https://lib.uliege.be https://matheo.uliege.

be

Potentiel du drone low-cost par rapport au LiDAR dans l¿évaluation de la

diversité structurelle des forêts tempérées wallonnes

Auteur : Jacobs, Lucie

Promoteur(s) : Bastin, Jean-François; de Lame, Hugo
Faculté : Gembloux Agro-Bio Tech (GxABT)
Diplôme : Master en bioingénieur : gestion des forêts et des espaces naturels, à finalité spécialisée
Année académique : 2022-2023
URI/URL : http://hdl.handle.net/2268.2/18099

Avertissement à l'attention des usagers :

Tous les documents placés en accès ouvert sur le site le site MatheO sont protégés par le droit d'auteur. Conformément
aux principes énoncés par la "Budapest Open Access Initiative"(BOAI, 2002), l'utilisateur du site peut lire, télécharger,
copier, transmettre, imprimer, chercher ou faire un lien vers le texte intégral de ces documents, les disséquer pour les
indexer, s'en servir de données pour un logiciel, ou s'en servir à toute autre fin légale (ou prévue par la réglementation
relative au droit d'auteur). Toute utilisation du document à des fins commerciales est strictement interdite.

Par ailleurs, l'utilisateur s'engage à respecter les droits moraux de l'auteur, principalement le droit à l'intégrité de l'oeuvre
et le droit de paternité et ce dans toute utilisation que l'utilisateur entreprend. Ainsi, à titre d'exemple, lorsqu'il reproduira
un document par extrait ou dans son intégralité, l'utilisateur citera de manière complète les sources telles que
mentionnées ci-dessus. Toute utilisation non explicitement autorisée ci-avant (telle que par exemple, la modification du
document ou son résumé) nécessite l'autorisation préalable et expresse des auteurs ou de leurs ayants droit.
 Potentiel du drone low-cost par
rapport au LiDAR dans l’évaluation de
la diversité structurelle des forêts
tempérées wallonnes.

Lucie Jacobs

TRAVAIL DE FIN D’ÉTUDES PRÉSENTÉ EN VUE DE

L’OBTENTION DU DIPLÔME DE MASTER BIOINGÉNIEUR EN
GESTION DES FORÊTS ET DES ESPACES NATURELS

Année académique 2022-2023

Co-Promoteurs: Jean-François BASTIN et Hugo DE LAME

Toute reproduction du présent document, par quelque procédé que ce soit, ne peut être
réalisée qu’avec l’autorisation de l’auteur et de l’autorité académique de Gembloux
Agro-Bio Tech.
Le présent document n’engage que son auteur.

2
 Potentiel du drone low-cost par
rapport au LiDAR dans l’évaluation de
la diversité structurelle des forêts
tempérées wallonnes.

Lucie Jacobs

TRAVAIL DE FIN D’ÉTUDES PRÉSENTÉ EN VUE DE

L’OBTENTION DU DIPLÔME DE MASTER BIOINGÉNIEUR EN
GESTION DES FORÊTS ET DES ESPACES NATURELS

Année académique 2022-2023

Co-Promoteurs: Jean-François BASTIN et Hugo DE LAME

Remerciements
Je tiens à exprimer ma sincère gratitude envers mes co-promoteurs, Jean-François Bastin
et Hugo de Lame. Vos retours furent toujours enrichissants. Je remercie tout particuliè-
rement Hugo pour son précieux accompagnement et le suivi infaillible tout au long de ce
mémoire. Sa présence et son engagement ont été une source inestimable d’inspiration et de
motivation.
Je remercie également l’équipe du BP pour les précieux échanges, notamment Antoine,
Arthur et Pauline. Vos contributions et vos éclairages ont enrichi ce travail. Merci à Hugo,
Léone et Eline pour les journées sur le terrain.
Merci à la team topo, Lisa, Marga, Nono et Cailloux pour les rires, les blagues, les stress
et les échanges toujours bienveillants.
Merci Greg, Anna, Eline, Manu et Isaline pour les mois de confinements avec vous. Vous
avez été un réel moteur pour mes études !
L’auberge, où j’ai passé trois merveilleuses années, marquée par des rencontres qui
resteront gravées à jamais. Un merci tout particulier pour le soutien durant la réalisation
de ce travail, Lisa. (Coline, tes bons petits pains ont été un réconfort constant).
Meci à ton mon village (comme dirait Cailloux) pour l’aide précieuse dans les dernières
heures de rédaction de ce mémoire : Lisa, Yana, Maya, mes deux Anna préférées, Greg,
Emel, Etienne et Diego !
Enfin, je garde une pensée pour mon papa, avec qui j’aurais sans aucun doute partagé
un intérêt similaire pour le sujet de ce mémoire. Nos balades à la recherche de plantes pour
mon herbier restent gravées. J’embrasse également fort mon petit frère, Alexis.

i
Résumé
Les forêts prodiguent de nombreux services écosystémiques, allant de la production de
bois au stockage de carbone, en passant par la conservation des sols ou par une forte valeur
culturelle. Elles sont néanmoins confrontées à de nombreuses menaces. La conversion pour
l’agriculture dans les tropiques et les bioagresseurs dans les latitudes plus élevées en sont
des exemples. Pour les gérer efficacement, il est crucial d’évaluer leur résilience notamment
par le biais de l’étude de leur structure. Or, la télédétection offre la possibilité d’accélé-
rer ces évaluations en couvrant rapidement de vastes zones forestières. Ce travail a pour
objectif d’évaluer la capacité d’un drone low-cost à caractériser la structure de parcelles
forestières en comparaison avec le LiDAR ALS. Pour mieux comprendre les capacités du
drone, une première étude examine comment les conditions d’acquisition influencent la qua-
lité de la reconstruction photogrammétrique. Cet impact étant étudié à travers une analyse
factorielle de données mixte et de modèles basés sur des indices de qualité d’images (R2 =
0,906), de qualité du traitement photogrammétrique (R2 = 0,936) et de qualité de produits
photogrammétriques (R2 = 0,977). La comparaison avec le LiDAR est effectuée au travers
de différents métriques de hauteurs issus de Modèles Numériques de Hauteur (MNH).

ii
Abstract
Forests deliver a diverse array of vital ecosystem services, from timber production,
carbon sequestration, soil preservation and cultural values. However, they face numerous
threats and pressing challenges. For instance, tropical regions grapple with the conversion
of forestland into agricultural land, while northern regions face threats from various di-
seases. Effectively addressing these challenges relies on thoroughly assessing the resilience
of forests, with a specific focus on scrutinizing their structural attributes. Remote sensing
emerges as a valuable tool to expedite these evaluations by quickly covering expansive
forest landscapes. This work aims to assess the ability of a cost-effective drone in charac-
terizing the structural features of forest plots, in comparison to LiDAR ALS technology.
To provide a deeper understanding of the drone’s capabilities, an initial study investigates
how different acquisition conditions impact the accuracy of photogrammetric reconstruc-
tion. This impact is examined through a comprehensive analysis of mixed data and models
that incorporate indicators of image quality (R2 = 0.906), the integrity of photogrammetric
processing (R2 = 0.936), and the quality of photogrammetric outputs (R2 = 0.977). The
comparison with LiDAR is accomplished through a range of height metrics derived from
Canopy Height Model (CHM).

iii
Acronymes
AMC : Compensation de Mouvement Adaptatif
EUNIS : European Nature Information System
FAO : Food and Agriculture Organization
FMC : Forward Motion Compensation
IFA : Inventaire Forestier d’Aménagement
IPRFW : Inventaire Permanent des Ressources Forestières de Wallonie
ISO : International Organization for Standardization
LiDAR : Light Detection And Ranging
M300 : DJI Matrice 300 RTK
MNH : Modèle Numérique de Hauteur
MNS : Modèle Numérique de Surface
MNT : Modèle Numérique de Terrain
RVB : Rouge Vert Bleu

iv
Table des matières

1 Introduction 1
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Le suivi des écosystèmes forestiers . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Description du principe de fonctionnement du LIDAR et de l’ALS . . . . . 3
1.4 Description du principe de fonctionnement de l’imagerie par drone et de la
photogrammétrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Objectifs de l’étude 6

3 Matériel et méthodes 7
3.1 Aire d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1.1 Caractéristiques générales . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Sélection des placettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Méthodologie de sélection des placettes de l’étude . . . . . . . . . . . . . . . 9
3.3.1 Placettes sélectionnées . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Collecte des données de drones . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4.1 Caractéristiques des plateformes . . . . . . . . . . . . . . . . . . . . 13
3.4.2 Plan de vol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5 Conditions d’acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.6 Traitement des données de drones . . . . . . . . . . . . . . . . . . . . . . . . 21
3.6.1 Traitement des données LiDAR . . . . . . . . . . . . . . . . . . . . . 21
3.6.2 Traitement des données photogrammétriques . . . . . . . . . . . . . 22
3.7 Analyses statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.7.1 Description du jeu de données . . . . . . . . . . . . . . . . . . . . . . 23
3.7.2 Description des variables . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.7.3 Analyse Multivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.7.4 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.7.5 Données manquantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.7.6 Analyse des Modèles Numériques de Hauteur (MNH) . . . . . . . . 27

v
4 Résultats 29
4.1 Analyse Multivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.2 Performance des modèles . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Comparaison du LiDAR aéroporté et de la photogrammétrie . . . . . . . . 42
4.2.1 Analyse des Modèles Numériques de Hauteur (MNH) . . . . . . . . 42
4.2.2 Influence de la composition spécifique . . . . . . . . . . . . . . . . . 45

5 Discussion 47
5.1 Qualité de la reconstruction photogrammétrique . . . . . . . . . . . . . . . 47
5.1.1 Qualité de l’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2 Comparaison avec le LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.3 Critique des analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.4 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

6 Conclusion 51

7 Contribution de l’étudiant 52

8 Annexes 57

vi
Table des figures

3.1 Répartition des placettes au sein de la zone d’étude, caractérisées par les
deux critères de “diversité” et de “typologie” décrits dans la partie “Métho-
dologie de sélection des placettes de l’étude”. . . . . . . . . . . . . . . . . . 8
3.2 Plan d’échantillonnage et résumé du processus de sélection des placettes
pour le critère de “diversité”. Les caractéristiques les plus discriminantes
sont affichées en orange. (F2etg = futaie à deux étages). . . . . . . . . . . . 11
3.3 Visualisation des deux placettes du sous-échantillon de l’ (5.2 et 18.2, en
rouge) et des deux nouvelles placettes (5.1 et 18.1, en rouge), ainsi que des
zones de survol du drone (tampon, en bleu) décrites dans la section “plan
de vol” (fonds de plan : Orthophotos 2021, résolution de 25 cm). . . . . . . 12
3.4 Exemple d’artefacts aux bordures d’une reconstruction photogrammétrique :
Les résineux présents sur l’orthoimage (a) sont faussement représentés par
des feuillus dans la zone encadrée en orange sur l’orthoimage (b). . . . . . . 16
3.5 Exemple du nombre de chevauchements d’images (indiqué par la légende)
pour un tampon de 110 m de côté et une placette circulaire de 18 m de rayon
(a). Illustration du recouvrement longitudinal et transversal (b). . . . . . . 17
3.6 Visualisation d’un plan de vol dans l’application Dronelink (a) avec le tam-
pon (carré blanc), le tracé de la trajectoire (ligne pleine bleue) ainsi que le
lieu de décollage (à droite du tampon). Illustration de la prise de vue nadir
(b). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.7 Triangle d’exposition. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.8 Orthomosaïques générées pour trois relevés sur les placettes de 25 m de
rayon : (a) Reconstruction complète, (b) Reconstruction partielle, et (c)
Reconstruction limitée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4.1 Cercle des corrélations pour les dimensions 1 et 2 ainsi que les dimensions 1
et 3. Représentation des 10 variables ayant la plus forte contribution. . . . . 32
4.2 Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour les heures des relevés en 5 catégories. Les ellipses ont un
niveau de confiance de 50 %. . . . . . . . . . . . . . . . . . . . . . . . . . . 33

vii
4.3 Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour les différents types de composition spécifique. Les ellipses ont
un niveau de confiance de 50 %. . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4 Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour les différents types de structure. Les ellipses ont un niveau de
confiance de 50 %. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.5 Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour le succès de l’alignement lors de la procédure “classique”. Les
ellipses ont un niveau de confiance de 50 %. . . . . . . . . . . . . . . . . . . 36
4.6 Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour la saison des relevés. Les ellipses ont un niveau de confiance
de 50 %. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.7 Graphique d’importance des variables pour le modèle qualmoy , représen-
tation du pourcentage d’augmentation des erreurs quadratiques moyennes
(%IncMSE) et de diminution moyenne de la pureté des nœuds (IncNodePu-
rity). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.8 Graphique d’importance des variables pour le modèle propal , représenta-
tion du pourcentage d’augmentation des erreurs quadratiques moyennes
(%IncMSE) et de diminution moyenne de la pureté des nœuds (IncNode-
Purity). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.9 Graphique du positionnement multidimensionnel (MDS), basé sur les proxi-
mités du Random Forest (RF), pour les modalités de la variable de succès
d’alignement des images lors de la procédure “classique” (al1 ). . . . . . . . 40
4.10 Graphique d’importance des variables pour le modèle rmse, représentation
du pourcentage d’augmentation des erreurs quadratiques moyennes (%IncMSE)
et de diminution moyenne de la pureté des nœuds (IncNodePurity). . . . . 41
4.11 Histogramme des moyennes de hauteur (m) des Modèles Numériques de
Hauteur (MNH) pour les relevés LiDAR (m300), photogrammétrique d’hiver
(mini2hiver ) et photogrammétrique de printemps (mini2print ). . . . . . . . 43
4.12 Histogramme des moyennes de hauteur (m) des Modèles Numériques de
Hauteur (MNH) par placette pour les relevés LiDAR (m300), photogrammé-
trique d’hiver (mini2hiver ) et photogrammétrique de printemps (mini2print ). 44

viii
Liste des tableaux

1.1 Exemples de services écosystémiques rendus par la forêt. D’après Taye et al.
(2021) et Jenkins & Schaap(2018). . . . . . . . . . . . . . . . . . . . . . . . 2

3.1 Répartition des placettes au sein des différents critères de “typologie” et

“diversité”. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Caractéristiques des plateformes DJI Mini 2 et DJI Matrice 300. . . . . . . 13
3.3 Caractéristiques de la caméra du DJI Mini 2 et recommandations du logiciel
Agisoft Metashape. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Caractéristiques du capteur Zenmuse L1. . . . . . . . . . . . . . . . . . . . 15
3.5 Plan de vol pour les relevés photogrammétriques. . . . . . . . . . . . . . . . 18
3.6 Plan de vol pour les relevés LiDAR. . . . . . . . . . . . . . . . . . . . . . . 19
3.7 Paramètres des traitements photogrammétriques sur Metashape. . . . . . . 24

4.1 Description des 3 premiers axes de l’AFDM. Coefficients de corrélation po-

sitifs (rouge), négatifs (bleu) et rapports de corrélation (vert) associés à
chaque variable quantitative et qualitative. Significatif (*), Hautement si-
gnificatif (**), Très hautement significatif (***). . . . . . . . . . . . . . . . . 30
4.2 Matrice de confusion du modèle de classification. . . . . . . . . . . . . . . . 42
4.3 RMSE, MSE et R2 des modèles de régression. . . . . . . . . . . . . . . . . . 42
4.4 RMSE, RMSE%, MSE et MAE des hauteurs (m) des MNH entre le LiDAR et
la photogrammétrie hivernale (hiver) et printanière (printemps) pour chaque
placette. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.5 Moyennes, écart-types et valeurs extrêmes des hauteurs (m) des MNH issus
du LiDAR, de la photogrammétrie hivernale et printanière pour les trois
types de composition spécifique. . . . . . . . . . . . . . . . . . . . . . . . . . 46

ix
Introduction

1.1 Contexte
Couvrant près d’un tiers des surfaces émergées mondiales, les forêts forment des écosys-
tèmes considérables et essentiels. Selon l’Organisation des Nations Unies pour l’alimenta-
tion et l’agriculture (FAO), une forêt peut être considérée comme telle lorsqu’elle occupe
une superficie supérieure à 0,5 ha et qu’elle possède un couvert arboré de plus de 10%
pour des arbres atteignant au moins 5 m de haut. Ces milieux constituent et abritent une
certaine biodiversité essentielle au maintien de services écosystémiques (Taye et al.,2021).
Depuis la nuit des temps, les écosystèmes forestiers rendent de multiples services à
l’espèce humaine. L’importance de ces services est de plus en plus évidente, tant au niveau
du grand public que de la communauté scientifique. Même s’il reste controversé (Ninan &
Inoue, 2013), l’un des indicateurs les plus utilisés pour mesurer ces services est le concept de
services écosystémiques développé par Costanza et al. (1997), qui vise à mettre une valeur
monétaire sur les bénéfices que les humains retirent des écosystèmes (Assessment), 2005).
Ainsi, dès 1997, les services écosystémiques liés à la forêt étaient estimés à 4,7 milliards de
dollars par an (Costanza et al., 1997).
Ces services écosystémiques fournis par les forêts sont multiples et peuvent être directs
ou indirects. De manière plus détaillée, ceux-ci peuvent être classés en trois catégories
distinctes : (1) les services de production, (2) les services de régulation et (3) les services
culturels (4) (Taye et al., 2021). Ils peuvent être évidents, comme la production de bois
par exemple, ou moins visibles, comme la purification de l’eau. Le tableau (Tableau 1.1)
cite quelques exemples de services rendus par les forêts.
Ainsi, la multiplicité de ces services écosystémiques fournis par les forêts souligne l’im-
portance d’étudier leur fonctionnement, leur diversité ainsi que le rôle qu’elles jouent, pour
les conditions de viabilité terrestres anthropiques ainsi que sur la majeure partie des orga-
nismes vivants.

1
Tableau 1.1 – Exemples de services écosystémiques rendus par la forêt. D’après Taye
et al. (2021) et Jenkins & Schaap(2018).

Services de production Services de régulation Services culturels

Conservation du sol :
diminution de l’érosion et
Production de Valeur esthétique,
filtration de l’eau ;
nourriture, bois, services de récréation,
Support pour la biodiversité
fibres et autres importance culturelle et
(80% des espèces terrestres) ;
produits forestiers spirituelle
régulation du climat par la
capture de CO2 ;

Les tendances générales montrent de fortes disparités en termes de couvert forestier

entre les régions sur le globe, avec une stagnation, voire une augmentation des surfaces
dans les pays dits “développés”, alors qu’une perte de surface peut être observée dans les
pays tropicaux. Les facteurs menaçant les forêts diffèrent également selon la région. Dès
lors, en région tropicale, la conversion des forêts pour l’agriculture constitue une menace
majeure tandis qu’au niveau des plus hautes latitudes, elle provient plutôt des bioagresseurs
(Sloan & Sayer, 2015). Les changements climatiques, quant à eux, bouleversent fortement
et rapidement les écosystèmes et leur biodiversité, et ce, à toutes les échelles (Mori et al.,
2017).
La notion de biodiversité des écosystèmes est un concept complexe étudié sous différents
angles et à différentes échelles ou niveaux d’organisation biologique. Ces niveaux passent
de l’étude de la génétique à celle des populations et des espèces, à celle des communautés et
des écosystèmes jusqu’à celle du paysage (NOSS, 1990). Selon Noss (1990), la biodiversité
peut être décomposée en trois composantes principales : la structure, la fonction et la
composition. Ces notions intimement liées peuvent être étudiées au moyen de différents
indicateurs et pour différentes échelles.
En gestion forestière, les inventaires de terrain et le suivi des peuplements permettent
justement de mesurer de nombreux indicateurs de structure, de composition et de fonction.
La structure peut, par exemple, être liée à la diversité de la taille des arbres ou à la présence
de bois mort. Tandis que la composition peut être liée à la richesse spécifique des espèces
ou à la diversité faunistique et floristique. L’aspect fonctionnel peut être associé au nombre
d’espèces qui possèdent des stratégies d’adaptation différentes (Dieler et al., 2017).

1.2 Le suivi des écosystèmes forestiers

Les menaces qui pèsent sur certains services écosystémiques fournis par les forêts en lien
avec le contexte actuel de changements environnementaux rendent compte de l’importance

2
de les étudier. L’étude des forêts permet de caractériser leur état momentané via notamment
l’analyse de leur structure et composition mais également de comprendre leur dynamique
temporelle via leur évolution dans le temps. Ceci menant plus largement au développement
de meilleures gestions forestières et politiques (Banskota et al., 2014).
Historiquement, l’évaluation et le suivi des forêts s’opèrent directement sur le terrain.
Néanmoins, le coût, le temps, la quantité et le détail des informations collectées peuvent
s’avérer limitants à une compréhension, qui se veut la plus globale possible, de la forêt.
Depuis quelques décennies, l’essor de différentes techniques de télédétection et leur appli-
cation dans le champ de la dendrométrie constituent un levier considérable pour améliorer
l’évaluation des ressources forestières. En effet, la télédétection offre l’opportunité de ba-
layer des écosystèmes entiers en minimisant la mobilisation d’équipes de terrain. Ces outils
permettent d’obtenir des coordonnées tridimensionnelles et sont mis à contribution, à titre
d’exemples, pour caractériser des individus ou des peuplements, réaliser des inventaires,
étudier la structure forestière ou encore cartographier les peuplements forestiers (Evans
et al., 2006 ; Mosbrucker et al., 2017).
Ces techniques se regroupent en deux catégories, la catégorie active telle que le LIDAR
(Light Detection and Ranging) et la catégorie passive telle que la photogrammétrie. Ces
deux méthodes ainsi que leurs avantages et inconvénients étant plus amplement détaillés
ci-après.

1.3 Description du principe de fonctionnement du LIDAR

et de l’ALS
Le système LIDAR se compose d’une source d’émission d’un rayonnement, le laser,
et d’un récepteur de ce rayonnement, le capteur. A intervalle régulier, le laser émet un
rayonnement vers l’objet ou surface étudiés qui est ensuite rétrodiffusé de manière à être
réceptionné par le récepteur (Ovigneur, 2005). Il en résulte l’obtention de nuages de points.
Ce système se décline lui-même en, d’une part, les systèmes lidar terrestres (TLS) et,
d’autre part, les systèmes lidar aériens (ALS) alors embarqués au sein d’un aéronef. Ce
dernier étant le système LIDAR exploité au sein du présent travail.
L’ALS se compose d’un aéronef sur lequel sont montés un scanneur laser émettant un
rayonnement par impulsions dont la fréquence et l’intensité sont variables, un récepteur
GNSS mesurant la position de l’avion et une unité de mesure inertielle mesurant l’orienta-
tion du capteur. Son fonctionnement consiste en l’émission d’impulsions lumineuses dont le
signal rétrodiffusé est capté afin d’en mesurer l’intensité en fonction du temps. Une onde est
ainsi obtenue dont les pics correspondent aux endroits où des éléments ont été interceptés
par le laser (Vandendaele, 2022).

3
 Il existe deux approches distinctes pour le de traitement des données de l’ALS, l’ABA
(Area-Based Approach) et l’ITD (Individual Tree Detection) (Vandendaele, 2022).
L’ALS et ses deux approches offrent des résultats d’une très grande précision et un gain
de temps conséquent pour l’acquisition des différentes mesures souhaitées. Néanmoins, le
recours à ce système est coûteux et son utilisation est difficilement accessible aux parti-
culiers et utilisateurs occasionnels. Plus spécifiquement aux approches ABA et ITD, leurs
principales limites résident dans le fait que l’ABA nécessite de travailler sur un nombre
conséquent de placettes au sol pour l’étalonnage et la validation des modèles via le recours
à une équipe sur le terrain (Vandendaele, 2022).
Enfin, en termes d’application, L’ALS est fortement utilisée pour la cartographie et
l’évaluation des ressources forestières sur une grande superficie, généralement supérieure à
400 hectares. Lorsque les surfaces à inventorier sont plus faibles, le LiDAR sur drone ou
ULS (Unmanned Laser Scanning). En effet, l’ULS permet de transporter un capteur Lidar
à l’aide d’un drone pour un moindre coût et fonctionne sensiblement de la même façon que
l’ALS (Vandendaele, 2022).

1.4 Description du principe de fonctionnement de l’imagerie

par drone et de la photogrammétrie
Un drone ou UAV (Unmanned Aerial Vehicle), est un aéronef télécommandé et donc
dépourvu de pilote. Il est muni d’instruments de navigation intégrés, d’une boussole et d’un
altimètre barométrique lui offrant une certaine autonomie de vol (Eisenbeiss & Sauerbier,
2011) ainsi que d’un capteur permettant de réaliser de l’imagerie aérienne. Les images
bidimensionnelles sont prises dans la partie visible du spectre et dans l’infrarouge proche
(Vandendaele, 2022).
A partir de la superposition de ces photographies bidimensionnelles, la photogrammétrie,
via notamment l’algorithme SfM (Structure from motion), génère des nuages de points
tridimensionnels ou DAP (Digital Aerial Photogrammetry) (He et al., 2022). On peut
obtenir un MNS (Modèle Numérique de Surface) sur base de ce nuage de point.
En tant que méthode passive, la photogrammétrie repose essentiellement sur la qua-
lité des images soumises aux traitements. Dès lors, le choix minutieux des capteurs, des
paramètres et des plans d’acquisition revêt une importance cruciale pour la création des
modèles numériques finaux. En outre, la qualité de la reconstruction photogrammétrique
dépend également de la géomorphologie et l’occupation des terres, du type de drone, de la
planification du vol et du traitement des images(Iglhaut et al., 2019).
L’essor des drones “grand public” et bon marché rend la technologie d’imagerie par drone
attractive, car peu coûteuse et accessible au plus grand nombre bien que son usage soit

4
réduit à de plus petites échelles. De plus, la photogrammétrie permet d’obtenir un MNS
et donc des informations d’une grande qualité sur le dessus de la canopée. Néanmoins,
selon White et al. (2013), deux facteurs limitent l’utilisation de la photogrammétrie dans
la caractérisation du couvert forestier, à savoir, l’absence de modèle numérique de terrain
(MNT) de qualité et la sous-représentation, voire la non-représentation des données du
sous-bois. C’est pourquoi, il est très courant de combiner le MNT issus de données LiDAR
aéroporté avec les nuages de points issus de la photogrammétrie afin de normaliser les
hauteurs et de sortir un MNH (Modèle Numérique de Hauteur) correct (McNicol et al.,
2021 ; Zhang et al., 2021).
Enfin, l’imagerie par drones offre de nombreuses applications en foresterie telles que la
réalisation d’inventaires des ressources, le suivi de la régénération forestière ou encore la
surveillance de la santé des forêts (Vandendaele, 2022).

5
Objectifs de l’étude

L’objectif principal de ce travail est d’étudier le potentiel du drone low-cost par rapport
au LiDAR ULS dans l’évaluation et la caractérisation de la structure de petites parcelles
de forêts tempérées (~ 0,1 ha) situées dans les Ardennes, en Belgique. Pour répondre à cet
objectif, plusieurs sous-objectifs ont été définis. Dans un premier temps, il s’agit d’évaluer
l’impact des paramètres d’inventaire et des conditions d’acquisition sur la qualité de la
reconstruction photogrammétrique. Cette qualité étant évaluée au travers (1) de la qualité
des images issues des relevés, (2) du processus de reconstruction photogrammétrique et (3)
des produits issus de la reconstruction photogrammétrique.
Dans un second temps, un focus est réalisé sur l’un des produits majeurs de la recons-
truction photogrammétrique, à savoir le Modèle Numérique de Hauteur (MNH). L’objectif
est de comparer la précision du drone low-cost à celle du LiDAR ULS acquis sur la zone
d’étude. Cette précision est analysée à travers différentes métriques caractérisant la struc-
ture de la canopée, largement utilisées dans le cadre d’une approche par surface (ABA).
La structure verticale est étudiée plus précisément, avec une mise en évidence de l’impact
de la saisonnalité et de la composition spécifique des parcelles forestières.

6
Matériel et méthodes

3.1 Aire d’étude

3.1.1 Caractéristiques générales
L’aire d’étude se situe en Belgique dans la zone bioclimatique des Ardennes. Selon
la classification de Köppen-Geiger, le climat de cette région naturelle est tempéré (Beck
et al., 2018). On y retrouve plus précisément des températures moyennes annuelles allant
de 7,7 °C pour la Haute Ardenne jusqu’à 8,7°C pour la Basse et moyenne Ardenne et
des précipitations moyennes annuelles variant de 1136 mm à 1219 mm respectivement
pour l’Ardenne centro-orientale et la Haute Ardenne (Van der Perre et al., 2015). Les
températures y sont plus faibles que dans les régions avoisinantes et la pluviométrie y est
généralement plus importante. Cela peut notamment s’expliquer par le relief particulier de
la région qui possède des altitudes plus élevées, variant de 400 à plus de 600 m.
C’est également la zone la plus boisée de Wallonie. La couverture forestière représente
au moins 40% du territoire, voire plus de 60% pour la Haute Ardenne ainsi que la Basse et
moyenne Ardenne. Notons que les peuplements de résineux y sont présents en plus grande
proportion et que ce sont les pessières qui dominent plus particulièrement le paysage. Pour
les peuplements de feuillus, on retrouve principalement des hêtraies et des chênaies (SPW.,
2016).

7
Figure 3.1 – Répartition des placettes au sein de la zone d’étude, caractérisées par les deux
critères de “diversité” et de “typologie” décrits dans la partie “Méthodologie de sélection
des placettes de l’étude”.

3.2 Sélection des placettes

Les placettes étudiées ont été sélectionnées à partir d’un sous-échantillon de l’, collecté
dans le cadre d’une étude non publiée. La méthodologie d’échantillonnage des placettes de
l’ permet d’avoir une vision d’ensemble de la forêt wallonne (Rondeux & Lecomte, 2010).
Or, cette nouvelle étude a en partie pour objectif d’évaluer la précision de la méthodologie
de l’. Ce sous-échantillon de l’ vise à apporter des informations plus précises en effectuant
un inventaire de terrain sur les arbres de plus de 20 cm de circonférence à 1,5 m de hauteur
présents sur l’entièreté d’une placette de 18 m de rayon. Ces nouveaux relevés ont été effec-
tués dans le courant de l’année 2022-2023, avant le débourrement des feuillus. L’inventaire
effectué suit principalement les recommandations du protocole de l’ décrit dans le “Guide
à destination des utilisateurs” (ACRVF, 2016). Ainsi, l’inventaire de terrain très détaillé
de ce sous-échantillon de l’ offre la possibilité de comparer des données de terrain avec les
données collectées par drone pour ce travail.

Parmi les données disponibles, on retrouve entre autres des informations sur la structure,
la composition, la hauteur moyenne et le nombre de tiges à l’hectare des 107 placettes qui

8
constituent ce sous-échantillon de l’. Au sein de chaque placette, les hauteurs sont mesurées
à l’aide de l’outil Vertex sur une quinzaine d’arbres de différents statuts afin d’avoir une
représentativité des arbres dominés, codominants et dominants.

3.3 Méthodologie de sélection des placettes de l’étude

Cette étude vise à comparer des relevés issus d’un drone low-cost et grand public à
ceux d’un drone professionnel équipé d’un capteur LiDAR. Ces relevés sont effectués sur 18
placettes circulaires de 18 m de rayon, issues du sous-échantillon de l’ décrit précédemment.
Le nombre de placettes à inventorier a été principalement choisi sur base de contraintes
logistiques et temporelles. Pour ces raisons, il a été préalablement établi qu’il était possible
d’échantillonner environ 20 placettes.
Les placettes ont été sélectionnées de manière à disposer d’un échantillon représentatif
de la variabilité des grands types de forêts présents dans la zone d’étude à partir de deux
critères principaux : un critère dit de “typologie” et un critère de “diversité”. Ceux-ci sont
essentiellement construits à partir des données du sous-échantillon de l’.
Le critère de "typologie" se décline en trois modalités : feuillus, résineux ou mixte. Pour
être classée dans ces deux premières modalités, la placette doit être composée à 100 %
de feuillus ou de résineux. La modalité mixte est définie par une proportion de résineux
ou de feuillus comprise entre 25 et 75 %. Ce seuil est défini par la comme explicité dans
les typologies du Système d’information européen sur la nature ou typologies (Louvel &
Gaudillat, 2013).
Le critère de “diversité” se divise en deux modalités : faible ou haute diversité. Ces
modalités ont principalement été établies à partir de la composition spécifique et de la
structure des peuplements.
La composition spécifique fait référence à la proportion des espèces au sein de chaque
placette (Annexe 1). Ainsi, une placette appartient à la modalité faible du critère de “diver-
sité” lorsqu’elle est composée à 100 % ou presque d’une seule et même espèce. À l’inverse,
elle est classée en “diversité” haute au plus elle a une grande richesse spécifique et au
plus la proportion de l’espèce dominante est faible. La composition spécifique est une ca-
ractéristique du niveau de “diversité” qui est plus particulièrement discriminante pour les
résineux.
Pour la structure, on distingue principalement deux types : la futaie à un étage (F1etg) et
la futaie jardinée (Fjard). La première se caractérise par des arbres d’âges et/ou de dimen-
sions similaires. La régénération peut y être naturelle ou artificielle. La seconde est consti-
tuée d’arbres d’âges divers, dont les dimensions en grosseur et en hauteur ne se régularisent
pas avec le temps ((Inventaire Permanent des Ressources forestières de Wallonie (IPRF))).
Les placettes en Fjard présentent par définition une plus grande diversité structurelle ce

9
qui les place dans la catégorie de haute “diversité”. La structure est une caractéristique du
niveau de “diversité” qui est plus particulièrement discriminante pour les peuplements de
feuillus et les peuplements mixtes.
Ce critère de “diversité” vise à rendre compte d’une certaine diversité fonctionnelle en
combinant des indicateurs de structure et de composition. Cependant, ces indices se foca-
lisent spécifiquement sur ces deux aspects. Il est possible qu’ils ne capturent que partielle-
ment, voire pas du tout, la notion de diversité fonctionnelle ou de trait fonctionnel. Ainsi,
la sélection des placettes sur base de ces deux critères vise principalement à caractériser la
diversité structurelle à l’échelle du peuplement forestier (~ 10 ares).
Concernant le plan d’échantillonnage, il y a donc deux modalités pour le critère de
“diversité” et trois modalités pour celui de “typologie”, soit 6 modalités différentes. Le
nombre maximum de placettes pouvant faire l’objet de relevés étant de 20, il est possible
d’effectuer 3 répétitions pour un total de 18 placettes. Afin de minimiser les différences
entre ces répétitions, il est nécessaire de sélectionner un même type d’essence pour les
différents types de “typologie”. Ainsi, on retrouve des peuplements d’épicéas (Picea abies)
pour les résineux, de hêtre (Fagus sylvatica) pour les feuillus et un mélange des deux pour
les peuplements mixtes. La synthèse de ce plan d’échantillonnage et de la méthode de
sélection des placettes peut être retrouvée dans la figure suivante (Figure 3.2).

10
Figure 3.2 – Plan d’échantillonnage et résumé du processus de sélection des placettes
pour le critère de “diversité”. Les caractéristiques les plus discriminantes sont affichées en
orange. (F2etg = futaie à deux étages).

Le sous-échantillon de l’ contenant peu de peuplements mixtes, il n’a pas été possible

d’obtenir assez de placettes respectant le critère de “diversité”. En effet, une seule placette
mixte a pu être identifiée dans la catégorie de haute “diversité”. Afin de garantir un même
nombre de répétitions entre les différents types de “typologie”, deux nouvelles placettes ont
été sélectionnées à proximité de placettes de feuillus en haute “diversité”. La visualisation
de ces placettes de feuillus à partir d’orthoimages a permis d’identifier et de sélectionner
des nouvelles placettes à proximité avec environ 50 % de résineux (Figure 3.3). Il est
donc important de noter que ces deux nouvelles placettes ne disposent pas des données
d’inventaire du sous-échantillon de l’, ce qui impactera la représentativité des peuplements
mixtes dans les analyses décrites plus loin.

11
 Figure 3.3 – Visualisation des deux placettes du sous-échantillon de l’ (5.2 et 18.2, en
rouge) et des deux nouvelles placettes (5.1 et 18.1, en rouge), ainsi que des zones de survol du
drone (tampon, en bleu) décrites dans la section “plan de vol” (fonds de plan : Orthophotos
2021, résolution de 25 cm).

3.3.1 Placettes sélectionnées

Les placettes sont numérotées de 1 à 18. Les deux placettes supplémentaires décrites
précédemment, correspondent aux placettes 5.1 et 18.1.

Tableau 3.1 – Répartition des placettes au sein des différents critères de “typologie” et
“diversité”.

haute diversité faible diversité

Placettes F Placettes R Placette mixte Placettes F Placettes R Placette mixte
8 1 17 12 15 16
3 10 18_1 11 14 13
4 6 5_1 9 7 2

3.4 Collecte des données de drones

Les données ont été récoltées à l’aide de deux drones : le DJI Mini 2 (Mini 2) et le
DJI Matrice 300 RTK (M300). Une première campagne de mesure a eu lieu hors saison de
végétation à la mi-mars 2023 avec les deux drones. Une deuxième campagne a été effectuée
fin mai et début juin 2023 en période de feuillaison et uniquement à l’aide du M2.

12
3.4.1 Caractéristiques des plateformes
Les relevés photogrammétriques ont été effectués à l’aide du DJI Mini 2. C’est un drone
multi-rotor de petite taille qui pèse moins de 250 gr. Il est compact, relativement facile
d’utilisation et son prix reste abordable (~ 500 €). Ce drone a une portée de plusieurs
kilomètres qui peut fortement varier en fonction des interférences. Notons que sur le terrain
on constate parfois des problèmes de connexion dès 500 mètres de distance. Une batterie
permet une autonomie de vol d’environ 20 minutes.
Les relevés LiDAR ont, quant à eux, été réalisés à l’aide de la plateforme DJI Matrice 300
RTK. Ce drone multi-rotor est bien plus imposant que le Mini 2 puisqu’il pèse environ 6,3
kg avec ses batteries et qu’il peut peser jusqu’à 9 kg avec des équipements supplémentaires.
Le prix de ce drone professionnel est nettement moins abordable que le Mini 2 puisqu’il
s’élève à environ 13 000 € pour la plateforme et quelques accessoires de base (batteries,
télécommande, hélices, etc.). Or, pour les relevés LiDAR, le M300 nécessite l’ajout d’un
capteur, le Zenmuse L1, pour la somme de 10 500 €. Une comparaison des caractéristiques
de base de ces deux plateformes, telles que fournies par le fabricant, est détaillée dans le
tableau qui suit (Tableau 3.2).

Tableau 3.2 – Caractéristiques des plateformes DJI Mini 2 et DJI Matrice 300.

Caractéristiques Mini 2 M300

Poids <0,249 kg 6,3 kg
Charge utile max. / 2,7 kg
Dimensions (déplié) 159×203×56 mm 810×670×430 mm
Vitesse max. 57,6 km/h 82,8 km/h
Résistance au vent max. 30,6 – 37,8 km/h 43,2 km/h
Temps de vol max. 31 min 55 min
Plage de t° de fonctionnement 0°C à 40°C -20°C à 50°C
Système de positionnement GPS+GLONASS GPS+GLONASS+
+GALILEO BeiDou+Galileo
Distance de transmission max. 10 km 15 km

Le Mini 2 est équipé d’une caméra RVB intégrée et dotée d’un capteur CMOS de
1/2,3" avec une résolution de 12 MP. L’objectif possède une distance focale de 24 mm (en
équivalent 35 mm) et offre un champ de vision de 83°. En mode photographie, on a une
ouverture fixe de f/2,8 et une plage de mise au point s’étendant de 1 m à l’infini.
Le processus de reconstruction photogrammétrique est effectué sur Agisoft Metashape

13
 (Agisoft, 2019), qui propose des recommandations concernant les capteurs. Ces recomman-
dations ont pour but d’optimiser la qualité de la reconstruction. Il est suggéré d’éviter
les objectifs fisheye ou grand-angle et de privilégier une distance focale de 20 à 80 mm en
équivalent 35 mm, d’avoir une résolution raisonnablement élevée ( 5 MP) et de préférer une
focale fixe. On peut observer que le Mini 2 remplit parfaitement ces critères, garantissant
ainsi une qualité de reconstruction minimale (Tableau 3.3). Concernant les paramètres de
la caméra, il est recommandé d’avoir une sensibilité ISO la plus faible possible, une vitesse
d’obturation rapide et d’enregistrer les données au format RAW. Ces critères sont plus
détaillés dans la section “Conditions d’acquisition”.

Tableau 3.3 – Caractéristiques de la caméra du DJI Mini 2 et recommandations du logiciel

Agisoft Metashape.

Caractéristiques Valeurs Recommandations Metashape

Capteur CMOS 1/2,3" /
Résolution effective 12 MP 5 MP
Distance focale 24 mm (équivalent 35 mm) 20 à 80 mm (équivalent 35 mm)
Ouverture f/2,8 (fixe) Focale fixe
ISO 100-3200 (Auto/Manuel) Valeur la plus basse possible
Vitesse d’obturation Électronique : 4-1/8000 s Valeur la plus rapide possible
Système de fichiers FAT32 ( 32 Go), exFAT (>32 Go) /
Formats de fichiers d’images JPEG/DNG (RAW) RAW

Le capteur LiDAR Zenmuse L1, offre une plage de détection allant jusqu’à 190 m pour
une réflectivité de 10 %. Il est capable de mesurer jusqu’à 240 000 points par seconde lors
d’un seul retour et jusqu’à 480 000 points par seconde lors de retours multiples. Ce capteur
présente, selon le fabricant, une précision de 10 cm dans le plan horizontal et de 5 cm dans
le plan vertical pour une distance de 50 m.

14
 Tableau 3.4 – Caractéristiques du capteur Zenmuse L1.

Caractéristiques Valeurs
Poids 0,93± 0,01 kg
Dimensions 152 × 110 × 169 mm
max. 240 000 pts/s
Vitesse d’enregistrement
(retour unique)
max. 480 000 pts/s
(retour multiple)
Précision du système Horizontal : 10 cm à 50 m
Vertical : 5 cm à 50 m
Nombre de retours max. 3

Plus de détails sur le M300 [https://enterprise.dji.com/matrice-300/specs], le

Mini 2 [https://www.dji.com/be/mini-2/specs] et le capteur Zenmuse L1 [https://
enterprise.dji.com/zenmuse-l1/specs] peuvent être retrouvés sur le site officiel du
fabricant.

3.4.2 Plan de vol

Photogrammétrie
Le plan de vol et les paramètres qui le caractérisent sont définis à l’avance dans l’ap-
plication Dronelink (Dronelink LLC., Austin, USA ; v.4.4.0). Pour rappel, les placettes à
inventorier sont circulaires et mesurent 18 m de rayon pour une surface d’environ 0,1 hec-
tare. Lors de relevés photogrammétriques, il est important de prendre un certain tampon
autour de la zone d’intérêt afin de limiter les défauts de reconstruction près des bords.
En effet, on observe souvent des artefacts et des incohérences sur les bords en raison du
chevauchement d’images qui y est inévitablement plus faible (Figure 3.4).

15
Figure 3.4 – Exemple d’artefacts aux bordures d’une reconstruction photogrammétrique :
Les résineux présents sur l’orthoimage (a) sont faussement représentés par des feuillus dans
la zone encadrée en orange sur l’orthoimage (b).

Le tampon, de forme carrée et mesurant 110 m de côté, est centré sur les placettes. En
excluant d’autres facteurs externes, cette configuration offre un chevauchement d’images
optimal pour couvrir notre zone d’intérêt, la placette (Figure 3.5). Le taux de chevauche-
ment ou de recouvrement longitudinal et transversal est de 85 % pour cette étude.

16
Figure 3.5 – Exemple du nombre de chevauchements d’images (indiqué par la légende)
pour un tampon de 110 m de côté et une placette circulaire de 18 m de rayon (a). Illustration
du recouvrement longitudinal et transversal (b).

La trajectoire du drone couvre la surface du tampon de façon rectiligne avec une prise
de vue nadir (Figure 3.6). Cette prise de vue implique que la caméra soit orientée perpen-
diculairement au sol et vers celui-ci. L’altitude de vol est fixée à 90 m. Il est cependant
important de préciser que le drone considère cette altitude à partir de son point de décol-
lage. Ainsi, pour une même placette et un même plan de vol, il est possible de survoler la
canopée avec une hauteur variable puisqu’elle dépend de l’endroit d’où décolle le drone.
La vitesse maximale du drone est fixée à 9 km/h. Tous les paramètres cités précédemment
permettent d’estimer un temps de vol d’environ 6 minutes, auquel il faut ajouter le temps
de déplacement entre le lieu de décollage et le lieu qui correspond au début de la prise
d’images. On estime également que le drone parcourt une distance de moins de 800 m et
qu’il réalise une série d’environ 48 photographies. La distance d’échantillonnage au sol ou
ground sampling distance (GSD) est, quant à elle, supposée faire 3,20 cm/px. Le résumé du
plan de vol pour la photogrammétrie peut être retrouvé dans le tableau suivant (Tableau
3.5).

17
Figure 3.6 – Visualisation d’un plan de vol dans l’application Dronelink (a) avec le tampon
(carré blanc), le tracé de la trajectoire (ligne pleine bleue) ainsi que le lieu de décollage (à
droite du tampon). Illustration de la prise de vue nadir (b).

Tableau 3.5 – Plan de vol pour les relevés photogrammétriques.

Plan de vol
Plateforme Mini 2
Modèle caméra Mavic Mini 2
Angle caméra 90°
Recouvrement latéral 85%
Recouvrement longitudinal 85%
Altitude 90 m
Surface 1,2 ha
Vitesse 9 km/h
Paramètres estimés
Distance 800 m
Nombre d’images 48
GSD 3,20 cm/px

LiDAR
Le plan de vol du LiDAR est sensiblement le même que celui de la photogrammétrie.
Les relevés sont effectués sur les mêmes zones tampons mais pour une altitude de 100 m.
Il est important de rappeler que les relevés sont exclusivement réalisés pendant la période
hivernale, en opposition aux relevés photogrammétriques qui sont menés tant en hiver qu’au
printemps. La durée du vol est d’environ 4 minutes. Pour inventorier les surfaces forestières,

18
il est recommandé de maximiser la précision en sélectionnant le mode de balayage répété
avec une fréquence d’échantillonnage de 160 kHz. La quantité de points mesurés et la
pénétration de la canopée sont quant à elles maximisées par le mode triple écho, c’est-à-
dire, par un nombre de 3 retours d’impulsions laser. La phase de décollage est caractérisée
par un préchauffage indispensable qui dure environ 5 minutes. Cette phase a pour objectif
de calibrer le système RTK (Real Time Kinematic), une technologie qui permet d’appliquer
des corrections GNSS à l’échelle centimétrique, contribuant ainsi à améliorer la précision du
positionnement GPS. Le résumé du plan de vol LiDAR peut être retrouvé dans le tableau
suivant (Tableau 3.6).

Tableau 3.6 – Plan de vol pour les relevés LiDAR.

Plan de vol
Plateforme Matrice 300
Capteur LiDAR Zenmuse L1
Recouvrement latéral 50%
Altitude 100 m
Surface 1,2 ha
Vitesse 36 km/h
Nombre de retours 3
Mode de balayage Balayage répété
Fréquence d’échantillonnage 160 K/s

3.5 Conditions d’acquisition

Les conditions d’acquisition font ici référence à une partie des paramètres environne-
mentaux et opérationnels qui entourent le processus de collecte de données. Il est important
de prendre en compte ces conditions car elles impactent la précision des données collectées.
Les paramètres météorologiques pris en considération pour décrire les conditions de vol
lors de chaque relevé sont la vitesse du vent et la couverture nuageuse.
La vitesse du vent est déterminée à partir des données climatiques fournies par l’Institut
Royal Météorologique de Belgique (IRM) ainsi que la station de Charleville-Mézières en
France. La distance entre les placettes et les différentes stations météorologiques a été
calculée afin de prendre les données météorologiques de la station la plus proche. Plus de
la moitié des placettes se situent à proximité de la station de Saint-Hubert. Une fois les
stations météorologiques identifiées, les mesures de la vitesse du vent et des rafales (vitesse
maximale) de l’heure correspondant au début du vol ont été enregistrées.
La nébulosité caractérise la couverture nuageuse présente dans le ciel au moment du vol.
Elle est souvent quantifiée à l’aide de l’octa par les météorologues (Yaïche & Bekkouche,

19
2010). En effet, cette unité de mesure subjective vise à estimer visuellement la proportion
du ciel recouverte de nuages sur une échelle de 8. Ainsi, si la nébulosité est de 0, 4 ou 8,
alors le ciel est respectivement, dépourvu de nuage, à moitié couvert et totalement couvert.
C’est donc avec cette méthode que la nébulosité a été évaluée. Il faut garder à l’esprit que
les résultats de cette méthode varient en fonction de l’opérateur.
La topographie, bien qu’elle reste constante au niveau d’une placette, a un impact sur
la qualité et la précision des données. Pour la prendre en compte, les paramètres de pente
et de variation d’altitude sont inclus. La pente est acquise à partir des données du sous-
échantillon de l’{ et est mesurée sur le terrain conformément au protocole IFA. L’altitude
maximale et minimale sont obtenues à partir du Modèle Numérique de Terrain (MNT)
dérivé du LiDAR de la Wallonie pour l’année 2022. En calculant la différence entre ces deux
altitudes, on obtient un deuxième paramètre pour représenter la pente. Il est important de
préciser que la pente est mesurée sur la placette de 18 m de rayon tandis que les altitudes
sont définies à partir du tampon de 110 m de côté.
Les paramètres de sensibilité ISO et de vitesse d’obturation sont également pris en consi-
dération, bien qu’ils puissent être ajustés. Cela est dû à leur impact sur la précision des
données, étroitement liée à des facteurs météorologiques tels que le vent et la nébulosité.
On peut décrire l’impact qu’ont ces paramètres sur la qualité de l’image à travers un grand
principe de la photographie : le triangle d’exposition (Figure 3.7). Le triangle d’exposition
relie l’exposition d’une photographie à l’ouverture, à la vitesse d’obturation et à la sensi-
bilité ISO. L’idée est d’ajuster un ou plusieurs de ces paramètres afin d’obtenir une image
correctement exposée, c’est-à-dire ni trop lumineuse ni trop sombre.

Figure 3.7 – Triangle d’exposition.

20
 Pour rappel, l’ouverture de la caméra du Mini 2 est fixée à f/2,8. Il n’y a donc que
la sensibilité ISO et la vitesse d’obturation qui peuvent varier pour ajuster l’exposition.
En présence d’une forte nébulosité et donc d’une faible luminosité, il peut être nécessaire
d’augmenter la sensibilité ISO et/ou la vitesse d’obturation. Or, plus on augmente les ISO,
plus on crée du grain ou du bruit sur l’image, ce qui diminue la qualité de celle-ci. Plus
on augmente la vitesse d’obturation, plus la netteté de l’image diminue. Il faut préciser
que cette affirmation sur la vitesse d’obturation est intrinsèquement liée au mouvement de
l’objet photographié ou au propre mouvement du capteur. Le drone étant en mouvement
et la canopée étant mise en mouvement par le vent, il faut faire d’autant plus attention à
ce paramètre.
Les images capturées lors des relevés photogrammétriques l’ont presque exclusivement
été avec une valeur de 100 ISO, ce qui correspond à la valeur minimale prise en charge par
le capteur du Mini 2. Pour toutes les images, on retrouve une gamme de valeurs situées
entre 100 et 400 ISO. En ce qui concerne la vitesse d’obturation, on retrouve beaucoup
plus de variabilité avec des gammes de valeurs allant de 0,00125 s (1/800) à 0,125 s (1/8).

3.6 Traitement des données de drones

3.6.1 Traitement des données LiDAR
Les nuages de points 3D acquis à partir des relevés LiDAR du Zenmuse L1 sont traités
avec R via RStudio (RStudio, Inc., Boston, USA ; v. 4.3.0). Le processus de traitement des
données LiDAR se déroule avec le package lidR (Roussel et al., 2020) en trois étapes : la
classification du nuage de point, la normalisation du nuage de point classifié et la génération
de différents produits raster (MNT et MNH).
Une partie du bruit des données LiDAR brutes est retirée avant de passer à la classifi-
cation des points. Cette classification est ensuite réalisée avec l’algorithme csf proposé par
Zhang et al. (2016). Une fois que le nuage de points est classifié, on peut normaliser les
hauteurs à l’aide de l’algorithme knnidw. La normalisation a pour but de rendre les nuages
de points comparables et compatibles avec les autres traitements. Finalement, le nuage de
points normalisé permet à son tour de générer un MNT et un MNH avec une résolution
fixée à 0,5 m. Le MNH est généré en utilisant l’algorithme de points à raster (p2r).
Il faut préciser et rappeler que les données LiDAR ont été acquises pour une zone
tampon de 110 mètres de côté. Or, ce travail se concentre spécifiquement sur les placettes
de 18 m de rayon sélectionnées. Ainsi, les MNH générés sont découpés afin de caractériser
l’étendue des placettes. Cependant, ils ne sont pas découpés pour un rayon de 18 m mais
pour un rayon de 25 m autour du centre initial de la placette. En effet, comme précisé
dans Lisein et al. (2014), il est plus judicieux de prendre un rayon un peu plus large afin
de prendre en compte le houppier des arbres en bord de placette (Lisein et al., 2014). Une

21
étude en Amérique du Nord sur la taille des couronnes de peuplement de feuillus décrit
un diamètre moyen de maximum 7,62 m (Song et al., 2010). Le diamètre des placettes a
ainsi été augmenté du double de cette valeur pour l’analyse des MNH afin de prendre une
certaine marge.

3.6.2 Traitement des données photogrammétriques

Les images obtenues à l’aide du Mini 2 sont traitées avec Agisoft Metashape (Agisoft
LLC., St. Petersburg, Russie ; v. 2.0.2), RStudio ainsi que le logiciel open-source QGIS (v.
3.30.3). Le processus de traitement photogrammétrique dans Metashape se déroule en trois
étapes : l’alignement des images, la génération du nuage de points dense et l’extraction de
l’orthomosaïque (Tableau 3.7). Les étapes précédemment décrites dans la partie “Traite-
ment des données LiDAR” sont aussi réalisées dans RStudio à partir du nuage de points
dense de la photogrammétrie.
Les images prises pour chaque relevé sont d’abord importées dans le logiciel Metashape.
Leur qualité est ensuite évaluée par une inspection visuelle et une estimation automatisée
proposée par le logiciel. Les images ayant une qualité inférieure à 0,5 sur une échelle de 0 à
1 (Agisoft, 2019) ainsi que les images floues sont éliminées du jeu de données. Les valeurs
minimales et maximales de chaque relevé sont recueillies pour servir d’indicateurs de qualité
de la reconstruction photogrammétrique dans les analyses ultérieures. On constate que la
plage des valeurs pour l’ensemble des images de tous les relevés s’étend de 0,615 à 0,926.
Le processus d’alignement des images est ensuite réalisé en sélectionnant des paramètres
dits “classiques” et recommandés pour nos types de relevés (Agisoft, 2019 ; Over et al.,
2021). Néanmoins, cette procédure ne permettant pas d’obtenir des résultats satisfaisants,
il est nécessaire de l’adapter pour obtenir une proportion d’images alignées plus impor-
tante. Avant de réaliser cette nouvelle procédure, dite “coercitive”, on adapte le niveau de
luminosité et de contraste des images en utilisant les ajustements proposés par Metashape.
La nouvelle procédure vise principalement à forcer Metashape à détecter autant de points
caractéristiques que possible (Key point) et à ne pas limiter les points de liaison (Tie point)
lors de l’alignement des images. L’étape d’alignement fournit également des indicateurs de
la qualité de la reconstruction photogrammétrique à partir de la proportion d’images ali-
gnées lors de la première et de la deuxième procédure ainsi que du nombre de points de
liaison.
Les points de liaison permettent d’avoir un premier nuage de points clairsemés, à partir
duquel un nuage de points dense est généré. Ce nuage de point dense permet de finalement
extraire une orthomosaïque ou orthophoto. Malgré la procédure “coercitive”, on peut encore
observer des lacunes dans les produits générés à partir de quelques relevés (Figure 3.8).
Ainsi, la proportion de la surface de l’orthophoto reconstruite pour une placette de 25 m de
rayon et sa résolution sont aussi utilisées en tant qu’indices de qualité de la reconstruction
photogrammétrique dans les analyses.

22
Figure 3.8 – Orthomosaïques générées pour trois relevés sur les placettes de 25 m de
rayon : (a) Reconstruction complète, (b) Reconstruction partielle, et (c) Reconstruction
limitée.

Le nuage de points dense est également extrait de Metashape sous forme de fichier LAS,
soit le même format que celui d’un nuage de points LiDAR. Celui-ci est ensuite traité dans
RStudio et subit le même traitement que les données LiDAR afin d’en extraire un MNH.
En raison de la plus faible précision du système de localisation du Mini 2, un décalage
se produit dans la position du MNH issus de la photogrammétrie. Il est nécessaire de
réaligner ce dernier avec le MNH dérivé du LiDAR, si l’on veut pouvoir comparer ceux-
ci dans les analyses ultérieures. L’outil de géoréférencement du logiciel QGIS a permis
d’ajouter manuellement des points de contrôle afin de les aligner.

3.7 Analyses statistiques

3.7.1 Description du jeu de données
Le jeu de données contient 40 observations, correspondant aux 18 placettes sélectionnées
à partir du sous-échantillon de l’ et aux deux placettes supplémentaires comme décrit dans
la section “Méthodologie de sélection des placettes de l’étude”. Ce nombre est multiplié
par deux puisque les relevés ont été effectués deux fois, avant et pendant la période de

23
 Tableau 3.7 – Paramètres des traitements photogrammétriques sur Metashape.

Traitements Paramètres
Accuracy : High
Generic preselection : Yes
Alignement des images
Reference preselection : No
(procédure classique)
Key point limit : 40 000
Tie point limit : 4 000
Accuracy : High
Generic preselection : No
Reference preselection : Estimated
Alignement des images Key point limit : 0
(procédure coercitive) Tie point limit : 0
Exclude stationary tie points : No
Guided image matching : Yes
Adaptative camera model fitting : No
Quality : High
Génération du nuage de points denses
Filtering mode : Mild
Blending mode : Mosaic
Surface : Mesh
Génération de l’orthomosaïque
Enable hole filling : Yes
Enable ghosting filter : No

végétation. Ces 40 observations sont décrites dans un premier temps par un total de 34
variables, dont 22 variables quantitatives et 12 variables qualitatives.
Les variables du jeu de données peuvent être classées en quatre catégories distinctes : les
données d’inventaire, les données liées au traitement photogrammétrique, les données rela-
tives aux conditions d’acquisition et les données fournissant des indices de variabilité. Les
données provenant des catégories de traitement photogrammétrique et d’indices de variabi-
lité visent principalement à décrire la qualité de la reconstruction photogrammétrique. Les
analyses qui suivent vont ainsi pouvoir décrire l’impact des variables issues des catégories
de données d’inventaire et de conditions d’acquisition sur la qualité de la reconstruction
photogrammétrique.

3.7.2 Description des variables

Dans la catégorie des données d’inventaire, on retrouve les variables suivantes : structure,
compoid , hmoy, gha, nha et pl. Elles décrivent respectivement la structure, la composition
spécifique, la hauteur moyenne, la surface terrière, le nombre de tiges par ha des peuple-
ments issus du sous-échantillon de l’ et fait la distinction entre les différentes placettes

24
inventoriées. Cette catégorie regroupe également les variables div et compoprop qui per-
mettent d’identifier les placettes selon les critères de “diversité” et de “typologie” décrits
précédemment.

La catégorie suivante rassemble les variables issues du traitement photogrammétrique :

recortho , al1 , propal , tiept , qualmin , qualmax , qualmoy et reso. On retrouve respectivement
la proportion de l’orthoimage reconstituée après les traitements photogrammétriques, si
l’alignement des images a été un succès dès la première procédure d’alignement, la pro-
portion d’images alignées après les deux procédures d’alignements, le nombre de points de
correspondances détectés après l’alignement, un indice de qualité minimale, maximale et
moyenne des images selon un algorithme intégré au logiciel Metashape, et enfin, la résolu-
tion de l’orthoimage créée à l’issue du traitement photogrammétrique.

Une autre catégorie réunit les variables correspondant aux conditions d’acquisition :
vent, ventmax , nebu, saison, altmax , altmin , altet , pente, isomoy , shuttermoy , h10 , h5 , h3 ,
h2 . Ces variables correspondent respectivement à la vitesse du vent mesurée au début du
relevé pour chaque période d’une heure, la vitesse du vent maximum enregistrée durant
cette période, la nébulosité, la période à laquelle le relevé a été effectué, l’altitude minimum
mesurée à partir des données LiDAR 2020-2021 de la Wallonie et d’une résolution de 1 m,
l’altitude maximum issue de ces mêmes données, la différence entre l’altitude maximale et
minimale (étendue des altitudes), la pente issue de l’inventaire de terrain 100 placettes,
la moyenne des sensibilités ISO ainsi que la moyenne des vitesses d’obturation des photo-
graphies d’une placette et l’heure à laquelle le relevé a commencé, cette dernière variable
étant discrétisée en 10 classes, 5 classes, 3 classes et 2 classes.

Finalement, on retrouve une dernière catégorie regroupant des indices de variabilité :

rmse, rmserelative , mse et mae. Ces variables sont respectivement la racine de l’erreur qua-
dratique moyenne, la racine de l’erreur quadratique moyenne relative, l’erreur quadratique
moyenne et l’erreur absolue moyenne des hauteurs issues des MNH du LiDAR et de la
photogrammétrie. Ces métriques servent ainsi à quantifier une certaine variabilité verti-
cale entre le LiDAR et la photogrammétrie. Celles-ci seront plus précisément décrites dans
la partie “Analyse des modèles numériques de hauteur (MNH)”. Certaines variables sont
quelque peu redondantes et relativement similaires dans le but d’observer les similitudes
ou différences de comportement lors des analyses. On peut retrouver en annexe un tableau
récapitulatif de toutes ces variables (Annexe 2).

25
3.7.3 Analyse Multivariée
Une analyse factorielle est réalisée afin d’explorer la structure des données multivariées
décrites précédemment et afin de mettre en évidence l’existence de potentielles relations
entre ces variables. On est en présence de variables mixtes (quantitatives et qualitatives)
et l’on souhaite qu’elles participent toutes activement à l’analyse factorielle. Dans ce cas
de figure, il est très fréquent d’avoir recours à une Analyse des Correspondances Multiples
(ACM) en transformant les variables quantitatives en variables qualitatives. Cependant,
cette méthodologie n’est pas recommandée lorsque le nombre de variables qualitatives
est très faible par rapport au nombre de variables quantitatives et/ou lorsque le nombre
d’individus est faible (<100) (Pagès, 2004). Le nombre d’individus étant de 40, il est plus
adéquat d’avoir recours à une Analyse Factorielle de Données Mixtes (AFDM).
Cette analyse est réalisée dans RStudio à l’aide du package FactoMineR (Lê et al.,
2008).

3.7.4 Machine learning

L’analyse multivariée est complétée par du machine learning, nommé apprentissage au-
tomatique en français. Plus précisément, on utilise l’algorithme d’apprentissage de forêts
aléatoires, ou Random Forest (RF), afin d’identifier les variables qui prédisent le plus la
qualité de la reconstruction photogrammétrique au regard des conditions d’acquisition et
des données d’inventaire.
La qualité de la reconstruction photogrammétrique est en particulier étudiée à partir
de trois variables susceptibles de décrire la qualité des images obtenues, du processus de
reconstruction photogrammétrique et des produits issus de ce processus. Ces trois variables
sont respectivement l’indice de qualité moyen des images fourni par le logiciel Metashape
(qualmoy ), le succès de l’alignement des images lors de la procédure “classique” (al1 ) et la
racine de l’erreur quadratique moyenne entre les hauteurs des MNH issus du LiDAR et de
la photogrammétrie (rmse).
Le principe de base du RF repose sur la création d’un ensemble de multiples arbres de
décision, chaque arbre étant construit de manière aléatoire à partir d’un sous-échantillon ou
d’un bootstrap des données originales (Rieger et al., 2010). Il est principalement utilisé pour
des tâches de classification ou de régression et permet de donner un ordre d’importance
à chaque variable du jeu de données. La contribution d’une variable est plus précisément
quantifiée à travers une mesure de la réduction de l’impureté dans le cas de la classifi-
cation et d’une erreur quadratique moyenne dans le cas de la régression. Cette méthode
relativement simple est d’autant plus pertinente qu’elle gère efficacement les petites tailles
d’échantillons ainsi que les espaces de dimensions élevées, ce qui correspond justement à la
structure des données de cette étude (Biau & Scornet, 2016).

26
 Les RF sont constitués de 1000 arbres de décision. En régression, ils produisent deux
indices : la réduction de l’erreur quadratique moyenne (MSE) et la pureté des nœuds.
L’analyse MSE met en évidence l’impact des autres variables sur la prédiction. La pureté des
nœuds révèle les variables favorisant la séparation optimale des données. En classification,
on utilise le positionnement multidimensionnel (MDS) pour visualiser la similarité entre
individus.
Cette analyse est réalisée dans RStudio à l’aide du package randomForest (Liaw &
Wiener, 2002).

3.7.5 Données manquantes

Avant de pouvoir réaliser le RF, il est nécessaire d’avoir un jeu de données complet.
Or on retrouve dans ce travail la présence de quelques données manquantes. Celles-ci
sont imputées dans RStudio à l’aide d’un autre RF issu de la fonction missRanger du
package ranger (Wright & Ziegler, 2017). Cette méthode attribue une valeur aux données
manquantes en se basant sur les prédictions générées par un RF utilisant toutes les autres
variables comme covariables. Le processus d’imputation est réitéré jusqu’à ce que l’erreur
de prédiction, hors échantillon des modèles de prédiction, se stabilise au seuil le plus bas.
L’ajout d’une telle procédure induit forcément un biais dans les données. Cependant,
il convient de noter que les valeurs imputées subissent une vérification pour garantir leur
cohérence au sein du jeu de données et éviter toute valeur aberrante (Annexe 3).

3.7.6 Analyse des Modèles Numériques de Hauteur (MNH)

Les relevés LiDAR et photogrammétriques ont permis d’obtenir un autre type de don-
nées : le Modèle Numérique d’Hauteur (MNH). Pour quantifier les différences entre les
hauteurs des MNH obtenues à partir de ces deux techniques, on a calculé différentes mé-
triques : l’erreur quadratique moyenne (MSE), la racine de l’erreur quadratique moyenne
(RMSE), la racine de l’erreur quadratique moyenne relative (RMSE%) et l’erreur absolue
moyenne (MAE). Ces métriques sont ainsi calculées pour les MNH de chaque placette à
partir des hauteurs de chaque pixel. Le LiDAR est considéré comme la valeur de référence,
on le compare une fois à la photogrammétrie d’hiver et une seconde fois à la photogrammé-
trie de printemps. Ces multiples métriques sont utilisées car elles possèdent des propriétés
différentes ce qui permet d’avoir une vision plus complète de la variation des hauteurs dé-
tectées par les deux types de facteurs. La MSE pénalise davantage les grandes erreurs et est
sensible aux valeurs extrêmes. La RMSE est sensiblement pareille à la MSE mais est plus
facilement interprétable car elle est exprimée dans la même unité que la variable hauteur.
La RMSE% permet de mieux interpréter les différences pour de grandes variations dans les
données mais celle-ci n’est pas exprimée dans la même unité que les variables. La MAE est,
quant à elle, moins sensible aux valeurs extrêmes et possède la même unité que la variable

27
de base. n
1X
M SE = (yi − ŷi )2 (3.1)
n i=1

√
RM SE = M SE (3.2)

RM SE
RM SE% = × 100 (3.3)
ȳ

n
1X
M AE = |yi − ŷi | (3.4)
n i=1
avec yi , la valeur de hauteur d’un pixel i d’un MNH issus des relevés LiDAR, yi , la valeur de
hauteur d’un pixel i du MNH issu de la photogrammétrie, ymoy la moyenne des hauteurs
de chaque pixels d’un MNH issu du LiDAR et n, le nombre de valeurs d’hauteur dans un
MNH.

28
Résultats

4.1 Analyse Multivariée

L’AFDM a permis d’expliquer 27,21 % de la variance totale avec les trois premières
dimensions (10,24 %, 9,49 % et 7,48 % respectivement). Les dimensions suivantes n’ont
pas été considérées en raison leur contribution de plus en plus faible. On constate que les
trois dimensions sont expliquées par tous les indices de qualité de la reconstruction photo-
grammétrique qui, pour rappel, correspondent aux variables des catégories de “traitement
photogrammétrique” et de “indices de variabilité” (Tableau 4.1).

29
Tableau 4.1 – Description des 3 premiers axes de l’AFDM. Coefficients de corrélation
positifs (rouge), négatifs (bleu) et rapports de corrélation (vert) associés à chaque variable
quantitative et qualitative. Significatif (*), Hautement significatif (**), Très hautement
significatif (***).

Coefficient de corrélation
Catégorie Variable Dim 1 Dim 2 Dim 3
Données d’inventaire hmoy 0,432** -0,576*** 0,273
gha 0,218 -0,682*** 0,027
nha -0,544*** -0,273 0,026
Traitement photogrammétrique reso 0,401* 0,678*** -0,120
rec_ortho 0,483** 0,275 -0,055
prop_al 0,508*** 0,479** -0,189
tie_pt -0,056 0,339* -0,205
qual_min -0,207 -0,138 -0,786***
qual_max -0,433** 0,205 -0,029
qual_moy -0,345* -0,035 -0,672***
Conditions d’acquisition vent 0,276 0,324* 0,183
vent_max 0,105 0,425** 0,254
alt_max 0,266 -0,036 -0,220
alt_min 0,299 -0,065 -0,229
alt_et -0,318* 0,307 0,068
pente -0,343* 0,331* 0,212
shutter_moy 0,393* 0,422** 0,690***
iso_moy 0,261 0,424** 0,612***
Indices de variabilité rmse 0,033 -0,433** 0,502**
rmse_relative -0,199 0,341* -0,093
mse 0,038 -0,384* 0,530***
mae -0,043 -0,414** 0,513***
Rapport de corrélation
Catégorie Variable Dim 1 Dim 2 Dim 3
Données d’inventaire div 0,237** 0,001 0,129*
compo_prop 0,282** 0,448*** 0,027
structure 0,452*** 0,244* 0,044
compo_id 0,451*** 0,545*** 0,249
pl 0,847*** 0,924*** 0,634
Traitement photogrammétrique al_1 0,161* 0,310*** 0,001
Conditions d’acquisition nebu 0,300 0,155 0,133
saison 0,050 0,001 0,135*
h_10 0,862*** 0,635*** 0,512**
h_5 0,710*** 0,405*** 0,442***
h_3 0,662*** 0,120 0,116
h_2 30 0,666*** 0,014 0,005
 La deuxième dimension est quant à elle principalement décrite par l’indice de qualité
correspondant à la résolution de l’orthoimage (reso). Les indices de qualité issus de la
comparaison entre les MNH de la photogrammétrie et du LiDAR sont principalement
corrélés négativement à cet indice. Cette relation sous-entend qu’une résolution plus fine
est associée à une plus faible qualité de la reconstruction photogrammétrique. On remarque
également une corrélation positive avec le nombre de points de liaison (tiepoint ) et avec la
proportion d’images alignées (propal ). Au niveau des conditions de terrain, on constate
que le vent, la vitesse d’obturation (shuttermoy ), les ISO ainsi que la pente sont corrélés
positivement.
La troisième dimension permet de décrire la qualité de la reconstruction à partir de
l’indice de qualité des images proposées dans l’interface du logiciel Metashape. La qualité
minimale des photographies (qualmin ) qui vont servir à faire la reconstruction photogram-
métrique est négativement corrélée à la sensibilité ISO moyenne (isomoy ) et à la vitesse
d’obturation moyenne (shuttermoy ) de ces mêmes photographies. Ceci souligne ainsi le lien
qu’il peut y avoir entre une basse qualité de reconstruction de reconstruction photogram-
métrique et des valeurs d’ISO et/ou de vitesses d’obturation élevées. L’heure à laquelle le
relevé est effectué présente également un rapport de corrélation très hautement significatif
avec cette dimension.
En ce qui concerne les variables quantitatives, les interprétations précédentes peuvent
également être synthétisées par les interactions exposées dans le cercle de corrélation (Fi-
gure 4.1). Ce cercle facilite l’interprétation et la mise en évidence des relations entre les
variables qui ont le plus grand impact sur la création des dimensions de l’analyse.

31
Figure 4.1 – Cercle des corrélations pour les dimensions 1 et 2 ainsi que les dimensions
1 et 3. Représentation des 10 variables ayant la plus forte contribution.

Concernant les variables qualitatives, il est possible de détailler leurs interactions à

travers la représentation des individus dans l’espace des variables factorielles. On s’intéresse
alors plus précisément aux différentes catégories caractérisant une variable.
Dans les variables de “condition d’acquisition”, on retrouve systématiquement l’heure
du relevé divisée en 5 catégories comme étant très hautement significative. L’analyse du
graphe des individus permet de mettre en évidence les différences entre ces 5 catégories. La
première catégorie regroupe les relevés de 9 à 11 h, la deuxième de 11 à 13 h, la troisième
de 13 à 15 h, la quatrième de 15 à 17 h et la cinquième de 17 à 19 h. Des ellipses de
confiance sont tracées autour des groupes d’individus pour représenter la dispersion des
observations dans l’espace des variables factorielles (Figure 4.2). On remarque notamment
que les catégories 1 et 2 (9 à 13 h) sont opposées aux catégories 4 et 5 (15 à 19 h) le long
de l’axe de la première dimension.

32
Figure 4.2 – Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour les heures des relevés en 5 catégories. Les ellipses ont un niveau de confiance
de 50 %.

Les variables de composition spécifique (compoprop ) et de structure de la catégorie “don-

nées d’inventaire” permettent de distinguer certains groupes au niveau de la deuxième bis-
sectrice. Ainsi, pour la composition spécifique, on observe une tendance opposée entre les
peuplements de résineux et les deux autres types de peuplement. En ce qui concerne la
structure, le type F1etg se présente dans une configuration similaire à celle des résineux
et se distingue aussi des deux autres types de structure. Les ellipses de confiance ne per-
mettent pas de distinguer les types F2etg et Fjard. Néanmoins, la deuxième bissectrice
permet de présenter la structure F2etg comme étant intermédiaire aux deux autres. Pour
rappel, les valeurs manquantes (NA) présentes dans les données de structure correspondent
aux placettes supplémentaires, ajoutées pour les besoins de l’étude mais pour lesquelles on
ne possède pas de données d’inventaire.

33
Figure 4.3 – Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour les différents types de composition spécifique. Les ellipses ont un niveau de
confiance de 50 %.

34
Figure 4.4 – Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour les différents types de structure. Les ellipses ont un niveau de confiance de
50 %.

En ce qui concerne la seule variable qualitative représentant la qualité de la reconstruc-

tion photogrammétrique (al1 ), on ne peut pas distinguer les deux groupes d’individus à
l’aide des ellipses de confiance mais ils ont bien une relation opposée le long de la première
bissectrice. Le groupe qui correspond au succès de l’alignement des images dès la première
procédure (procédure “classique”) se retrouve ainsi plus corrélée avec les variables qualita-
tives de proportion d’images alignées (propal ) et de proportion de l’orthoimage reconstituée
après les traitements photogrammétriques (recortho ).

35
Figure 4.5 – Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour le succès de l’alignement lors de la procédure “classique”. Les ellipses ont un
niveau de confiance de 50 %.

La variable "saison" présente une corrélation relativement faible avec les dimensions
de l’analyse, mais elle montre une association significative avec la troisième dimension.
Ainsi, les différentes catégories saisonnières sont observées par rapport à la première et à
la troisième dimension. Les barycentres des deux groupes d’individus sont très proches, ce
qui rend difficile la détection d’une différence significative entre eux. Néanmoins, on peut
observer une légère séparation des deux groupes le long de la première bissectrice. Les
relevés effectués pendant l’été semblent être davantage liés à l’amélioration de la qualité
des images (qualmoy et qualmin ).

36
Figure 4.6 – Graphe des individus généré par l’Analyse Factorielle des Données Mixtes
(AFDM) pour la saison des relevés. Les ellipses ont un niveau de confiance de 50 %.

4.1.1 Random Forest

Le modèle de régression construit à partir de l’indice de qualité moyen des images fourni
par le logiciel Metashape (qualmoy ) a pour but de caractériser la qualité des images.
Ainsi, les variables qui ont le plus d’impact sur le modèle sont la qualité maximale
et minimale provenant de l’indice du logiciel Metashape. Cette observation est attendue
car la qualité moyenne découle directement de ces deux variables. En dehors de celles-ci,
on identifie la vitesse d’obturation (shuttermoy ), la vitesse maximale du vent (ventmax ),
le nombre de points de liaison des images (tiept ) et la saison comme les quatre variables
ayant le plus d’influence sur les performances du modèle. À l’exception de la variable tiept ,
toutes ces variables relèvent de la catégorie "conditions d’acquisition". Dans cette catégorie,
la sensibilité ISO moyenne (ISOmoy ) est également identifiée comme contribuant à amé-
liorer les prédictions du modèle. De manière plus subtile, les variables liées aux "données
d’inventaire", telles que la hauteur moyenne (hmoy ), la composition spécifique (compoid ),
le critère de "diversité", la structure et la pente, participent également à l’amélioration des
performances du modèle. En revanche, la placette (pl), l’altitude maximale (altmax ) et la

37
tranche horaire du relevé (h10 ) ont plutôt un impact négatif sur les performances du mo-
dèle. Il est intéressant de noter que la vitesse moyenne du vent et le critère de "typologie"
contribuent également négativement aux prédictions du modèle. Cette observation est en
effet contraire à ce qu’on observe pour la variable de vitesse maximale du vent et la variable
de composition spécifique.

Figure 4.7 – Graphique d’importance des variables pour le modèle qualmoy , représenta-
tion du pourcentage d’augmentation des erreurs quadratiques moyennes (%IncMSE) et de
diminution moyenne de la pureté des nœuds (IncNodePurity).

Le modèle de régression basé sur la variable de proportion d’images alignées (propal ) a

pour but de caractériser la qualité du processus de la photogrammétrie.
Les variables qui ont le plus d’impact sur le modèle sont la proportion de l’orthoimage
reconstituée (recortho ), le nombre de points de liaison des images (tiept ) et la résolution de
l’orthoimage (reso). Cette observation permet d’établir un lien entre les variables impliquées
dans le processus de reconstruction. La tranche horaire du relevé (h5 ), la composition
spécifique (compoid ) et la structure influencent également mais dans une moindre mesure

38
la qualité du modèle. Le vent et la nébulosité (nebu) ont plutôt un impact négatif sur les
performances du modèle, ne permettant pas d’expliquer la variable propal .
Le modèle basé sur propal est accompagné par un modèle de classification, construit
avec la variable de succès d’alignement des images lors de la procédure “classique” (al1 ).
Le graphe de positionnement multidimensionnel (MDS) du succès d’alignement des images
lors de la procédure “classique” (al1 ) permet de constater une certaine dissimilarité entre
les individus des groupes “oui” et “non”.

Figure 4.8 – Graphique d’importance des variables pour le modèle propal , représentation
du pourcentage d’augmentation des erreurs quadratiques moyennes (%IncMSE) et de di-
minution moyenne de la pureté des nœuds (IncNodePurity).

39
Figure 4.9 – Graphique du positionnement multidimensionnel (MDS), basé sur les proxi-
mités du Random Forest (RF), pour les modalités de la variable de succès d’alignement
des images lors de la procédure “classique” (al1 ).

Le modèle de régression construit à partir de la racine de l’erreur quadratique moyenne

entre les hauteurs des MNH issus du LiDAR et de la photogrammétrie (RMSE) a pour but
de caractériser la qualité d’un produit de la photogrammétrie.
Les variables qui ont le plus d’impact sur le modèle sont l’erreur quadratique moyenne
(MSE), l’erreur absolue moyenne (MAE), la racine de l’erreur quadratique moyenne rela-
tive (remserelative ). Cette observation n’est, une fois de plus, pas étonnante au vu de la
similitude de la construction de ces variables. En dehors de celles-ci, les quatre variables
ayant le plus d’influence sur le modèle sont la résolution de l’orthophoto (reso), deux indices
de qualité des images (qualmoy et qualmin ) et la hauteur moyenne des peuplements (hmoy ).
À l’exception de la variable hmoy , toutes ces variables relèvent de la catégorie "traitement
photogrammétrique". Les variables de vitesse du vent moyen (vent), de surface terrière
(gha), du nombre de tiges à l’hectare (nha) et le critère de “typologie” influencent aussi le

40
modèle mais dans une moindre mesure.
La structure, la nébulosité (nebu), la composition spécifique (compoi d), la pente ainsi
que l’indice de qualité maximum des images (qualmax ) impactent tous le modèle de façon
négative. On observe ainsi des effets contraires entre la variable de composition spécifique
et celle du critère de “typologie”. La qualité maximale des images étant également opposée
aux deux autres indices de qualité (qualm in et qualmoy ).

Figure 4.10 – Graphique d’importance des variables pour le modèle rmse, représentation
du pourcentage d’augmentation des erreurs quadratiques moyennes (%IncMSE) et de di-
minution moyenne de la pureté des nœuds (IncNodePurity).

4.1.2 Performance des modèles

La performance des modèles créés par le RF est évaluée au travers d’une matrice de
confusion pour le modèle de classification (Tableau 4.2) et au travers de la RMSE, la MSE
et le coefficient de détermination (R2) pour les modèles de régression (Tableau 4.3).

41
 Tableau 4.2 – Matrice de confusion du modèle de classification.

non oui class.error

non 14 6 0,3
oui 4 16 0,2

Tableau 4.3 – RMSE, MSE et R2 des modèles de régression.

Modèle qual_moy Modèle rmse Modèle prop_al

MSE 8,65e-05 0,709 0,00515
RMSE 0,00930 0,842 0,0718
R2 0,906 0,977 0,936

Le modèle de classification possède 75 % de prédictions correctes pour les observations

n’ayant pas été utilisées pour construire les arbres individuels. Il a plus précisément commis
des erreurs de classification pour environ 30 % des observations de la classe "non" et 20 %
des observations de la classe "oui".
La RMSE et la MSE des modèles de régression indiquent que le modèle destiné à prédire
la variable qualmoy génère généralement des prédictions plus précises que le modèle visant
à prédire la variable rmse et la variable propal . Néanmoins, le R2 plus élevé obtenu pour
le modèle de la variable rmse suggère qu’il explique davantage la variance globale dans ses
propres données.

4.2 Comparaison du LiDAR aéroporté et de la photogram-

métrie
4.2.1 Analyse des Modèles Numériques de Hauteur (MNH)
Une première comparaison des MNH tirés du LiDAR aéroporté et de la photogrammétrie
est réalisée à partir de leurs moyennes, écarts-types, maximums et minimums de hauteurs
(Annexe 4).
On remarque d’emblée la présence de données manquantes. Celles-ci correspondent aux
deux relevés photogrammétrique de printemps n’ayant pas pu être reconstruits. Il est éga-
lement interpellant d’observer des hauteurs minimales (zmin) présentant des valeurs non-
nulles. Allant ainsi à l’encontre même de la définition d’un MNH qui, pour rappel, est
supposé soustraire la morphologie du sol pour ne conserver que la hauteur de la végéta-
tion. Cette anomalie correspond à environ 30 % des observations de hauteurs minimales
avec des valeurs variant de -13,521 m à 0,115 m et est répartie de manière relativement ho-

42
mogène entre les différents types de relevés. Le décalage de ces hauteurs minimales observé
pour le LiDAR est néanmoins relativement faible (maximum 11,5 cm).
En examinant la disparité entre les moyennes obtenues à l’aide des trois types de rele-
vés, on a pu mettre en évidence une plus grande similarité entre la distribution des relevés
LiDAR et celle des relevés photogrammétriques de printemps, ces distributions ayant l’al-
lure d’une gaussienne. Le LiDAR détecte cependant un plus grand nombre de hauteurs
moyennes pour les catégories supérieures à 15 m, tandis que la photogrammétrie printa-
nière en détecte plus pour les catégories de hauteur inférieure à ce même seuil. En ce qui
concerne les relevés photogrammétriques d’hiver, ils sont très similaires au LiDAR pour les
catégories de hauteurs comprises entre 10-15 m et 20-25 m. Néanmoins, pour les hauteurs
comprises entre 0 et 5 m, les relevés photogrammétriques d’hiver montrent un nombre de
détections radicalement plus élevé que le LiDAR et la photogrammétrie de printemps.

Figure 4.11 – Histogramme des moyennes de hauteur (m) des Modèles Numériques de
Hauteur (MNH) pour les relevés LiDAR (m300), photogrammétrique d’hiver (mini2hiver )
et photogrammétrique de printemps (mini2print ).

Les moyennes peuvent également être interprétées placette par placette (Figure 4.11).
Cela permet d’identifier une disparité relativement forte entre les relevés LiDAR et pho-
togrammétrique. En effet, même si les données photogrammétriques de printemps suivent
celle du LiDAR pour un plus grand nombre de placettes, elles sont parfois nettement moins
bonnes que les données photogrammétrique de printemps.
Les placettes 3 et 15 sont les deux seules placettes pour lesquelles les moyennes de hau-

43
teurs sont relativement similaires pour les trois types de relevés. Les hauteurs moyennes de
ces deux placettes varient entre 12,7 m et 17,2 m. Ces placettes 3 et 15 sont respectivement
classées dans les feuillus de haute diversité et les résineux de faible diversité, ce qui les
oppose radicalement en termes de critère de “diversité” et de “typologie”.

Figure 4.12 – Histogramme des moyennes de hauteur (m) des Modèles Numériques de
Hauteur (MNH) par placette pour les relevés LiDAR (m300), photogrammétrique d’hiver
(mini2hiver ) et photogrammétrique de printemps (mini2print ).

L’analyse précédente est complétée par le calcul des métriques suivantes : RMSE,
RMSE%, MSE et MAE (Tableau 4.4). Pour rappel, ces métriques ont pour but de quan-
tifier les différences entre les hauteurs des MNH obtenues à partir du LiDAR et de la
photogrammétrie. On constate que la photogrammétrie de printemps présente en moyenne
une plus petite erreur et donc une différence moindre avec les données LiDAR.
Les MSE, RMSE et MAE identifient systématiquement la placette 4 en hiver et la
placette 6 au printemps comme étant les moins similaires au LiDAR. Les placettes 4 et
6 appartiennent toutes les deux au critère de haute “diversité” mais sont respectivement
classées dans les feuillus et les résineux en ce qui concerne le critère de “typologie”. La
RMSE% identifie cependant la placette 17 comme étant la moins similaire pour les deux
périodes, cette placette étant également classée en haute “diversité” mais mixte pour la
“typologie”.
Il est intéressant de constater que cette même placette 17 est considérée par les métriques
MSE, RMSE et MAE comme étant la plus similaire au LiDAR pour la période hivernale.

44
 Pour le printemps, la MSE et la RMSE identifient la placette 3 comme étant plus proche
du LiDAR tandis que la RMSE% sélectionne la placette 10 et la MAE la placette 11.

Tableau 4.4 – RMSE, RMSE%, MSE et MAE des hauteurs (m) des MNH entre le LiDAR
et la photogrammétrie hivernale (hiver) et printanière (printemps) pour chaque placette.

Placette RMSE RMSE% MSE MAE

hiver printemps hiver printemps hiver printemps hiver printemps
1 12,357 6,172 47,10% 23,50% 152,695 38,097 7,949 3,292
2 18,516 5,446 114,60% 33,70% 342,828 29,654 14,946 3,162
3 7,469 4,715 49,20% 31,10% 55,779 22,227 4,479 2,912
4 21,283 6,121 98,60% 28,30% 452,956 37,463 20,086 4,845
5_1 9,728 9,938 55,70% 56,90% 94,628 98,766 7,419 8,401
5_2 15,439 5,763 104,60% 39,00% 238,368 33,213 13,164 4,077
6 11,608 21,11 45,10% 82,00% 134,745 445,627 9,183 20,669
7 12,636 13,188 65,30% 68,20% 159,681 173,918 9,199 8,678
8 7,077 / 49,50% / 50,083 / 3,744 /
9 20,637 8,987 107,50% 46,80% 425,893 80,774 17,273 5,183
10 20,541 5,062 83,50% 20,60% 421,952 25,624 16,971 2,93
11 15,714 5,523 115,30% 40,50% 246,921 30,502 11,976 2,639
12 10,646 6,484 135,50% 82,50% 113,335 42,044 7,235 4,075
13 9,117 8,912 82,00% 80,10% 83,124 79,426 4,792 5,468
14 11,234 18,277 39,70% 64,60% 126,194 334,056 9,45 16,739
15 4,146 6,01 24,10% 35,00% 17,19 36,12 2,523 3,603
16 20,974 9,741 100,00% 46,50% 439,895 94,883 19,683 7,147
17 3,275 8,395 200,80% 514,60% 10,727 70,469 1,018 6,889
18_1 17,195 18,803 89,70% 98,10% 295,668 353,567 16,107 18,362
18_2 15,65 / 85,80% / 244,936 / 14,825 /
Moyenne 13,262 9,369 84,70% 77,30% 205,38 112,579 10,601 7,171

4.2.2 Influence de la composition spécifique

En comparant les données du M300 avec celles du Mini 2, on constate que les hauteurs
maximales (zmax) sont systématiquement sousestimées et ce, peu importe le type de peu-
plement. La problématique des données de hauteurs minimales (zmin) non-nulles évoquée
plus tôt, ne semble pas affecter les peuplements de feuillus. L’écart-type des hauteurs est
généralement plus faible pour le Mini 2 que pour le M300 sauf pour les résineux. En ce qui
concerne les hauteurs moyennes, la photogrammétrie de printemps est encore une fois plus
semblable à celle du LiDAR. On peut noter que les hauteurs mesurées en hiver sont en
moyenne mieux détectées pour les peuplements de résineux. Cependant, au printemps, ce
sont les feuillus qui présentent une hauteur moyenne largement plus semblable au LiDAR.

45
Tableau 4.5 – Moyennes, écart-types et valeurs extrêmes des hauteurs (m) des MNH
issus du LiDAR, de la photogrammétrie hivernale et printanière pour les trois types de
composition spécifique.

Catégorie Type de relevé zmoy zsd zmin zmax

M300 15,294 9,970 0,000 33,339
Feuillus Mini 2 hiver 5,365 8,324 0,000 30,336
Mini 2 printemps 15,863 8,474 0,000 31,502
M300 14,421 10,126 0,000 36,227
Mixte Mini 2 hiver 4,065 6,605 -0,660 30,824
Mini 2 printemps 11,023 8,388 -13,521 35,782
M300 23,560 8,153 0,000 37,435
Résineux Mini 2 hiver 16,053 9,921 -4,632 48,382
Mini 2 printemps 15,779 9,409 0,000 35,044

46
Discussion

5.1 Qualité de la reconstruction photogrammétrique

Dans cette étude, les indicateurs de qualité de la reconstruction photogrammétrique
sont classifiés en deux catégories distinctes, à savoir la catégorie "traitement photogram-
métrique" et la catégorie "indices de variabilité". La première catégorie englobe les indica-
teurs directement associés aux processus de traitement photogrammétrique, tandis que la
seconde catégorie regroupe les indicateurs issus des variations de qualité entre les données
LiDAR et photogrammétriques. Cependant, ces indicateurs peuvent également être diffé-
renciés selon trois autres catégories : leur capacité à fournir des informations sur la qualité
de l’image (un élément d’entrée du traitement photogrammétrique), la qualité globale du
processus de photogrammétrie, ou encore la qualité des produits générés par le traitement
photogrammétrique (qui sont les résultats de ce processus).

5.1.1 Qualité de l’image

Parmi les indices permettant de caractériser la qualité de l’image, on retrouve les indices
de qualité minimale, maximale et moyenne des images issues d’un algorithme intégré au
logiciel Metashape. Deux de ces indices de qualité établissent une forte corrélation négative
(r = -0,786 et -0,672) avec l’axe de la troisième dimension de l’AFDM. Or, cette dimension
permet de souligner une corrélation entre la diminution de la qualité et entre l’augmenta-
tion de la vitesse d’obturation et de la sensibilité ISO. L’analyse RF, quant à elle, confirme
l’influence de ces deux variables sur l’indice de qualité d’image. Le pourcentage d’augmen-
tation des erreurs quadratiques moyennes (%IncMSE) indique que la vitesse d’obturation
(7,184%) a un impact plus important sur l’indice de qualité que la sensibilité ISO (1,313%).
Les analyses permettent de relier la vitesse d’obturation et la sensibilité ISO avec l’im-
pact bien connu des conditions de luminosité sur la qualité d’image (Mosbrucker et al.,
2017). Comme le mentionne O’Connor et al. (2017), l’équilibre entre les ISO et la vitesse
d’obturation est crucial pour la qualité d’image. Augmenter les ISO en cas de faible lu-

47
mière incidente génère du bruit. Or, réduire la vitesse d’obturation permet de compenser
le manque de lumière. Cette compensation a néanmoins une limite puisque l’augmentation
de la vitesse peut entraîner un flou de mouvement et donc également réduire la qualité de
l’image.
La luminosité est également impactée en présence de conditions météorologiques défa-
vorables. La présence d’une couverture nuageuse et/ou de précipitations, lors de la capture
des images, entraîne une diminution moyenne de 25 % de la qualité et de l’exactitude du
produit photogrammétrique final (Wierzbicki et al., 2015). Or, dans le RF, la variable sur
l’indice de nébulosité n’apporte aucune information au modèle. De plus, au niveau de l’ana-
lyse multivariée, il n’a pu être relié à aucun des axes. Ces résultats tendent à souligner que
la condition de nébulosité n’a pas d’impact sur la qualité des images. Cependant, la prise
de mesure de la nébulosité comporte des biais. De fait, elle repose sur une détermination
visuelle, dépendant directement de l’observateur.
Finalement, on observe dans les résultats du random forest qu’il y a un effet plus pro-
noncé de la vitesse maximum du vent et de la vitesse d’obturation lorsque la variable du
modèle est l’indice de qualité moyenne de Matashape. Ceci vient appuyer ce qui est trouvé
dans la littérature, à savoir que le flou de mouvement réduit la qualité de prise d’image au
travers de la vitesse d’obturation (Sieberth et al., 2014).

5.2 Comparaison avec le LiDAR

La nature du MNH étudié dans ce travail permet uniquement de se rendre compte de la
hauteur de la canopée, négligeant ainsi l’étude de la structure du sous-bois (White et al.,
2013). Il faut préciser que si la photogrammétrie n’est pas capable de capter l’informa-
tion relative au sous-bois, ce n’est pas le cas du LiDAR. Cette perte d’information sur la
structure, et plus généralement sur la diversité présente sur une placette, souligne l’avan-
tage lié à l’utilisation du LiDAR par rapport au drone low-cost. Néanmoins, même si il
n’est pas possible d’obtenir une information directe sur les étages inférieurs à la canopée,
il est possible de relier la structure des arbres dominants avec la diversité du sous-étage
(Barbier et al., 2008). Une étude récente de Singh et al. (2023) en Australie utilise les
MNH issus de la photogrammétrie afin de faire le lien entre la diversité de la végétation
du sous-bois et la structure spatiale des arbres de canopée, soulignant ainsi les possibilités
qu’offre l’utilisation d’un drone low-cost malgré l’impossibilité de directement mesurer le
sous-bois.
La caractérisation de la structure verticale des différents types de peuplements par le
LiDAR et la photogrammétrie qui a le mieux fonctionné (printemps), s’est avérée sen-
siblement équivalente pour les placettes de feuillus. La hauteur moyenne de ce type de
peuplement étant de 15,294 m pour le LiDAR et 15,863 m pour la photogrammétrie. Les
hauteurs maximales détectées sont systématiquement inférieures d’environ 2 m par rapport

48
au LiDAR. Cette sous-estimation des hauteurs par la photogrammétrie a également pu être
observée par (Filippelli et al., 2019).

5.3 Critique des analyses

En ce qui concerne l’analyse des moyennes des hauteurs des MNH, il faut tout d’abord
garder à l’esprit que la moyenne est un indicateur sensible aux données extrêmes. Il est
donc nécessaire de l’interpréter avec prudence. Comme celle-ci ne permet pas de se rendre
compte de la disparité des hauteurs au sein de la placette, il n’est pas judicieux de l’utiliser
comme seul indicateur de comparaison entre le LiDAR et la photogrammétrie. Ce qui
souligne l’importance de compléter ces résultats par l’analyse d’autres indicateurs tels que
la RMSE, la MSE, la MAE ou la RMSE%.
L’inertie associée aux trois premières dimensions n’est pas très élevée (27,21 %), ce qui
peut limiter l’interprétation et la caractérisation de la variabilité du jeu de données. On
remarque également que les coefficients de corrélation des variables qualitatives restent
relativement faibles. La forte significativité de certaines variables permet cependant d’ap-
puyer l’existence d’une relation même si elle est de faible ampleur. Il est important de noter
que le coefficient de corrélation utilisé dans l’analyse n’est adapté que pour détecter des
relations linéaires. Les autres types de relations ne peuvent donc pas être mis en évidence.
Il est important de prendre en considération les contraintes inhérentes à l’Analyse Facto-
rielle des Données Mixtes (AFDM). Cette méthode est particulièrement sensible aux petits
échantillons, ce qui signifie qu’elle peut être influencée par les variables qualitatives com-
portant un grand nombre de modalités et peu d’individus pour chacune de ces modalités
(Hervé, 2016). Par conséquent, il n’est pas surprenant d’observer que les variables h10 , pl et
h5 contribuent le plus à la première dimension, étant donné qu’elles font partie des variables
avec le plus grand nombre de modalités. Néanmoins, cela ne signifie pas que les variables
avec de faibles effectifs par modalités influencent nécessairement davantage les premières
dimensions. La variable nebu illustre ce propos, car elle ne présente aucune corrélation
significative avec les trois premières dimensions, malgré ses nombreuses modalités.

5.4 Perspectives
Il existe de nombreuses méthodes de post-traitement pour corriger les défauts causés par
les différents facteurs de conditions d’acquisition. Le flou de mouvements est un des défauts
causés par ces divers facteurs. Or, en vue de minimiser les effets du flou de mouvement, il
est recommandé de planifier les prises de vue dans des conditions climatiques et lumineuses
appropriées. Toutefois, même dans des conditions moins optimales, des solutions ont été
développées pour atténuer les effets de ce flou sur la qualité des images. Parmi ces solutions,
on peut retrouver la méthode de Compensation du Mouvement vers l’Avant ou Forward

49
Motion Compensation (FMC), conçue pour réduire le flou résultant du déplacement du
drone. Cependant, la FMC peut rencontrer des difficultés à traiter le flou causé par certains
aspects des prises de vue nadir. Afin de relever ces défis, de nouvelles méthodes telles
que la Compensation de Mouvement Adaptatif ou Compensation de Mouvement Adaptatif
(AMC) sont en développement. Cette dernière vise à gérer tout type de flou de mouvement,
offrant ainsi une approche plus complète et efficace (Dohr et al., 2022).
En outre, il est possible de se poser la question de la pertinence de la photogrammétrie
par rapport au LiDAR dans la caractérisation de grandes étendues de forêts. Il serait ainsi
intéressant de vérifier l’applicabilité de la photogrammétrie dans ce genre de contexte. Un
autre point non négligeable à aborder est la rapide évolution des technologies. En effet,
que cela concerne le LiDAR ou la photogrammétrie, cette évolution induit la nécessité
d’étudier ces deux techniques régulièrement afin de mettre à jour les connaissances. La
technologie LiDAR n’était il n’y a peu uniquement accessible avec des aéronefs pilotés.
Elle est désormais accessible sur des drones pilotés à distance et on peut s’attendre à ce
que celle-ci se miniaturise de plus en plus pour un coût toujours moindre.

50
Conclusion

En conclusion, l’utilisation du LiDAR aérien est depuis de nombreuses années reconnue

comme un outil précieux pour la caractérisation des ressources forestières. Son application
pour quantifier les métriques de structure forestière à l’aide de méthodes telles que l’ABA
ou l’ITD a également été étudiée au cours des dernières années.
Afin de pouvoir comparer de manière approfondie le potentiel du drone low-cost avec
celui du LiDAR, il s’est avéré judicieux d’examiner les conditions d’acquisition pouvant
influencer la qualité de la photogrammétrie elle-même. Cette étude met en lumière les liens
entre la qualité de l’image et des variables telles que la vitesse d’obturation, la sensibi-
lité ISO et des facteurs météorologiques. De plus, elle souligne l’importance du choix de
méthodes de traitement appropriées pour optimiser la qualité globale du processus.
Le drone apparaît ainsi comme un outil économique, démontrant une efficacité relative
lorsque la phase de pré-acquisition est soigneusement planifiée. L’étude contribue aux re-
cherches en cours dans le domaine en renforçant l’idée que la photogrammétrie peut être
une solution viable pour la caractérisation de la structure forestière si elle est judicieuse-
ment planifiée.

51
Contribution de l’étudiant

L’étudiante a contribué à cette étude en établissant et en développant un protocole de

collecte de données photogrammétriques. Elle s’est chargée de recueillir ces données, de les
traiter, de les analyser et de synthétiser les résultats.

52
Bibliographie

ACRVF (2016). Inventaire forestier d’amenagement. guide à destination des utilisateurs.

Agisoft (2019). Manuel de l’utilisateur : Agisoft metashape professional edition, version
1.5.
Assessment), M. M. E. (2005). Ecosystems and human well-being : synthesis.
Banskota, A., Kayastha, N., Falkowski, M. J., Wulder, M. A., Froese, R. E., & White, J. C.
(2014). Forest monitoring using landsat time series data : A review. Canadian Journal
of Remote Sensing, 40(5), 362–384.
Barbier, S., Gosselin, F., & Balandier, P. (2008). Influence of tree species on understory
vegetation diversity and mechanisms involved—a critical review for temperate and
boreal forests. Forest Ecology and Management, 254(1), 1–15.
Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood,
E. F. (2018). Present and future Köppen-Geiger climate classification maps at 1-km
resolution. Scientific Data, 5(1), 180214. Number : 1 Publisher : Nature Publishing
Group.
Biau, G. & Scornet, E. (2016). A random forest guided tour. TEST, 25(2), 197–227.
Costanza, R., d’Arge, R., De Groot, R., Farber, S., Grasso, M., Hannon, B., Limburg, K.,
Naeem, S., O’neill, R. V., Paruelo, J., et al. (1997). The value of the world’s ecosystem
services and natural capital. nature, 387(6630), 253–260.
Dieler, J., Uhl, E., Biber, P., Müller, J., Rötzer, T., & Pretzsch, H. (2017). Effect of forest
stand management on species composition, structural diversity, and productivity in
the temperate zone of Europe. European Journal of Forest Research, 136(4), 739–766.
Dohr, S., Muick, M., Schachinger, B., & Gruber, M. (2022). Image motion compensation
– the vexcel approach. International archives of the photogrammetry, remote sensing
and spatial information sciences., XLIII-B1-2022, 333–338.
Eisenbeiss, H. & Sauerbier, M. (2011). Investigation of uav systems and flight
modes for photogrammetric applications. 26(136), 400–421. _eprint :
https ://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1477-9730.2011.00657.x.

53
Evans, D. L., Roberts, S. D., & Parker, R. C. (2006). Lidar a new tool for forest measu-
rements ? The Forestry Chronicle, 82(2), 211–218.
Filippelli, S. K., Lefsky, M. A., & Rocca, M. E. (2019). Comparison and integration of lidar
and photogrammetric point clouds for mapping pre-fire forest structure. 224, 154–166.
He, T., Yang, Y., Shi, Y., Liang, X., Fu, S., Xie, G., Liu, B., & Liu, Y. (2022). Quanti-
fying spatial distribution of interrill and rill erosion in a loess at different slopes using
structure from motion (SfM) photogrammetry. 10(3), 393–406.
Hervé, M. (2016). Aide-mémoire de statistique appliquée à la biologie.
Iglhaut, J., Cabo, C., Puliti, S., Piermattei, L., O’Connor, J., & Rosette, J. (2019). Struc-
ture from motion photogrammetry in forestry : a review. 5(3), 155–168.
Inventaire Permanent des Ressources forestières de Wallonie (IPRF), f. . D. Inventaire
permanent des ressources forestières de wallonie (iprf).
Jenkins, M. & Schaap, B. (2018). Forest ecosystem services. Background analytical study,
1.
Liaw, A. & Wiener, M. (2002). Classification and Regression by randomForest. CRAN : R
News.
Lisein, J., Bonnet, S., Lejeune, P., & Pierrot-Deseilligny, M. (19 June 2014). Modélisation
de la canopée forestière par photogrammétrie depuis des images acquises par drone.
Revue Française de Photogrammétrie et de Télédétection, 206.
Louvel, J. & Gaudillat, V. (2013). EUNIS, European Nature Information System,
Système d’information européen sur la nature : classification des habitats : traduction
française : habitats terrestres et d’eau douce. MNHN.
Lê, S., Josse, J., & Husson, F. (2008). FactoMineR : An R Package for Multivariate
Analysis. Journal of Statistical Software, 25, 1–18.
McNicol, I. M., Mitchard, E. T. A., Aquino, C., Burt, A., Carstairs, H., Dassi, C., Mo-
dinga Dikongo, A., & Disney, M. I. (2021). To what extent can uav photogrammetry
replicate uav lidar to determine forest structure ? a test in two contrasting tropical
forests. Journal of geophysical research. Biogeosciences, 126(12).
Mori, A. S., Lertzman, K. P., & Gustafsson, L. (2017). Biodiversity and ecosystem services
in forest ecosystems : a research agenda for applied forest ecology. Journal of Applied
Ecology, 54(1), 12–27.
Mosbrucker, A. R., Major, J. J., Spicer, K. R., & Pitlick, J. (2017). Camera system
considerations for geomorphic applications of SfM photogrammetry. 42(6), 969–986.
_eprint : https ://onlinelibrary.wiley.com/doi/pdf/10.1002/esp.4066.
Ninan, K. & Inoue, M. (2013). Valuing forest ecosystem services : What we know and what
we don’t. Ecological economics, 93, 137–149.
NOSS, R. F. (1990). Indicators for monitoring biodiversity : A hierarchical approach.
Conservation biology, 4(4), 355–364.

54
Over, J.-S. R., Ritchie, A. C., Kranenburg, C. J., Brown, J. A., Buscombe, D. D., Noble,
T., Sherwood, C. R., Warrick, J. A., & Wernette, P. A. (2021). Processing coastal
imagery with agisoft metashape professional edition, version 1.6—structure from mo-
tion workflow documentation. Code Number : 2021-1039 Code : Processing coastal
imagery with Agisoft Metashape Professional Edition, version 1.6—Structure from
motion workflow documentation Publication Title : Processing coastal imagery with
Agisoft Metashape Professional Edition, version 1.6—Structure from motion workflow
documentation Reporter : Processing coastal imagery with Agisoft Metashape Profes-
sional Edition, version 1.6—Structure from motion workflow documentation Series :
Open-File Report IP-121963.
Ovigneur, B. (2005). Description des propriétés macrophysiques et microphysiques des
nuages par télédétection active et passive–application à la campagne aéroportée fren-
ch/dirac. Laboratoire d’Optique Atmosphérique, Ecole doctorale Sciences de la
Matière, du Rayonnement et de l’Environnement, l’Université Sciences et Technologies
de Lille.
O’Connor, J., Smith, M. J., & James, M. R. (2017). Cameras and settings for aerial
surveys in the geosciences : Optimising image data. 41(3), 325–344. Publisher : SAGE
Publications Ltd.
Pagès, J. (2004). Analyse factorielle de donnees mixtes : principe et exemple d’application.
Revue de statistique appliquée, 52(4), 93–111.
Rieger, A., Hothorn, T., & Strobl, C. (2010). Random forests with missing values in the
covariates.
Rondeux, J. & Lecomte, H. (May 2010). Inventaire Permanent des Ressources Forestières
de Wallonie - Guide méthodologique.
Roussel, J.-R., Auty, D., Coops, N. C., Tompalski, P., Goodbody, T. R. H., Meador, A. S.,
Bourdon, J.-F., de Boissieu, F., & Achim, A. (2020). lidR : An R package for analysis
of Airborne Laser Scanning (ALS) data. Remote Sensing of Environment, 251, 112061.
Sieberth, T., Wackrow, R., & Chandler, J. H. (2014). Motion blur disturbs – the influence
of motion-blurred images in photogrammetry. 29(148), 434–453. _eprint : https ://on-
linelibrary.wiley.com/doi/pdf/10.1111/phor.12082.
Singh, A., Wagner, B., Kasel, S., Baker, P. J., & Nitschke, C. R. (2023). Canopy Com-
position and Spatial Configuration Influences Beta Diversity in Temperate Regrowth
Forests of Southeastern Australia. Drones, 7(3), 155. Number : 3 Publisher : Multi-
disciplinary Digital Publishing Institute.
Sloan, S. & Sayer, J. A. (2015). Forest resources assessment of 2015 shows positive global
trends but forest loss and degradation persist in poor tropical countries. Forest Ecology
and Management, 352, 134–145.
Song, C., Dickinson, M. B., Su, L., Zhang, S., & Yaussey, D. (2010). Estimating average tree

55
 crown size using spatial information from Ikonos and QuickBird images : Across-sensor
and across-site comparisons. Remote Sensing of Environment, 114(5), 1099–1107.
SPW. (2016). Ressource forestière : État de l’environnement wallon. http:
//etat.environnement.wallonie.be/contents/indicatorsheets/RESS%204.
html#.Accessed : 2023-05-03.
Taye, F. A., Folkersen, M. V., Fleming, C. M., Buckwell, A., Mackey, B., Diwakar, K., Le,
D., Hasan, S., & Ange, C. S. (2021). The economic values of global forest ecosystem
services : A meta-analysis. Ecological Economics, 189, 107145.
Van der Perre, R., Bythell, S., Bogaert, P., Claessens, H., Ridremont, F., Tricot, C., Vincke,
C., & Ponette, Q. (2015). La carte bioclimatique de wallonie : un nouveau découpage
écologique du territoire pour le choix des essences forestières. Forêt. Nature, (135).
Vandendaele, B. (19 December 2022). Amélioration de l’inventaire forestier à l’aide de
nuages de points à haute densité acquis par drone lidar et lidar mobile : étude de cas
en forêts feuillues tempérées. PhD thesis, Université de Sherbrooke [Département de
géomatique appliquée], Sherbrooke, Canada.
White, J. C., Wulder, M. A., Vastaranta, M., Coops, N. C., Pitt, D., & Woods, M. (2013).
The Utility of Image-Based Point Clouds for Forest Inventory : A Comparison with
Airborne Laser Scanning. Forests, 4(3), 518–536. Number : 3 Publisher : Multidisci-
plinary Digital Publishing Institute.
Wierzbicki, D., Kedzierski, M., & Fryskowska, A. (2015). ASSESMENT OF THE IN-
FLUENCE OF UAV IMAGE QUALITY ON THE ORTHOPHOTO PRODUCTION.
XL-1/W4, 1–8.
Wright, M. N. & Ziegler, A. (2017). ranger : A Fast Implementation of Random Forests
for High Dimensional Data in C++ and R. Journal of Statistical Software, 77(1).
arXiv :1508.04409 [stat].
Yaïche, M. & Bekkouche, S. (2010). Estimation du rayonnement solaire global en algérie
pour différents types de ciel. Journal of Renewable Energies, 13(4), 683–695.
Zhang, H., Bauters, M., Boeckx, P., & Van Oost, K. (2021). Mapping Canopy Heights in
Dense Tropical Forests Using Low-Cost UAV-Derived Photogrammetric Point Clouds
and Machine Learning Approaches. Remote Sensing, 13(18), 3777. Number : 18
Publisher : Multidisciplinary Digital Publishing Institute.

56
Annexes

Annexe. 1. Composition des placettes en fonction des critères de "diversité"

et "composition"

57
58
59
Annexe. 3. Moyennes, écart-types et valeurs extrêmes des hauteurs (m) des
MNH issus du LiDAR, de la photogrammétrie hivernale et printanière pour
chaque placette et critère de “diversité” et “composition”.

Diversité Composition Placette Type de relevé zmoy zsd zmin zmax

M300 26,224 6,531 0,000 37,435
1 Mini 2 hiver 20,859 9,532 -4,632 36,336
Mini 2 printemps 26,375 2,825 1,360 35,044
M300 25,737 5,847 0,000 35,879
Résineux 6 Mini 2 hiver 20,715 9,136 -1,123 48,382
Mini 2 printemps 5,306 2,265 0,002 14,010
M300 24,593 6,001 0,000 35,232
10 Mini 2 hiver 8,034 9,819 -1,680 26,376
Mini 2 printemps 23,020 3,693 0,000 27,020
M300 15,183 8,159 0,000 26,916
3 Mini 2 hiver 12,709 8,972 0,000 24,843
Mini 2 printemps 15,395 6,576 0,000 25,896
M300 21,593 6,550 0,037 29,920
haute Feuillus 4 Mini 2 hiver 1,706 3,617 0,000 21,833
Mini 2 printemps 18,554 5,293 0,001 29,479
M300 14,289 8,230 0,115 24,186
8 Mini 2 hiver 13,120 9,081 0,000 23,938
Mini 2 printemps / / / /
M300 17,471 4,655 0,102 29,654
5_1 Mini 2 hiver 10,357 6,144 0,000 26,665
Mini 2 printemps 9,208 4,254 0,000 20,882
M300 1,631 3,525 0,000 28,782
Mixte 17 Mini 2 hiver 0,800 2,025 0,000 21,465
Mini 2 printemps 7,845 5,002 0,000 26,926
M300 19,172 5,680 0,000 28,857
18_1 Mini 2 hiver 3,152 4,457 -0,660 21,224
Mini 2 printemps 1,995 1,654 -0,425 9,832
M300 19,344 11,095 0,000 32,660
7 Mini 2 hiver 10,377 10,237 0,000 27,200
Mini 2 printemps 11,757 11,382 0,000 30,995
M300 28,280 6,846 0,000 36,362
faible Résineux 14 Mini 2 hiver 20,988 6,651 -0,332 40,383
Mini 2 printemps 12,518 6,471 0,011 29,923
M300 17,183 4,734 0,000 23,901
15 Mini 2 hiver 16,818 2,888 0,000 24,495
Mini 2 printemps 16,223 5,764 0,000 23,983

60
 Annexe. 2. Tableau récapitulatif des variables étudiées dans l’analyse
multivariée.

Catégorie Variable Type Modalités Unités de mesure

hmoy m
Quantitatif gha / m2/ha
nha nombre de tiges/ha
haute
Données d’inventaire div
faible
résineux
Qualitatif /
compo_prop feuillus
mixte
F1etg
structure F2etg
Fjard
hêtraie
hêtre- chêne
compo_id pessière
douglasaie
epicéa – douglas
pl 20
reso m/pix
rec_ortho
prop_al
Quantitatif tie_pt /
Traitement photogrammétrique /
qual_min
qual_max
qual_moy
oui
Qualitatif al_1 /
non

61
Catégorie Variable Type Modalités Unités de mesure
vent km/h
vent_max km/h
alt_max m
alt_min m
Quantitatif /
alt_et m
pente °
Conditions d’acquisition shutter_moy s
iso_moy /
nebu 8 octa
h_10 10
Qualitatif h_5 5
/
h_3 3
h_2 2
rmse m
rmse_relative /
Indices de variabilité Quantitatif /
mse m2
mae m

62
Annexe. 4. Visualisation des valeurs imputées (orange) à travers la relation
entre la variable qualmoy et les variables quantitative possédant des valeurs
manquantes. Histogramme du jeu de données (gris), complété par les valeurs
imputées (orange).

63
64