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

Nos recherches visent à faciliter l’utilisation du LiDAR basé sur drone dans l’évaluation de la récupération forestière grâce au développement d’un protocole convivial. Les développements récents rendant ce travail possible incluent l’avancée de la technologie des capteurs LiDAR et l’intégration avec des modèles de prêt profond. Pour commencer, vérifiez le matériel RPAS et mettez à jour le firmware si nécessaire.

Installez la station de base RTK dans une zone dégagée, à l’écart des obstacles et de la lisière des arbres. Attendez que la station de base soit complètement mise sous tension avant de commencer le vol du drone. Créez un fichier de vol pour chaque mission et téléchargez-les sur la télécommande.

Maintenant, mener les missions de vol pour collecter des données LiDAR et multispectrales sur la zone d’intérêt. Installez une station de base GNSS au-dessus de la position de la station de base du RPAS et faites fonctionner la station de base pour obtenir des coordonnées précises afin d’une correction précise du positionnement ponctuel. Utilisez un lecteur de cartes pour transférer les données LiDAR et multispectrales collectées des capteurs vers une station de travail.

Utilisez un logiciel de photogrammétrie pour prétraiter les données multispectrales et effectuer des corrections géométriques et radiométriques. Générez une orthomosaïque multispectrale. Utilisez un logiciel approprié pour reconstruire les données LiDAR brutes en un fichier nuage de points.

Utilisez un outil géospatial pour aligner le nuage de points LiDAR avec l’orthomosaïque multispectral. Exécutez un script Python pour fusionner le nuage de points LiDAR aligné avec l’orthomosaïque multispectral afin de générer un nuage de points multispectral. Téléchargez CloudCompare, le logiciel de traitement cloud ponctuel en trois dimensions, et installez-le.

Ensuite, téléchargez l’installateur du plugin TreeAIBox version 1 depuis GitHub, lancez l’installateur et suivez les instructions à l’écran. Ouvrez CloudCompare depuis l’icône du bureau, ou en sélectionnant Démarrer, suivi de Tous les programmes, et CloudCompare. Chargez le fichier du nuage de points en utilisant Ouvrir un ou plusieurs fichiers, puis cliquez sur Appliquer.

Si les coordonnées ponctuelles sont grandes, acceptez l’invite pour appliquer un décalage ou une échelle globale. Sélectionnez Entrée, qui lit les métadonnées du fichier, puis cliquez sur Oui pour que le nuage de points apparaisse dans la toile. Ouvre la barre d’outils du plugin Python.

Dépliez la liste déroulante du registre de scripts et cliquez sur TreeAIBox pour ouvrir l’interface graphique du plugin. Assurez-vous que la case Utiliser le GPU est cochée si une unité de traitement graphique supportée par Compute Unified Device Architecture est disponible. Dans le panneau supérieur, sélectionnez TreeFiltering et choisissez ALS si les tiges d’arbre ne sont pas visibles dans les données RPAS.

Maintenant, effacez la case à cocher pour la taille des cases. Dans le menu déroulant des modèles prédéfinis, sélectionnez treefiltering_als_esegformer. Si vous utilisez ce modèle pour la première fois, cliquez sur Télécharger et confirmez la fenêtre contextuelle affichant le chemin local.

Sélectionnez le nuage de points dans la toile pour qu’il soit mis en évidence par une boîte englobante. Dans le panneau TreeFilter, cliquez sur Appliquer. Confirmez qu’une nouvelle échelle ou champ nommé TreeFilter a été créé, avec la valeur 2 pour les points arborescentes en rouge et la valeur 1 pour les autres points en bleu avant de continuer.

Depuis le panneau supérieur de TreeAIBox, sélectionnez TreeisoNet. Activez Reclamation, ALS stem implicit et Treeloc. Dans la liste déroulante, choisissez le modèle pré-entraîné requis.

Assurez-vous que le nuage de points dans la toile est sélectionné, puis cliquez sur Appliquer. Après traitement, confirmez qu’un nouvel élément nommé Treetops apparaît sous le nuage de points d’origine dans la fenêtre de l’arbre de la base de données. Sélectionnez cet élément et augmentez la taille des points, par exemple à 16, pour une meilleure visibilité, et vérifiez que les positions des cimes des arbres apparaissent sous forme de points blancs sur la toile.

Pour segmenter les cimes d’arbres, resélectionnez l’élément nuage de points d’arbre. Depuis le panneau supérieur de TreeAIBox, sélectionnez TreeisoNet et activez TreeOff. Téléchargez le modèle pré-entraîné requis, puis cliquez sur Appliquer pour exécuter le modèle.

Ensuite, confirmez qu’une nouvelle échelle ou champ nommé TreeOff a été créé. Vérifiez que chaque arbre se voit attribuer un identifiant unique avec des points du même arbre partageant le même identifiant. Optionnellement, réinitialisez la taille du point de la cime de l’arbre à Default pour réduire l’encombrement visuel.

Pour améliorer le contraste visuel et randomiser les couleurs de l’arbre par identifiant, clonez le nuage de points original afin de préserver les données en sélectionnant Modifier et Cloner. Ensuite, va dans Modifier, puis dans Champs scalaires, et Convertir en RGB aléatoire. Saisissez une grande valeur pour garantir des couleurs discrètes et cliquez sur OK. Regardez le nuage de points affichant les arbres en couleurs aléatoires.

Enfin, depuis le panneau supérieur de TreeAIBox, sélectionnez TreeisoNet et cliquez sur Exporter les statistiques pour exporter les résultats de segmentation. Ensuite, cliquez sur Ouvrir le chemin de sortie pour voir le fichier exporté dans le dossier Résultats. Confirmez que la sortie est un fichier de valeurs séparées par virgule contenant les identifiants d’arbre, les coordonnées, la hauteur de l’arbre et la zone de la couronne.

Le plugin TreeAIBox a filtré avec succès les points d’arbre et délimité des arbres individuels sur les trois sites, et un total de 2 755 arbres individuels ont été détectés. Le modèle a identifié 1 706 arbres sur le Site 1, 882 arbres sur le Site 2 et 167 arbres sur le Site 3. Le taux de détection des arbres de référence variait selon les sites, avec 100 % détectés pour le site 2, 95 % pour le site 1 et 21 % pour le site 3.

Le modèle a atteint un taux de détection de 100 % pour tous les arbres de référence supérieurs à un mètre. La performance de détection a diminué pour les arbres plus petits, avec seulement 45 % des arbres entre 0,5 et 1 mètre détectés et aucun arbre de moins de 0,5 mètre identifié. Ce protocole vise à combler la lacune de recherche liée à la détection et segmentation individuelles des arbres pour les jeunes arbres dans des environnements forestiers complexes.

Ce protocole offre une méthode pratique, efficace, conviviale et polyvalente pour extraire des métriques d’arbre individuelles à partir de données LiDAR. Notre protocole favorise la récupération et le suivi forestiers, et est particulièrement utile pour évaluer la taille des puits de relecture, réduisant ainsi le temps et le coût des relevés de parcelles.