Exemples de cas d’usages
La modélisation de variables forestières avec du LiDAR HD permet d’effectuer les distinctions d’essences suivantes :
- La différenciation entre résineux et feuillus
- La différenciation entre des résineux, soit essence par essence, soit par groupe d’essences proches.
Ces distinctions sont faites en s’appuyant sur des analyses de la forme des houppiers (pente, surface, volume...), réalisées à partir du modèle numérique de surface. En s’appuyant sur des placettes de calibration qui reflètent une vérité terrain, il est tout à fait possible de réaliser une classification des essences de résineux par apprentissage (cf. méthode RandomForest).
Quid de l’ouverture des données de modélisations forestières au grand public ?
Les données modélisées en forêt publique ont vocation à être mise à disposition en Open Data. Une des difficultés actuelles est qu’il n’existe pas encore d’infrastructure simple d’utilisation de mise à disposition de ces données.
Les données LiDAR HD, accompagnées de relevés topographiques complémentaires, peuvent être utilisées pour réaliser des modélisations hydrauliques et obtenir des profils précis en travers ou en long. En zone de montagne dans le département 06, le LiDAR comporte cependant de nombreux effets de bord sur les versants, ce qui limite la précision du levé par rapport à la réalité du terrain.
Une densité LiDAR de 10pts/m² suffit largement pour la construction d’un MNH. Cependant pour la construction de MNT, des relevés topographiques sont nécessaires, notamment au niveau des ouvrages, des ponts ou des vallées encaissées.
L’IA permet de généraliser, à grande échelle, les traitements de classification du nuage de points, c’est-à-dire de propager au maximum l’information contenue dans les nuages de points déjà classifiés. En pratique, des modèles de classification du nuage de points sont entraînés à réaliser une première proposition pour chaque point (bâti, sol, ponts, végétation, eau, sursol pérenne, autre).
Celles-ci sont ensuite croisées avec d’autres formes de classification (non fondées sur de l’apprentissage machine) et des bases de données existantes, comme la BD Topo®, pour fournir une classification consolidée. Celle-ci sera reprise ensuite par des opérateurs experts de l’analyse de données LiDAR.
