Fusion of 3D point clouds and hyperspectral data for the extraction of geometric and radiometric features of trees.
Apport de la fusion LiDAR - hyperspectral pour la caractérisation géométrique et radiométrique des arbres.
Résumé
Mountain forests provide environmental ecosystem services (EES) to communities: supplying of recreational landscapes, protection against natural hazards, supporting biodiversity conservation, among others. The preservation of these EES through space and time requires a good characterization of the resources. Especially in mountains, stands are very heterogeneous and timber harvesting is economically possible thanks to trees of higher value. This is why we want to be able to map each tree and estimate its characteristics, including quality, which is related to its shape and growth conditions. Field inventories are not able to provide a wall to wall cover of detailed tree-level information on a large scale. On the other hand, remote sensing tools seem to be a promising technology because of the time efficient and the affordable costs for studying forest areas. LiDAR data provide detailed information from the vertical distribution and location of the trees, but it is limited for mapping species. Hyperspectral data are associated to absorption features in the canopy reflectance spectrum, but is not effective for characterizing tree geometry. Hyperspectral and LiDAR systems provide independent and complementary data that are relevant for the assessment of biophysical and biochemical attributes of forest areas. This PhD thesis deals with the fusion of LiDAR and hyperspectral data to characterize individual forest trees. The leading idea is to improve methods to derive forest information at tree-level by extracting geometric and radiometric features. The contributions of this research work relies on: i) an updated review of data fusion methods of LiDAR and hyperspectral data for forest monitoring, ii) an improved 3D segmentation algorithm for delineating individual tree crowns based on Adaptive Mean Shift (AMS3D) and an ellipsoid crown shape model, iii) a criterion for feature selection based on random forests score, 5-fold cross validation and a cumulative error function for forest tree species classification. The two main methods used to derive forest information at tree level are tested with remote sensing data acquired in the French Alps.
Les forêts de montagne fournissent des services écosystémiques environnementaux (SEE) aux communautés: fourniture de paysages récréatifs, protection contre les risques naturels, soutien à la conservation de la biodiversité, entre autres. La préservation de ces SEE dans l'espace et dans le temps nécessite une bonne caractérisation des ressources. Surtout en montagne, les peuplements sont très hétérogènes et la récolte du bois est économiquement possible grâce à des arbres de plus grande valeur. C'est pourquoi nous voulons pouvoir cartographier chaque arbre et estimer ses caractéristiques, dont la qualité, qui est liée à sa forme et ses conditions de croissance. Les inventaires de terrain ne sont pas en mesure de fournir une couverture mur à mur d'informations détaillées au niveau des arbres à grande échelle. D'un autre côté, les outils de télédétection semblent être une technologie prometteuse en raison de la rapidité et des coûts abordables pour l'étude des zones forestières. Les données LiDAR fournissent des informations détaillées sur la distribution verticale et l'emplacement des arbres, mais elles sont limitées pour la cartographie des espèces. Les données hyperspectrales sont associées aux caractéristiques d'absorption dans le spectre de réflectance du couvert, mais ne sont pas efficaces pour caractériser la géométrie des arbres. Les systèmes hyperspectraux et LiDAR fournissent des données indépendantes et complémentaires qui sont pertinentes pour l'évaluation des attributs biophysiques et biochimiques des zones forestières. Cette thèse de doctorat porte sur la fusion de LiDAR et de données hyperspectrales pour caractériser les arbres forestiers individuels. L'idée maîtresse est d'améliorer les méthodes pour obtenir des informations forestières au niveau de l'arbre en extrayant des caractéristiques géométriques et radiométriques. Les contributions de ce travail de recherche reposent sur: i) un examen mis à jour des méthodes de fusion de données de LiDAR et des données hyperspectrales pour la surveillance des forêts, ii) un algorithme de segmentation 3D amélioré pour délimiter les couronnes d'arbres individuelles basé sur Adaptive Mean Shift (AMS3D) et un ellipsoïde modèle de forme de couronne, iii) un critère de sélection des caractéristiques basé sur le score aléatoire des forêts, cross-validation à 5 folds et une fonction d'erreur cumulative pour la classification des espèces d'arbres forestiers. Les deux principales méthodes utilisées pour obtenir des informations forestières au niveau des arbres sont testées avec des données de télédétection acquises dans les Alpes françaises.
Origine : Version validée par le jury (STAR)