
   2. Calculez la matrice de confusion, la précision, le score F-1, la précision et le rappel sur l’ensemble de validation (voir Figure 8, qui montre les captures d’écran R montrant les classements de performance VI ; La figure 8A montre une capture d’écran de la console R et trace lors de l’utilisation de VI multispectraux comme jeu de données d’entrée, et la figure 8B montre une capture d’écran lors de l’utilisation d’un jeu de données RGB+DSM ; Les vues de la figure 8A et B incluent des graphiques d’importance variable nommés « final_rf »). Pour plus de détails sur ces indicateurs, consultez l’article de Naidu et ^al.77.
8. Projet de réouverture QGIS (créé à l’étape 2.5.2 et mis à jour 2.5.6 et 3.2.3), ajout de cartes de classification des communautés végétales (GeoTIFFs). Sauvegardez le projet QGIS pour mettre à jour le projet SIG.
   1. Pour partager et sauvegarder tous les ensembles de données géospatiales (cartes de relevés UAV, vérité sur le terrain, VIs, cartes de classification des communautés végétales en tant que projet SIG), allez dans le dossier du site d’étude, faites un clic droit et sélectionnez Envoyer dans > dossier compressé (zip).
      REMARQUE : Le dossier complet du projet SIG peut constituer un ensemble de données conséquent (ce jeu de données d’étude de cas de 40 ha dépassait 140 Go). Si nécessaire, communiquez uniquement les résultats finaux et les ensembles de données de vérité sur le terrain pour réduire la taille du fichier.

Résultats

La méthode semi-automatisée de cartographie et de classification des communautés végétales est conçue pour générer des informations précises sur la couverture des terres pour les zones humides côtières, dominées par des plantes herbacées hétérogènes à croissance basse et caractérisées par la microtopographie ; voir un exemple d’un tel habitat sur la photo de la Figure 1. Une étude de cas de la zone humide boréale côtière baltique sur l’île de Hiiumaa, en Estonie, a été réalisée. Sur place, quatre communautés végétales ont été échantillonnées pour l’entraînement du modèle de classification : Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) et Tall Grass (TG). La figure 2 offre un aperçu concis de la méthodologie mise en œuvre en quatre phases distinctes. En revanche, la Figure 3 illustre un guide diagrammatique détaillé délimitant les étapes numérotées et actionnées couplées par des flèches pour représenter le flux de données, synthétisant ainsi la méthodologie à travers les étapes et phases du protocole. Les résultats finaux de cette méthode, utilisant un capteur multispectral et un capteur RGB, sont des cartes multispectrales et de communautés végétales basées sur le RGB, stockées en couches dans un projet SIG avec tous les ensembles de données intermédiaires. La qualité des ensembles de données géospatiales a été évaluée à l’issue de chaque phase du protocole, car la qualité des résultats des phases suivantes dépend de celle des résultats des phases précédentes, culminant dans la phase finale, où les entrées constituent l’agrégat de toutes les étapes précédentes.

Ce qui suit résume les résultats de chacune des quatre phases du protocole :

Lors de la première phase, l’étude aérienne des drones a été réalisée à une altitude de 120 m, donnant une distance d’échantillonnage au sol (GSD) d’environ 10 cm/pixel. L’enquête aérienne a produit des images multispectrales et RVB. Après le post-traitement de la cinématique (PPK), les géotags ont été corrigés pour chaque image de drone, et les images ont été mosaïquées dans un logiciel professionnel de photogrammétrie pour produire des cartes de relevé aérien. Le traitement photogrammétrique d’images aériennes multispectrales a permis de produire des fichiers matriciels de réflectance ROUGE, VERT, NIR et à bord rouge.

Les images aériennes multispectrales et RVB étaient traitées comme des projets distincts en raison des résolutions intrinsèquement distinctes des photographies. Voir la Figure 4 des réglages de mosaïque d’images RVB. Figure 4A. Options de traitement en sélectionnant des tuiles fusionnées et en générant des cartes de sortie unifiées et fluides. Figure 4B. la sélection de calculs d’index automatisés à partir d’images de caméras RGB a produit quatre cartes raster : une par bande (rouge, vert et bleu), et le DSM (Digital Surface Model). Figure 4C. démontre la génération de points de liaison automatiques pour faire correspondre des pixels communs à travers des images qui se chevauchent lors de l’étape initiale de traitement. Avec 3 indices RVB (rouge, vert, bleu) et le DSM, le logiciel de photogrammétrie générait un raster en niveaux de gris généré par le logiciel : une représentation monochrome, à canal unique, qui met en valeur et combine les différentes bandes (par exemple, rouge, vert, bleu), avec des valeurs faibles de pixels apparaissant noires et des valeurs hautes apparaissant blanches. La formulation de cet indice en niveaux de gris est spécifique à un logiciel et n’est pas standardisée sur les plateformes de photogrammétrie.

Le logiciel de photogrammétrie générait des rapports de qualité décrivant les résultats de traitement des deux ensembles de projets de mosaïque d’images aériennes : multispectrale et RGB. Ces rapports fournissent des indicateurs clés pour valider l’exactitude. Les indicateurs de résultats de haute qualité sont une faible erreur de reprojection : plus c’est proche de 0, mieux c’est (tout ce qui est inférieur à 1,0 est généralement accepté). Par exemple, des « lignes de correspondance » denses signifient des correspondances fortes entre la plupart des images. Les cartes de sortie ont été évaluées visuellement et se sont révélées exemptes de vides et d’autres divergences visuelles. Les écarts visuels sont un signe d’erreurs possibles de réflectance et de mosaïque, ainsi que de problèmes sous-jacents de géoréférencement sur la grille. Le rapport de photogrammétrie, accompagné de manuels logiciels spécifiques et de ressources de formation, est utilisé pour identifier le problème, trouver une solution et retraiter les images aériennes.

Les cartes aériennes de levés par drones servaient de base de données pour recalculer des informations spectrales complexes en indices standardisés basés sur des pixels (c’est-à-dire les VI des indices de végétation générés lors de la troisième phase), permettant leur utilisation comme entrées structurées pour la classification par apprentissage automatique (dans la phase finale du protocole).

Des observations biophysiques sur site ont été collectées sous forme de jeu de données sur le terrain. Sur le site de l’étude de cas (zone humide côtière boréale de la Baltique), quatre communautés végétales vasculaires clés ont été identifiées et échantillonnées : Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) et Tall Grass (TG). En utilisant la méthode d’échantillonnage en quadrat stratifié définie dans la deuxième phase du protocole, la communauté végétale OP a été identifiée par la présence d’espèces indicatrices : Salicornia europaea et Suaeda maritima ; LS par des pourcentages élevés de Glaux maritima et Juncus geradii ; États-Unis par ses espèces indicatrices : Festuca rubra et Leontodon autumnalis ; tandis que TG se distingue par une présence importante de hautes herbes : Deschampsia cespitosa, Elytrigia repens et Molinia caerulea. Au moins 10 échantillons quadrats ont été prélevés pour chaque communauté végétale. Chaque échantillon quadrat comprenait les observations biophysiques suivantes : composition des espèces végétales ( %), humidité du sol ( %), hauteur de la végétation en centimètres, et emplacements précis des coordonnées quadratiques. Ces variables ont été numérisées sous forme de jeu de données tabulatisées, importées dans GIS Project, ajoutées au fichier GNSS de données quadrat échantillon, et enregistrées sous forme de GeoPackage (.gpkg). Un tel fichier indépendant de la plateforme, contenant des observations biophysiques des communautés végétales des zones humides et des données précises de coordonnées d’échantillon, a un double objectif : l’évaluation et la modélisation environnementales et écologiques des écosystèmes. Plus important encore, pour l’exécution réussie de ce protocole, ce fichier GeoPackage sert de données d’entraînement et de validation du modèle dans le processus d’apprentissage automatique défini à la phase 4. Codage des communautés végétales : OP, LS, US, TG ; étaient utilisés comme étiquettes d’entraînement dans le processus d’apprentissage automatique. La précision (étiquettes haute fidélité, audit humain, format cohérent) et la structure (format rectangulaire propre (lignes/colonnes)) sont cruciales pour produire un ensemble de données de vérité de terrain de haute qualité. Les étiquettes de la vérité fondamentale doivent avoir des taux d’erreur proches de zéro (par exemple, des fautes de frappe) pour garantir des conventions d’étiquetage cohérentes. Par exemple, si « OP » est la vérité fondamentale, il est essentiel de s’assurer qu’il n’est pas identifié autrement (comme « op », « O.P. ») pour éviter toute duplication.

Pour exécuter la troisième phase du protocole, les ensembles de données issus de l’enquête aérienne réalisée lors de la première phase ont été utilisés pour recalculer les données brutes de l’enquête aérienne en indices de végétation (VI). Premièrement, pour réduire la taille du jeu de données et simplifier le processus informatique, les sorties de photogrammétrie sont « découpées » pour omettre des données pixelisées non pertinentes ou de faible qualité en dehors des limites du site d’étude (voir la Figure 5 comme illustration des actions effectuées dans un logiciel SIG).

Ensuite, 19 VI multispectraux ont été calculés à l’aide de cartes de réflectance RED, GREEN, NIR et Red-edge. Les fichiers matriciels VI multispectraux suivants ont été générés et inclus dans le projet SIG : indice Datt 4 (Datt4)⁴¹, Indice de végétation amélioré (EVI)⁴², Indice de chlorophylle verte (GCI⁾⁴³, Indice de différence de verdure (GDI)⁴⁴, Indices de végétation à différence généralisée (GDVI⁾⁴⁵, Indice de pourcentage de végétation infrarouge vert (GIPVI⁾⁴⁶, Indice de végétation à différence normalisée verte (GNDVI⁾⁴⁷, Indice de différence Vert-Rouge (GRDI⁾⁴⁴, Indice de végétation vert-rouge (GRVI⁾⁴⁵, Indice de végétation à différence normalisée modifiée (mNDVI⁾⁴⁸, Indice de végétation modifié ajusté au^{sol 49} (MSAVI : voir Figure 6. une capture d’écran d’un calculateur raster dans un logiciel SIG avec saisie de formules MSAVI), Rapport simple modifié à bord rouge (MSRred_edge)⁵⁰, Indice d’eau à différence normalisée (NDWI)⁵¹, Indice de végétation différentiel normalisé (NDVI)⁵², NDVI à bord rouge (NDVIre⁾⁴⁷, Indice de végétation triangulée à bords rouges (RTVIcore^{) 50}, Indice de végétation ajusté au sol (SAVI^{) 53,54}, Ratio simple (SR) ⁵⁵, Rapport simple à bords rouges (SRre^{) 47}.

De plus, un total de 23 VI basés sur le RGB ont été calculés et sauvegardés sous forme de fichiers matriciels dans le projet SIG pour une analyse spatiale complémentaire : Indice de rapport bleu-vert (BGRI⁾⁵⁷, Indice de luminosité (BI)⁵⁸, Indice de végétation à large plage dynamique bleue (BRVI⁾⁵⁹, Indice de couleur de la végétation (CIVE⁾⁶⁰, Indice de végétation à vue verte améliorée (EGVI⁾⁶¹, Indice de végétation amélioré (ERVI⁾⁶², Excès d’indices verts ExG et ExGI⁶³, indice combiné (COM)⁶⁴, coordonnée chromatique verte (GCC^)34,65, indice feuille verte (GLI⁾⁶⁶, indice de végétation vert-rouge (GRVI⁾⁶⁷, indice de végétation vert-rouge modifié (MGRVI⁾⁶⁸, indice de différence vert-bleu normalisé (NGBDI⁾⁶⁹, indice de différence vert-rouge normalisé (NGRDI⁾⁶⁹, indice de rapport rouge–vert–bleu et indice de végétation rouge-vert-bleu (RGBRI⁷⁰ et RGBVI⁶⁸), Indice de rapport rouge-vert (RGRI⁾⁵⁷, Indice de végétation ajusté au sol visible (SAVI⁾⁵³, Indice de verdure triangulaire (TGI⁾⁶⁹, Indice de résistance atmosphérique visible (VARI⁾⁴⁷, Indice végétatif (VEG⁾⁷¹, Indice de Woebbecke (WI⁾⁶³.

Les résultats finaux comprennent deux cartes distinctes de classification multispectrale et RVB des communautés végétales, conservées sous forme de GeoTIFF dans le cadre du projet SIG, ainsi que toutes les données géospatiales précédentes. 19 VI multispectraux, ainsi que le jeu de données ground-truth, ont été utilisés comme prédicteurs au niveau des pixels dans un flux de travail d’apprentissage automatique (par exemple, algorithme RF) pour classer les communautés végétales boréales côtières (OP, LS, US, TG) et générer une carte multispectrale des communautés végétales. Et des prédicteurs basés sur le RGB (25 RGB VI, indice en niveaux de gris, et⁵⁶ indices rouges, bleus, verts et DSM normalisés), ainsi que le jeu de données sur le terrain, pour classifier et générer une carte des communautés végétales basée sur le RGB (voir Figure 7). Les sorties finales étaient tracées dans la console R ; La figure 7A représente le multispectre, et la figure 7B représente les cartes de communautés végétales à base de RGB).

Pour générer les résultats finaux, l’environnement R (phase 4 du protocole) a été utilisé pour scripter et exécuter le flux de travail d’apprentissage automatique (par exemple, algorithme RF), permettant la visualisation des sorties intermédiaires, telles que les classements de performance de l’indice de végétation (VI) (Figure 8). Lors de la cartographie et de la classification des communautés végétales, la console R fournissait des messages d’erreur et des explications en temps réel, facilitant le dépannage et assurant une progression fluide à chaque étape.

Cette étude a évalué deux modèles d’algorithmes RF pour les cartes de classification des communautés végétales. Le premier modèle RF, utilisant des VI multispectraux comme jeu de données d’entrée, a obtenu une précision de 92,34 % avec un score F1 de 0,915 dans le jeu de données de validation. C’est un résultat valide, car les scores F1 vont de 0 (pire) à 1 (parfait), les scores plus élevés indiquant une performance supérieure. Le score F1 dans un modèle RF représente la moyenne harmonique de la précision et du rappel. Cette métrique équilibre efficacement les faux positifs et les négatifs, c’est-à-dire qu’elle ne permet pas à un type d’erreur de l’emporter sur l’autre, ce qui est essentiel pour les ensembles de données déséquilibrés, et est fréquemment moyennée entre classes ou rapportée par classe pour évaluer la performance globale du modèle^78,79. Le taux d’erreur OOB du modèle multispectral était de 7,75 %, indiquant un risque modéré de mauvaise classification. Les scores F1 au niveau de la classe dans le jeu de données de validation variaient de 0,845 dans TG à 0,984 dans les communautés végétales OP, indiquant une variabilité modérée des performances entre les communautés.

Le second modèle RF évalué était basé sur les VI et le DSM dérivés de l’enquête aérienne RGB, atteignant une précision de 98,89 % avec un score global F1 de 0,987. Son taux d’erreur OOB n’était que de 1,14 %, ce qui reflète une fiabilité très élevée. Les scores F1 au niveau de la classe étaient constamment élevés (0,986–0,993), indiquant une classification robuste pour toutes les communautés.

Le graphique d’importance variable dans R (Figure 8A) a démontré les capacités prédictives de chaque VI pour les communautés végétales boréales des zones humides côtières. Les VI multispectraux les plus influents en tant que prédicteurs étaient mNDVI et SR, qui indiquent une forte sensibilité à la verdure et à la biomasse de la canopée. De même, GRDI, NDVI, NDVIre et SRre étaient également très bien classés, reflétant le rôle des indices de différence à bord rouge et normalisé dans la distinction des types de végétation. En revanche, l’indice basé sur le RGB et le graphique d’importance variable du DSM montrent que le modèle de hauteur structurelle dérivé du DSM, en tant que prédictor, est un facteur clé de la précision de la classification (Figure 8B). D’autres prédicteurs importants incluent TGI, la gamme de gris et le VARI, qui tirent parti de la variabilité de la réflectance RGB. Ainsi, ces résultats indiquent que les indices dérivés du DSM et du RGB améliorent significativement la fiabilité de la classification et réduisent le risque de mauvaise classification.

L’ensemble de l’ensemble des jeux de données géospatiales a été sauvegardé sous forme de projet GIS, un dossier comprenant des cartes matricinelles d’enquête UAV et VI, le GeoPackage d’observation biophysique (vérité sur le terrain), et des cartes des communautés végétales ; tous liés sous forme de projet QGIS (fichier .qgz). Le projet convient à une utilisation hors ligne et permet l’interopérabilité entre plateformes SIG.

Figure 1 : Site d’étude. Photographie avec une épingle de localisation sur la carte mondiale, pointant vers l’île de Hiiumaa dans l’archipel occidental estonien. Le site d’étude, Kõrgessaare rannaniit, est situé dans le village de Viscosa et constitue une zone de conservation de la nature. Type d’habitat : prairie côtière boréale baltique (code Natura 2000 1630). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Diagramme conceptuel de flux de travail. (1) relevé aérien basé sur UAV, (2) collecte et géoréférencement de données de base au sol, (3) calcul de l’indice de végétation, et (4) classification supervisée utilisant la forêt aléatoire dans R. Les cartes réelles issues de la mise en œuvre du protocole illustrent cette méthode en quatre phases. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Diagramme détaillé du flux de travail. Le diagramme liste les 4 phases (et les étapes clés) du protocole dans des panneaux de différentes couleurs, ainsi que les ensembles de données générés à chaque phase. Les arrors symbolisent le flux de données. La couleur bleue distingue un jeu de données multispectral du RVB en rouge. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Exemple de logiciel de photogrammétrie. (A–C) Capture d’écran d’un projet de mosaïque d’images RVB : (A) Options de traitement pour DSM et orthomosaïques. (B) Options de traitement pour les indices rouge, vert et bleu. (C) Vue de l’avancement du traitement, y compris les images aériennes et les angles de caméra. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5. Découpage de fichiers matriciels dans un logiciel SIG. Capture d’écran d’un espace de travail QGIS avec des calques visibles et des onglets ouverts en séquence montrant comment découper des données inutiles : raster extraction-clip par extension (« extent » dans ce cas fait référence à une forme de polygone dessinée selon le désir et utilisée pour masquer les pixels sortant de ses limites). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6. Capture d’écran du logiciel SIG pour la calculatrice raster. Formule d’indice de végétation modifiée ajustée au sol (MSAVI) par exemple. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 7. Environnement de calcul statistique pour les captures d’écran de la version R montrant les résultats finaux tracés dans la console R (RStudio). (A) cartes de communautés végétales multispectrales et (B) basées sur le RGB. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 8. Environnement de calcul statistique pour les captures d’écran R démontrant les classements de performance VI. (A, B) Vues d’une console R : (A) capture d’écran lors de l’utilisation de VI multispectraux comme jeu de données d’entrée, et (B) Capture d’écran lors de l’utilisation d’un jeu de données RGB+DSM. Les deux vues (A et B) incluent des graphiques à importance variable nommés « final_rf » (nom d’objet généré par le script). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Fichier supplémentaire 1 : Équations de l’indice de la végétation. Liste des équations multispectrales et de l’indice de végétation (VI) basées sur le RGB utilisées dans ce protocole, incluant les formules de normalisation de bandes RVB avant le calcul RGB VI. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2 : script de classification et validation RF. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Les étapes critiques du protocole sont en phase 1, l’enquête sur les drones, et en phase 2, le travail de terrain, où les observations biophysiques sont collectées et le jeu de données de vérité sur le terrain est compilé. Les deux dépendent de la météo et doivent être réalisés à proximité immédiate. Et les deux doivent fournir des ensembles de données géospatiales avec une grande précision de coordonnées (une précision de 1 à 3 cm a été atteinte pour l’étude de cas). Le succès des calculs de l’indice de végétation et du processus d’apprentissage automatique dépend directement de la qualité des données de l’enquête UAV et de la vérité sur le terrain. Les étapes cruciales pour atteindre la précision de la carte de relevé par UAV sont décrites à l’étape 1.4, Procédure post-vol. Si le post-traitement/géolocalisation d’image utilise des données RINEX inaccessibles, une alternative consiste à utiliser une station de base RTK en direct, qui fournit des signaux de correction GNSS en temps réel au drone pendant le vol (voir un exemple dans l’article vidéo Movchan et ^al.37 avec un exemple pour les instructions de configuration).

Avant la collecte des données, le site d’étude doit être visité afin d’acquérir une connaissance expérientielle du paysage, d’identifier les communautés végétales d’intérêt et de déterminer quelles observations biophysiques peuvent être réalisées sur place pour décrire la composition de la communauté végétale. Parce que chaque lieu d’étude présente des caractéristiques paysagères et une flore distinctes façonnées par sa zone climatique, l’identification des espèces végétales est essentielle pour une cartographie précise de la couverture terrestre, car les traits biochimiques, structurels et physiologiques spécifiques à chaque espèce produisent des signatures de réflectance spectrale uniques. Pour chaque quadrat d’échantillonnage, les coordonnées doivent être enregistrées aux quatre coins à l’aide d’équipements GNSS/RTK et de logiciels de topographie, avec le code d’identification du quadrat saisi et enregistré. Toutes les observations biophysiques supplémentaires ou échantillons collectés au sein du quadrat doivent être liés à ces coordonnées afin que chaque mesure soit ancrée dans le jeu de données géospatiale et puisse être compilée dans un format uniforme et tabulé pour la classification des communautés végétales et les analyses statistiques ou modélisations écologiques ultérieures. Les quadrats échantillonnés sont étiquetés comme points d’entraînement, avec des noms ou codes communautaires attachés (par exemple, dans cet ensemble d’entraînement, ils étaient OP, LS, US et TG). Random Forest (RF) apprend alors les motifs de pixels associés à chaque étiquette. Le résultat final de la classification RF est une carte affichant la répartition des labels de la communauté végétale sur le site de l’étude, basée sur des échantillons d’entraînement en quadrat fournis lors du travail de terrain.

Les phases 3 (calculs de l’indice de la végétation) et 4 (classification supervisée dans R utilisant la forêt aléatoire) sont interdépendantes et hautement modifiables. Par exemple, le Fichier Supplémentaire 1 liste 19 formules mathématiques pour calculer les indices à partir de bandes multispectrales et 23 formules pour recalculer les données d’enquête aérienne RVB. Néanmoins, à mesure que les IVs sont formulées par les chercheurs, les équations sont open source et publiées dans des articles évalués par des pairs et des bases de données à index spectral⁸⁰. Un plus grand nombre (que ce qui est fourni) de formules sont disponibles pour être testées dans le processus d’apprentissage automatique afin de classifier les cartes des communautés végétales. Les modifications apportées aux jeux de données affecteront les performances de l’algorithme. Les VI peuvent être ajoutés ou omés dans les modèles de test. La disponibilité de deux cartes finales de communautés végétales, dérivées de jeux de données multispectrales et basées sur le RGB, offre l’opportunité de comparer les performances des modèles. Le modèle RVB a obtenu 98,89 %, mais cela ne signifie pas nécessairement que le capteur est supérieur au capteur multispectral, qui a obtenu un score inférieur. Les données basées sur le RGB reposent sur la couleur et la hauteur, ce qui peut être efficace pour classifier les cartes de couverture des habitats structurellement^{diversifiés 9,33}. En revanche, l’imagerie multispectrale fournit plus d’informations sur la physiologie des plantes, pas seulement sur l’apparence, et peut être supérieure pour distinguer les types de végétation aux couleurs et résistance à l’ombre similaires (par exemple, la lumière NIR, que les plantes réfléchissent fortement, peut être capturée même lorsqu’elle est partiellement^{ombragée 81}). L’utilisation uniquement de capteurs RVB est limitée par leur étroite plage spectrale (rouge, vert, bleue), car des différences biochimiques et physiologiques subtiles (par exemple, la teneur en chlorophylle et le stress hydrique) peuvent ne pas être détectables sans bandes NIR, red-edge ou hyperspectrales.

Les principales limites de la méthode peuvent inclure le coûteux système UAV et la photogrammétrie démontrée. Cependant, la méthode est conçue de manière à ce que, pour reproduire ce protocole, un capteur multispectral et une caméra RGB puissent être utilisés de manière interchangeable. Pour mettre en œuvre ce protocole, le système UAV à voilure fixe eBee X équipé d’un capteur multispectral et RVB (Sequoia) ainsi que le logiciel de gestion de vol eMotion a été utilisé ; cependant, d’autres systèmes UAV peuvent reproduire le protocole fourni s’ils incluent un capteur multispectral et/ou une caméra RGB, une fonction de planification de mission dans le logiciel de gestion de vol, une orientation de la caméra nadir à 90 degrés, et soit un journal de vol accessible à l’utilisateur pour la géolocalisation post-vol, soit une capacité RTK pour enregistrer des coordonnées d’image précises pendant le vol. De plus, les non-pilotes peuvent sous-traiter des études UAV si le pilote sous contrat remplit toutes les exigences légales et opérationnelles, une pratique courante en recherche, conservation et surveillance environnementale ; Cependant, l’équipe de recherche reste responsable de la conception fondamentale de la mission, y compris la définition du site d’étude et la détermination du calendrier de l’enquête. Par conséquent, même pour les pilotes non UAV, il est recommandé de les familiariser avec la première phase du protocole. De plus, le logiciel de photogrammétrie démontré peut être utilisé pour mettre en œuvre avec succès le protocole, ou il peut être licencié pour une courte période afin de réduire les coûts.

Un avantage notable de ce protocole est sa compatibilité avec les caméras UAV multispectrales et RGB standard. Il peut être adopté par des équipes de recherche et des praticiens de la conservation avec des budgets limités et est évolutif à travers les régions et les institutions, ce qui le rend adapté à un suivi à long terme. Cette indépendance matérielle garantit que le flux de travail reste à l’épreuve de l’avenir et indépendant du matériel. Parce que les données RVB et multispectrales peuvent être utilisées, le flux de travail permet de comparer plusieurs sites, de séries temporelles à long terme — même lorsque l’équipement change — et l’intégration de jeux de données RVB hérités (historiques).

De futures améliorations de ce protocole pourraient intégrer des métriques de texture dérivées d’images haute résolution afin de mieux capturer les différences structurelles de la végétation. Dans ce contexte, explorer des ensembles de modèles RF combinant des images RVB et multispectrales peut améliorer la précision de la classification. De plus, de futures recommandations pour élargir les cartes de la communauté végétale dérivées des UAV vers des images satellites et associer cette approche à des plateformes cloud permettraient une modélisation à grande échelle de l’écosystème⁸². Bien que les données UAV restent essentielles pour capturer les détails structurels et spectraux à l’échelle du centimètre nécessaires à une cartographie précise au niveau de la communauté, l’imagerie satellite pourrait servir de couche prédictive supplémentaire ou d’entrée contextuelle plus large. L’intégration de variables dérivées des satellites dans le modèle RF pourrait améliorer sa capacité à généraliser sur des étendues spatiales plus larges et soutenir des évaluations d’habitat à plusieurs échelles. Cette approche hybride permettrait d’intégrer les cartes communautaires basées sur des UAV dans une perspective paysagère plus large, permettant à la méthode de détecter les schémas régionaux, de prioriser les emplacements des relevés UAV et de renforcer les cadres de suivi à long terme. Explorer comment les données satellites peuvent être harmonisées avec les entrées des UAV au sein du pipeline RF représente une opportunité de recherche pour élargir la scalabilité et l’utilité opérationnelle du protocole.

Intégrer les images UAV, les relevés de terrain, les indices de végétation et la classification assistée par IA dans un seul flux de travail reproductible est essentiel, car cela fournit les détails spatiaux, spectraux et écologiques nécessaires à une cartographie précise de la végétation à croissance basse. La télédétection basée sur des UAV a attiré une attention croissante dans la communauté scientifique et est rapidement devenue un outil largement utilisé pour diverses applications, notamment dans la surveillance de l’environnement^{côtier 83}. Cette méthode fournit un guide pratique pour un flux de travail basé sur UAV, assisté par apprentissage automatique, pour l’éducation et la recherche, destiné à soutenir la restauration écologique et la surveillance des prairies naturelles ou semi-naturelles dans les écosystèmes côtiers.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	Le système UAV eBee X est un drone cartographique à voilure fixe professionnel. Un système de drone de cartographie alternatif peut être utilisé
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Utilisé pour planifier les missions de vol des drones et gérer les données aériennes. Le logiciel eMotion est une partie complémentaire du système de drone eBeeX
Disque dur externe	N'importe quel fournisseur	NA	La taille dépend de la taille de la zone d'étude et de la taille du projet (250 Go - 1 To)
Ordinateur portable de terrain	N'importe quel fournisseur	NA	Une machine portable capable, adaptée aux opérations sur le terrain et à la gestion des vols de drones (Basé sur les spécifications d'eMotion :  64 bits Windows 10/11; Intel Core i5/i7 (12e génération+) ou AMD Ryzen 5/7 (>3,5 GHz) - Les fréquences d'horloge élevées sont plus importantes que le nombre de cœurs; 16 Go minimum (32 Go+ fortement recommandé); NVIDIA GTX/RTX de milieu de gamme (par exemple, RTX 3060/4060); NVMe SSD (Obligatoire).
Système GNSS/RTK Trimble	Trimble Inc.	Modèle  R10	Il dispose d'un récepteur avec un logiciel de topographie et des batteries de rechange. Des systèmes GNSS/RTK alternatifs peuvent également être utilisés.
Cisaille à gazon	N'importe quel fournisseur	NA	Échantillonnage de biomasse (facultatif)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Logiciel de photogrammétrie: Pix4Dmapper est disponible en licence mensuelle ou annuelle. Un logiciel de photogrammétrie alternatif peut être utilisé pour implémenter ce protocole.
Guide d'identification des plantes	N'importe quel fournisseur	NA	Utilisé pour effectuer des observations biophysiques (guides d'identification de plantes locales en ligne, en livre ou imprimés)
QGIS	QGIS	3.44.9 Solothurn	Un logiciel SIG gratuit et open-source, disponible sur https://qgis.org/, un logiciel SIG alternatif peut être utilisé pour implémenter ce protocole
Cadre quadrat de 1 m x 1 m	N'importe quel fournisseur	NA	À utiliser dans la phase 2 pour le travail sur le terrain/l'échantillonnage, c'est-à-dire pour effectuer des observations biophysiques, peut être fait maison
R	R-Software Services	version 4.2.0, https://cran.r-project.org	Un environnement de modélisation de prédiction téléchargeable open-source largement utilisé pour le calcul statistique et la graphique, l'analyse de données et la modélisation prédictive.
RStudio	R-Software Services	version 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Comme certains packages peuvent nécessiter une compilation à partir du code source. Principaux packages utilisés : terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1 et randomForest 4.7 1.1.
Balance (fonctionnant sur batterie, nivelée, précision ±1 g)	N'importe quel fournisseur	NA	Durable pour le travail sur le terrain
Séquoia	Parrot SA	Parrot SEQUOIA+	C'est un capteur multispectral/RVB, à utiliser dans la phase 1. Capteur RVB et/ou multispectral (de nombreux drones professionnels incluent un ou les deux capteurs). Pour implémenter ce protocole, utilisez Parrot SEQUOIA+ (entreprise Parrot SA)
Capteur d'humidité du sol	N'importe quel fournisseur	NA
Application de prévision météo UAV	N'importe quel fournisseur	NA	Pour planifier les vols, utilisez https://www.uavforecast.com/
Kit de capteur WET	Delta T Devices	WET-UM-1.6	Capteur d'humidité du sol (facultatif)
Station de travail	N'importe quel fournisseur	NA	Spécifications optimales nécessaires pour un traitement fluide des projets de photogrammétrie et d'apprentissage automatique dans R (spécifications basées sur les exigences logicielles de Pix4Dmapper: Windows 10/11, 64 bits; CPU quadricœur ou hexacœur Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatible avec OpenGL 3.2 et 2 Go de RAM; Disque dur: SSD; Grands projets (plus de 500 à 1000 images à 14 MP): 32 Go de RAM, 60 Go d'espace libre sur SSD.