L’impact du changement climatique sur les forêts tempérées est complexe et nécessite une meilleure compréhension. Leur réponse se manifeste par une dégradation de leur état de santé et une perte de leur biodiversité, en particulier leur essence. Les forêts anciennes de hêtre sont particulièrement intéressantes à étudier de par leur résilience et leur maturité écologique. La télédétection permet de cartographie les essences d’arbres à grande échelle. On distingue généralement trois types d’informations sur le couvert forestier fournies par la télédétection pour discriminer les essences d’arbres. L’information spectrale renseigne sur la réflectance de surface de la canopée, elle est accessible à partir de données multispectrales ou hyperspectrales. L’information spatiale renseigne sur la structure du couvert forestier obtenue à partir de données LiDAR (Light Detection And Ranging). Elle renseigne également sur la texture du couvert forestier en utilisant des sonnées spectrales de haute résolution spatiale. L’information temporelle permet d’observer des variations liées à la phénologie des essences présentes dans la forêt, elle nécessite des acquisitions au cours de l’année avec un fort taux de revisite. L’objectif de cette thèse est d’évaluer la combinaison de ces différents types d’informations complémentaires afin d’améliorer la cartographie des essences de forêt tempérée (en particulier le hêtre). La démarche retenue pour atteindre une cartographie de l’essence de chaque arbre est mise en œuvre en deux étapes : délinéation (segmentation) des couronnes d’arbres, classification de la couronne (mono-espèce : hêtre / non hêtre, multi-espèces : 5 essences).
La délinéation des couronnes d’arbres est classiquement réalisée en utilisant uniquement l’information géométrique (LiDAR). Lors de cette thèse, nous avons mis en place une méthode, fusionnant des informations géométriques et radiométriques, afin de corriger les cas de sur-segmentation d’une délinéation réalisée par une méthode de référence de la littérature watershed. La méthode a été appliquée sur trois sites de forêts tempérées ayant des caractéristiques différentes et a permit d’obtenir une augmentation de performance allant jusqu’à 25% par rapport à la méthode de référence. Cette méthode est robuste au changement de site d’étude et évolutive de part l’ajout de nouveau critères.
La seconde partie se consacre à la classification d’une ou plusieurs essences d’une ancienne forêt primaire de hêtres, la réserve naturelle nationale de la Massane. L’état de l’art montre que la combinaison des informations spectrale et géométrique est fréquemment utilisée. Dans le cadre de cette thèse l’apport de la combinaison de divers types d’informations est évalué. Pour cela, une approche orientée objet a été mise en place à partir de la carte de délinéation réalisée au préalable utilisant des caractéristiques calculées sur une image RGB (Red Green Blue) de haute résolution spatiale, un nuage de points LiDAR aéroporté et une série temporelle d’images Sentinel-2. Les résultats montrent que la combinaison des informations permet d’obtenir les meilleures performances avec une précision globale de 85% (gain de 5 % par rapport à une combinaison de données RGB et LiDAR) Enfin une méthode de combinaison de cartes de classification a été mise en place afin de combiner une cartographie de résolution spatiale décamétrique réalisée au niveau du pixel avec des données Sentinel-2 et une cartographie de résolution spatiale 0,5 m réalisée à l’échelle de l’objet avec une combinaison des données RGB et LiDAR. Cette combinaison permet d’atteindre une précision globale de 88%. |
The impact of climate change on temperate forests is complex and needs to be better understood. Their response is manifested in a degradation of their health and a loss of biodiversity, especially their species. Old growth beech forests are particularly interesting to study because of their resilience and ecological maturity. Remote sensing allows tree species to be mapped on a large scale. Generally, three types of forest cover information are provided by remote sensing to discriminate tree species. Spectral information provides information on the surface reflectance of the canopy and is available from multispectral or hyperspectral data. Spatial information provides information on the structure of the forest cover obtained from LiDAR (Light Detection And Ranging) data. It also provides information on the texture of the forest cover using high spatial resolution spectral data. Temporal information allows the observation of variations linked to the phenology of the species present in the forest, and requires acquisitions during the year with a high revisit rate. The objective of this thesis is to evaluate the combination of these different types of complementary information in order to improve the mapping of temperate forest species (in particular beech). The approach chosen to achieve a mapping of the species of each tree is implemented in two steps: delineation (segmentation) of tree crowns, classification of the crown (single species: beech/non-beech, multi-species: 5 species).
The delineation of tree crowns is classically performed using only geometric information (LiDAR). In this thesis, we have developed a method, merging geometric and radiometric information, to correct the over-segmentation of a delineation performed by a reference method from the watershed literature. The method was applied to three temperate forest sites with different characteristics and resulted in a performance increase of up to 25% compared to the reference method. The method is robust to the change of study site and scalable by adding new criteria.
The second part is devoted to the classification of one or more species of an ancient primary beech forest, the Massane National Nature Reserve. The state of the art shows that the combination of spectral and geometric information is frequently used. In this thesis, the contribution of the combination of various types of information is evaluated. For this purpose, an object-oriented approach was implemented based on the delineation map previously produced using features computed on a high spatial resolution RGB (Red Green Blue) image, an airborne LiDAR point cloud and a time series of Sentinel-2 images. The results show that the combination of the information provides the best performance with an overall accuracy of 85% (gain of 5% compared to a combination of RGB and LiDAR data). Finally, a method of combining classification maps was implemented in order to combine a 10-metre spatial resolution mapping carried out at the pixel level with Sentinel-2 data and a 0.5 m spatial resolution mapping carried out at the object scale with a combination of RGB and LiDAR data. This combination allows an overall accuracy of 88% to be achieved. |