EMEA : +33 4 11 93 14 00 - AMERIQUES : +1 801 876 1007 - JAPON : +81 3 4360 5588 - APAC : +61 3 7034 9488 |myYELLOWSCAN

Détection de l'empiètement des arbustes dans les prairies semi-naturelles à l'aide de l'UAS LiDAR

28 septembre 2020

Interview :

 

Salut Bjarke, merci d'avoir accepté cette interview ! Nous savons que vous avez utilisé YellowScan Surveyor pour votre travail de recherche sur la biodiversité. Pouvez-vous nous en dire un peu plus sur vous et vos travaux de recherche ?

Je suis Bjarke Madsen de l'université d'Aarhus au Danemark. Je suis doctorant depuis 3,5 ans en éco-informatique et biodiversité, Département de biologie. Je travaille ici avec le groupe "Dynamique de la végétation @Vegdynet dans le laboratoire UAS4Ecology, @UAS4Ecology.

Mon travail de recherche consiste à comprendre la dynamique de la diversité des prairies à l'aide de la télédétection par les drones. Je participe à la surveillance de la biodiversité en développant des méthodes efficaces pour conduire, traiter et analyser les données de télédétection des drones. J'essaie de détecter différents éléments de la diversité végétale à travers le temps et l'espace.

Nous avons utilisé YellowScan Surveyor dans la première partie de ma thèse "Détection de l'empiètement des arbustes dans les prairies semi-naturelles à l'aide de l'UASLiDAR" en collaboration avec Urs A. Treier, András Zlinsky, Arko Lucieer et Signe Normand.

 

Comment avez-vous utilisé le SAMU LiDAR pour détecter les arbustes ?

YellowScan Surveyor UAS LiDAR a été effectuée pour scanner une zone de prairie, où des chevaux et des vaches ont récemment été réintroduits dans le cadre d'une expérience dite de ré-ensauvagement. Nous avons détecté et surveillé une espèce d'arbuste spécifique (Cytisus scoparius ou genêt à balai) qui pose problème dans certaines zones en termes d'empiètement. L'espèce a une croissance rapide et est capable de concurrencer les plantes environnantes en monopolisant la lumière, ce qui peut avoir des conséquences négatives sur la diversité végétale. C'est pourquoi nous avons scanné la zone et classé les individus des arbustes dans le nuage de LiDAR points de la SAMU. Nous avons développé un ensemble de variables 3D caractérisant et distinguant cette espèce des autres arbustes. Les variables ont été ciblées pour détecter les caractéristiques morphologiques variant entre les espèces d'arbustes pour représenter par exemple la disposition des feuilles et des branches. Par exemple, notre arbuste focal (C. scoparius) a une forme de croissance moins dense comme par exemple Juniperus communis, qui peut donc être séparé par les variables ponctuelles représentant la pénétration de la lumière et la complexité.

Nous avons utilisé nos connaissances écologiques pour définir les différentes variables représentant le mieux les caractéristiques de croissance des arbustes, puis nous avons utilisé une technique d'apprentissage par machine à base de points pour classer les différentes espèces directement dans le nuage de points 3D. Nous avons atteint au moins 86 % de précision dans notre modèle de classification. Cette grande précision nous a permis de calculer la biomasse de notre arbuste central et de projeter ces mesures sur l'ensemble du paysage de 6,7 ha.

 

Mols Danemark UAS LiDAR - YellowScan Surveyor

MikroKopter MK8-3500 UAS et YellowScan Surveyor dans la zone étudiée - Crédit photo. Bjarke Madsen.

Mols - Danemark - Paysage avec des arbustes

Paysage sauvage avec des arbustes et des arbres - Crédit photo. Bjarke Madsen.

 

Quels ont été les premiers résultats ?

Nous avons effectué deux campagnes de vols à l'automne 2017 et au printemps 2018 au-dessus de la même zone. Cela nous a permis d'étudier les changements au cours de la saison hivernale, car on suppose que les animaux affectent davantage la végétation ligneuse pendant cette période, alors qu'en même temps, nous ne nous attendons pas à une croissance importante de la végétation pendant cette saison froide. En moyenne, nous avons constaté, comme prévu, une diminution de la biomasse de l'automne au printemps, également faible (33,4 ou 4,9 g/m2, selon le modèle de classification). Cependant, le changement de la biomasse des arbustes n'a pas été réparti de manière égale dans toute la région. Dans certaines zones, nous avons constaté une forte diminution de la biomasse arbustive, en particulier dans une zone plus proche de la forêt.

Nous n'avons pas encore pris le temps d'étudier davantage les facteurs sous-jacents à cette diminution de la biomasse. Cependant, une hypothèse est que les animaux ont tendance à passer plus de temps dans la forêt pendant l'hiver et donc à affecter davantage les arbustes dans cette zone en piétinant et en broutant. Mais, comme nous l'avons déjà dit, il faudra poursuivre les recherches pour vérifier cette hypothèse. D'autre part, nous avons également eu des zones avec une petite augmentation de la biomasse des arbustes, peut-être due à une croissance printanière précoce ou à des périodes plus chaudes en hiver.

 

Cytisus Scorparius

Cytisus Scoparius

 

Cytisus Scorparius arbuste - classé UAV LiDAR pointcloud

Nuage de LiDAR points classifié d'un drone - Cytisus Scoparius
Madsen, Bjarke, et al. "Détection de l'empiètement des arbustes dans les prairies semi-naturelles à l'aide de la SAMULiDAR". Écologie et évolution (2020)

 

Qu'en est-il de l'acquisition des données : zone étudiée et nombre de vols ?

En octobre 2017, nous avons effectué l'un de nos premiers vols avec l'avion de l'OTANYellowScan Surveyor. Nous n'avions pas pour objectif de couvrir le plus de terrain possible, mais nous avons mis l'accent sur le niveau de détail nécessaire pour détecter les variations à petite échelle de la végétation des prairies. Nous avons collecté LiDAR des données avec 3 vols, ce qui est gérable en une demi-journée. Nous avons volé relativement bas, à 40 mètres au-dessus du sol. Avec ces paramètres, nous avons pu cartographier une zone de 6,7 hectares.

Au cours de l'année écoulée, nous avons bien établi le flux de travail et les routines, et nous connaissons bien le processus. Mon collègue Urs A. Treier est le pilote de l'UAS, il s'occupe de la partie technique lourde et j'ai été le copilote de tous les vols, je fais les plans de vol et je surveille la station de contrôle au sol.

MikroKopter MK8-3500 UAS

MikroKopter MK8-3500 UAS - Crédit photo. Urs A. Treier.

Actuellement, nous faisons un effort de suivi temporel plus détaillé en répétant les vols de l'UAS tous les deux mois. Grâce aux données ainsi acquises, nous pourrons étudier davantage les changements de croissance saisonnière mais aussi les effets des stades phénologiques sur les LiDAR classifications.

Classification des arbustes de Cytisus - Distribution

Répartition des points d'arbustes classés de l'enquête 2017 (vert) et de l'enquête 2018 (bleu) en pourcentage du total des points d'arbustes
Madsen, Bjarke, et al. "Détection de l'empiètement des arbustes dans les prairies semi-naturelles à l'aide de la SAMULiDAR". Écologie et évolution (2020)

Classification UAS LiDAR de l'arbuste Cytisus
Critères du modèle de classification des arbustes à cytise

Madsen, Bjarke, et al. "Détection de l'empiètement des arbustes dans les prairies semi-naturelles à l'aide de la SAMULiDAR". Ecologie et évolution (2020).

 

Qu'en est-il du traitement des données dans le nuage de points ? Quels sont les résultats finaux en termes d'exactitude ?

Une fois le LiDAR pointcloud généré avec le logiciel YellowScan, la manipulation du pointcloud a été effectuée avec le OPALS logiciel, développé par les chercheurs de l'Université de Vienne. Nous avons utilisé OPALS pour une classification semi-automatique basée sur des points directement dans le nuage de points, ce qui signifie que chaque point peut être attribué avec diverses caractéristiques supplémentaires. Deux entrées majeures ont été nécessaires pour que la classification fonctionne.

Tout d'abord, les données de référence et de validation de 180 observations de 11 espèces d'arbustes différentes ont été échantillonnées manuellement dans toute la zone en mesurant les emplacements exacts avec un système GNSS.

Ensuite, des variables de type "pointcloud" ont pu être extraites pour les arbustes désormais étiquetés. Par la suite, nous avons appliqué une approche d'apprentissage machine en utilisant un algorithme de partitionnement récursif pour classer chaque point du nuage de points en fonction des caractéristiques morphologiques représentées par LiDAR les variables.

L'exactitude globale de la classification des nuages de points était assez bonne, avec des exactitudes globales de 86,9 % et 95,2 % pour les données d'automne et de printemps, respectivement. Nous avons procédé à quelques ajustements pour combiner les 3 nuages de points des 3 différents vols afin de combiner les données et d'obtenir une meilleure représentation des arbustes. Les résultats sont excellents. Nous sommes toujours bien en dessous de l'exactitude de 10cm , ce qui est notre exigence.

Comment décririez-vous votre expérience avec les solutions YellowScan ?

Lorsque nous avons acheté le système, nous cherchions une solution clé en main prête à l'emploi et c'est ce que nous avons obtenu ! En outre, le géomètre fait bien son travail et il est facile de travailler avec les logiciels POSPac et YellowScan. Pour être honnête, je ne me souviens pas de problèmes majeurs et j'ai post-traité pas mal de LiDAR données !

Notre impression dans l'équipe de recherche est que, même avec 2 retours (ou échos) fournis par le Surveyor, nous obtenons beaucoup de points et obtenons une bonne représentation de la végétation. Nos données semblent très bonnes et précises et nous ne voyons pas vraiment beaucoup de bruit dans les sorties de données. Bien entendu, nous étudions les caractéristiques de la végétation à très petite échelle et n'appliquons pas le système à la sylviculture.

 

Quelque chose à ajouter sur la cartographie UAS LiDAR pour détecter la végétation ?

Nous voulions voir ce qui est réellement possible en termes de résolution spatiale pour les études sur la diversité végétale. Travailler sur la biodiversité des prairies, c'est une question de précision et d'exactitude. Grâce au LiDAR sur Drone, nous avons vraiment pu voir les différences dans les paysages.

Nous utilisons LiDAR des drones parce que la plupart des activités traditionnelles de gestion des terres sont basées sur des parcelles locales. Cela ne représente pas nécessairement ce qui se passe dans l'ensemble du paysage. C'est ce que nous avons montré dans notre étude. En ce sens, nous avons pu observer différentes tendances : variation de l'évolution de la biomasse sur une zone avec des augmentations et des diminutions. Nous n'aurions pas été en mesure de saisir une telle dynamique de la végétation à l'échelle du paysage sans la SAMU LiDAR. Maintenant, nous pouvons couvrir une plus grande zone pour surveiller la biodiversité, ce qui aidera les efforts de gestion et de conservation de la nature.

 

Nous vous remercions de nous avoir fait part de cette vision et du résultat de vos travaux de recherche. Bonne chance pour la défense de votre thèse !

-Julien BO.
Dernières nouvelles
Quoi de neuf chez YellowScan
Mapper et Vx - Webinaire en japonais

Mapper et Vx - Webinaire en japonais

WEBINAR Présentation du YellowScan Mapper et du Vx en japonais. Nos utilisateurs japonais auront l'occasion de voir notre série de Vx et notre nouveau...