Specific recognition and mapping of canopy’s trees in French Guyana’s tropical forest by merging lidar and hyperspectral data applied to the forest management needs
Reconnaissance spécifique des arbres de la canopée en forêt tropicale par fusion de données lidar et hyperspectrales
Résumé
Tropical forests, representing 6.4% of the Earth's surface, host the greatest biodiversity of any terrestrial ecosystem and play a fundamental role in the carbon cycle on a worldwide scale. The sustainable use of tropical forests is a fundamental issue from both the point of view of biodiversity conservation and the reduction of emissions from deforestation and forest degradation (REDD+). The Office National des Forêts is responsible for the conservation and management of 6 million hectares of forests in French Guiana. The possibility of mapping species in the canopy by remote sensing is of obvious interest. For both applied and scientific purposes, the use of airborne observation measurements can enable local field information that is difficult to collect over large areas of tropical forest to be extrapolated.The specific spatialized inventories at the landscape scale would contribute to advancing fundamental knowledge of this complex and threatened biome and assist in its sustainable management. Maps of species distribution can in fact be cross-referenced with maps of environmental factors and thus provide keys for interpreting the organization patterns of forest stands. From a management point of view, species distribution maps are an help to the rationalization of forestry operations. The mapping of commercial species could promote forestry practices that minimize the environmental impact of logging. The identification of species would in particular enable priority to be given to areas that are particularly rich in commercial species, while avoiding the opening up of exploitation tracks in areas with low levels of exploitable resources. Remote sensing also offers the possibility of monitoring the spread of pervasive species, such as lianas.Hyperspectral imagers and LiDAR sensor have been used on board an aircraft to identify species in the Guyanese tropical forests. A wide spectral range from hyperspectral sensors (400-2500 nm) is measured allowing to have many descriptors. LiDAR provides a detailed description of canopy structure and facilitates the segmentation of canopies. The fusion of these two types of information improve the characterization of the resource.In order to make the most of the hyperspectral data, different radiometric preprocessing has been evaluated. Spatial smoothing and shadow filtering are the main factors that improve species discrimination. The full spectral range rather than only the visible-near-infrared region (400-1000nm) is also beneficial. These classification results were obtained on a group of 20 abundant species. The identification of these same species in a mixture within a hyperdiverse stand was the second step of this work.We thus assessed the level of spectral information required and the degree of confusion tolerable in the learning data when the task is to find a target species in a hyperdiverse canopy. A special classification method was implemented in order not to be sensitive to contamination between focal/non-focal classes for training. Even in the case where the non-focal class contains up to 5% of pixels of the focal class (species to be identified), the classifiers developed proved to be efficient.The third step deals with the problem of transposability of the classifiers from one acquisition to another. The characterization of the acquisition conditions and the consideration of their effects are necessary to convert the radiance data into surface reflectance. However, this standardization operation remains an extremely delicate step given the many variability sources to be considered: state of the atmosphere, sun-sensor geometry and illumination conditions. By comparing repeated flights on the same site, we evaluate the contribution of the various acquisition characteristics to the spectral divergence between dates. This work aims to propose ways to develop species recognition methods that are more robust to variations in acquisition characteristics.
Les forêts tropicales, représentant 6,4% de la surface terrestre, abritent la plus grande biodiversité des écosystèmes terrestres et jouent un rôle fondamental dans le cycle du carbone à l'échelle mondiale. La durabilité de l'exploitation des forêts tropicales est un enjeu fondamental tant du point de vue de la conservation de la biodiversité que de la réduction des émissions liées à la déforestation et à la dégradation des forêts (REDD +). L'Office National des Forêts (ONF) est chargé de la conservation et de la gestion de 6 millions d'hectares de forêts privé en Guyane française. La possibilité de cartographier les espèces dans la canopée par télédétection est d'un intérêt évident, tant appliquées que scientifique.Les inventaires spatialisés à l'échelle du paysage contribueraient à faire progresser les connaissances fondamentales de ce biome complexe et menacé et aiderait à sa gestion durable. Les cartes de distribution d’espèces peuvent être croisées avec les facteurs environnementaux et fournir ainsi des clés d’interprétation des schémas d’organisation des peuplements forestiers. Du point de vue de la gestion, les cartes de distribution des espèces offre une rationalisation de l'exploitation forestière. La cartographie des espèces commerciales pourrait favoriser des pratiques forestières minimisant l'impact environnemental de l'exploitation. L'identification des espèces permettrait de prioriser les zones particulièrement riches en espèces commerciales, tout en évitant d'ouvrir des pistes d'exploitation dans les zones à faible niveau de ressources exploitables. La télédétection offre également la possibilité de surveiller l’extension des espèces proliférantes, telles que les lianes.Des capteurs hyperspectraux et LiDAR ont été utilisés à bord d’un avion pour identifier les espèces dans les forêts tropicales guyanaises. Une large gamme spectrale issue des capteurs hyperspectraux (400–2500 nm) est mesurée permettant d'avoir de nombreux descripteurs. Le LiDAR embarqué offre une description fine de la structure du couvert, facilitant la segmentation des houppiers. La fusion de ces deux informations améliore la caractérisation de la ressource.Afin de tirer le meilleur parti des données hyperspectrales, différents prétraitements radiométriques ont été évalués. Le lissage spatial et le filtrage des ombres sont les principaux facteurs qui améliorent la discrimination des espèces. L'utilisation de la gamme spectrale complète est également bénéfique. Ces résultats de classification ont été obtenus sur un groupe 20 espèces abondantes. L’identification de ces mêmes espèces en mélange au sein d’un peuplement hyperdivers a constitué la deuxième étape de ce travail.Nous avons évalué le niveau d'information nécessaire et le degré de confusion tolérable dans les données d’apprentissage afin de retrouver une espèce cible dans une canopée hyperdiverse. Une méthode de classification spécifique a été mise en œuvre pour être insensible à la contamination entre classes focales/non focales. Même dans le cas où la classe non focale contient jusqu’à 5% de pixels de la classe focale (espèce à identifier), les classifieurs se sont révélés efficaces.La troisème étape aborde le problème de la transposabilité des classifieurs d’une acquisition à une autre. La caractérisation des conditions d’acquisition et la prise en compte de leurs effets sont nécessaires pour convertir les données de radiance en réflectance de surface. Cependant cette opération de standardisation reste une étape extrêmement délicate au vue des nombreuses sources de variabilité : état de l’atmosphère, géométrie soleil-capteur et conditions d'éclairement. Nous évaluons en comparant des vols répétés sur le même site, la contribution des diverses caractéristiques d’acquisition à la divergence spectrale entre dates. Ce travail vise à proposer des pistes pour développer des méthodes de reconnaissance d'espèces qui soient plus robustes aux variations des caractéristiques d'acquisition.
| Origine | Version validée par le jury (STAR) |
|---|