cas des plantations d'eucalyptus et des mangroves jia zhou · worldview-2 01 - 08 - 2010 0.5 m...

Application de l’identification d’objets sur images à l’étude de canopées de peuplements forestiers tropicaux :

cas des plantations d'Eucalyptus et des mangroves

16 / 11 / 2012

Direction : Pierre Couteron et Josiane ZerubiaEncadrement : Christophe Proisy et Xavier Descombes

Université Montpellier II - SIBAGHE

Jia ZHOU

Plan de la présentation Introduction

Données

Processus Ponctuels Marqués

Applications

Conclusions & Perspectives

• Forêts naturelles de mangroves

• Plantations d’Eucalyptus

• Principes

• Evaluation de la qualité de la détection

• Paramètres forestiers

• Images à très haute résolution spatiale (THRS)

• Enjeux liés aux forêts

• Etude des forêts par télédétection

• Objectifs

2

Forêt tropicale en Guyane

Forêt de mangroveImage Geoeye de mangrove

Enjeux des forêts

• régulations hydrologique et climatique

• protection et reconstitution des sols

• conservation des espèces animales et végétales

Introduction Données Méthode Applications Conclusions

Les forêts jouent un rôle important :

Le cas des forêts tropicales (dans un contexte

de la dégradations et de la déforestations):

3

• un milieu beaucoup plus complexe et difficiled’accès, moins bien connu que les forêtstempérées.

Etudes des forêts par télédétection

• cartographie des couvertures forestières

• aide aux inventaires forestiers

• préservation de la biodiversité

• rôle important dans le cycle de carbone

Evolution du stockage de carbone

dans la biomasse forestière

FAO, 2010

Observation de la Terre

4

année


première application en foresterie en

Birmanie avec photographies

aériennes

1920

Photographies aériennes (ex: images IGN en France)

Images satellitales

1972

Landsat-1∆s: 60m

1986

SPOT-1PAN: 10mMS: 20m

1999

IKONOSPAN: 1mMS : 4m

2007

Worldview-1PAN: 0.5m

MS: 2m

2001

QuickbirdPAN: 0.61mMS: 2.5m

2003

OrbviewPAN: 1mMS: 4m

2008

GeoeyePAN: 0.41mMS: 1.64m

Résolution spatiale moyenne (pixel entre 10 et 90m)

Très haute résolution spatiale (THRS)(pixel métrique ou submétrique)

Potentiel de la très haute résolution spatiale

5


un extrait d’image SPOT5mode fusion à 2,5m (octobre 2010)

un extrait d’une photographie aérienne à 20cm (juillet 2010)

© L’Avion JauneProisy et al., 2012

30

0 m

Détection des arbres individuels

Maxima locaux

6

Approche contour

Approche « template »

Popescu, 2002

Larsen, 1997

• region-growing

Culvenor, 2002

• valley-following

Gougeon, 1995


Géométrie stochastique : Processus Ponctuels Marqués

PPM

Blazquez, 1989

Objectifs Détection des houppiers sur images THRS

Déduire des informations forestières à partir des détections

• à l’échelle de l’arbre:

• à l’échelle du peuplement forestier ( ~ 1ha) :

positionnement et taille de houppier

la structure: distribution des tailles d’arbres

• évaluer le potentiel de la détection par PPM

7

détection


160 m

16

0 m

0 5 100

2

4

6

8

10

No

mb

re d

’arb

res

rayon de houppier (m)

distribution des tailles de houppiers

Forêts naturelles de mangroves

L’écosystème présente une grande dynamique forestière.

Un gradient de structures différentes

8


Images IKONOS

Jeune Adulte Mature Sénescent

© Proisy, 2003

Plantation d’Eucalyptus

La structure forestière est bien connue:

densité de tiges, modèle de croissance, …

identifier les zones où les arbres poussent mal

9

Enjeu: suivre la croissance de la plantation

© Y. Nouvellon, CIRAD & USP© Y. Nouvellon, CIRAD & USP

Etude réalisée avec l’UMR TETIS et ECO&SOLS


G. le Maire et Y. Nouvellon

Données forestières

Paramètre forestiers:

• diamètre de tronc (DBH)

• diamètre de houppier

• hauteur d’arbre

• distribution d’arbres

Relation allométrique:

• Les principales caractéristiques géométriques de la forêt sont étroitement corrélées les unes aux autres.

10


0 10 20 30 40 50 60 70 80 90 1000

5

10

15

DBH d'arbres (cm)

No

mb

re d

'arb

res

distribution des DBH

DBH d’arbre (cm)0 50 100

No

mb

re d

’arb

res

15

• Y : variable dendrométrique• Y0 : constante de normalisation• ф : exposant allométrique

e.g. West et al. 2009

Simulation de la maquette

Distribution des DBH obtenue de la

mesure de terrain par une extrapolation

Population d’arbres avec hauteurs,

houppiers

Processus de

répartition

Maquettes avec positionnement

d’arbres

allométrie

+ bruits 5%

11

Projet TOSCA/CNES « FOTO-METRICS »


0 10 20 30 40 50 60 70 80 90 1000

5

10

15

DBH d'arbres (cm)

No

mb

re d

'arb

res

distribution des DBH

DBH d’arbre (cm)0 50 100

No

mb

re d

’arb

res

15

Proisy et al., 2012

Maquettes de mangrove

12


Projet TOSCA/CNES « FOTO-METRICS »Proisy et al., 2012

Données images Images réelles:

Images de réflectances simulées par DART à partir des maquettes

Forêt Capteur Date d’acquisition Résolution spatiale

Plantationd’Eucalyptus

WorldView-2 11 – 05 - 2010 0.5 m

WorldView-2 01 - 08 - 2010 0.5 m

WorldView-1 29 – 01 – 2011 0.5 m

mangrove IKONOS 12 – 10 - 2003 1 m

LiDAR 10 - 2004 1 m

13


Projet TOSCA/CNES « FOTO-METRICS »

Proisy et al., 2012

Méthode de détectionpar Processus Ponctuels Marqués

14

Perrin, 2003Descamps et al., 2007 Descombes et al., 2009


Configuration

Espace : χ

un ensemble dénombrable et non ordonné de points de χ

15



Configuration

Espace – objet : χ = P x M

un ensemble dénombrable et non ordonné d’objets de χ

Caractéristiques d’une configuration

• nombre d’objets : n

• position de chacun dans l’espace P :

• marque de chacun dans l’espace M:

16


Modélisation par PPM

Chaque configuration est caractérisée par une énergie:

17

une image simulée par DART sur une parcelle

de forêt naturelle

modélisée par un ensemble de disques

© Barbier, 2009


16

0 m

a priori :interactions entre objets

attache aux données:cohérence avec données d’images

Energie a priori : Up Introduction des connaissances forestières :

u1

u2

• régler le chevauchement entre houppiers

18

L’ énergie a priori de la configuration x :


(p: pixel)

surface intersectée

surface du disque u1surface du disque u2

formes possibles de houppiers

détections par PPM

Energie d’attache aux données: Ud Cohérence avec la variance d’intensités dans une image

• contraste exigé entre un houppier et son voisinage

19

contraste évalué par une

statistique

Pixels dans le disque :

Pixels dans le voisinage :

Disque et son voisinage

L’ énergie d’attache aux données de la configuration x :


seuil de contraste

radiométrique

Principe de détection

20

Minimiser l’énergie totale de la configuration


Processus d’optimisation:

Algorithme de naissances et morts multiples

selon les modèles d’énergies

u1u2

Energie a priori

Energie d’attache aux données

Algorithme de naissances et morts multiples

Phase de naissances

Phase de morts

Configuration optimaleRésultat

de détection

Evaluation de la qualité de détection

21

calculs d’énergie

Images THRS


Carte de naissance

Valeurs de la carte denaissance: énergie d’attacheaux données d’un disquepositionné à chaque pixel.

Qualité de détection Score global de détection:

Critères de mise en correspondance:

un arbre de référence

disques détectés

dr1r2

r3

d

22

• écart de positionnement

• différence de rayon de houppiers

• autres critères: distance maximale,…


Paramétrage du modèle

Paramètres du modèle de PPM:

Paramètres de l’algorithme de naissances et morts multiples

Déterminés selon l’étude de sensibilité ou connaissances a priori23

• paramètres initiaux du recuit: T0 , δ0

Déterminés par expérience :

• vérification en pratique pour nos applications

• pas de décroissance: aT , aδ

• nombre d’itérations: Nit

Descombes et al., 2009J Math Imaging Vis


• intervalle de rayons de houppiers : [rmin , rmax]

• pondération entre les énergies a priori et d’attache aux données: ϒp , ϒd

• recouvrement entre disques: ϴ

• seuil de contraste radiométrique: d0

tant que ϒp >ϒd : faible influence sur la détection

Applications-- Forêts naturelles de mangrove

24© J. ZHOU, 2010


25



Images simulées dans le projet « FOTO – METRICS »

26


Arbres de références Problème: les arbres ne sont pas tous détectables

Critère de la sélection des arbres de référence

• indice de fermeture: g – condition d’accès à la lumière pour chaque arbre dans la parcelle

27

Définition des arbres détectables ?


Lieberman et al., 1995

Indice de fermeture

28


Classes d’indice de fermeture Définition des classes

Distribution des arbres selon la classe d’indice de fermeture

29


0 1 2 3 4 5 6 70

20

40

60

80

100

SI18

SI19

SI20

SI21

SI22

SI23

SI24

TC1

Classe d’indice de fermeture

%

Surf

ace

te

rriè

re

0 1 2 3 4 5 6 70

20

40

60

80

100

SI18

SI19

SI20

SI21

SI22

SI23

SI24

TC1

Classe d’indice de fermeture

%

No

mb

re d

’arb

res

Visualisation des arbres de référence

30


Sensibilité aux paramètres du modèle

31

recouvrement entre disques: ϴ

seuil de contraste radiométrique : d0


Recouvrement maximal entre disques (%)

Sco

re g

lob

al d

e d

éte

ctio

nSc

ore

glo

bal

de

dét

ect

ion

Seuil d0 : distance basée sur test de Student

Sco

re g

lob

al d

e d

éte

ctio

n

Seuil d0 : distance de Bhattacharyya

modèle d’énergie a priori

modèle d’énergie d’attache aux données

32

Sensibilité à l’intervalle *rmin, rmax] des rayons de houppiers


rmin

rmax

rmin 1 rmin 2 rmin 3

Sco

re g

lob

al d

e d

éte

ctio

n

Si rmax trop grand:détection de plusieurs couronnes par un seul disque

d

a

b

c

Résultats de détection

33


13

0 m

SI2

4 -

jeu

ne

SI1

8 –

pré

-ad

ult

e

Jaune: référenceRouge: détection

• rmin =2.3m• rmax =3.1m

• arbres détectés : 80%

• score global : 44.0• fausses alarmes : 50.2• omissions : 20.1




13

0 m

• ϴ = 20%• d0 = 0.2

Résultats de détection

34

• ϴ = 20%• d0 = 0.2


13

0 m

TC1

-ad

ult

eSI

22

-sé

ne

sce

nt




Jaune: référenceRouge: détection




13

0 m

Distributions des rayons des disques

35

0 50 1000

50

100

150SI24 - jeune

0 50 1000

20

40

60

80

100

120SI20 - pré-adulte

0 50 1000

20

40

60

80

100


0 50 1000

20

40

60

80


0 50 1000

5

10

15

20

25

30SI23 - adulte

0 50 1000

5

10

15SI22 - sénescent

0 50 1000

10

20

30

40SI19 - adulte

0 50 1000

5

10

15TC1 - adulte

Distribution des DBH (des arbres détectables) des maquettes (cm)

0 5 100

50

100

150

200

250SI24 - jeune

0 5 100

20

40

60

80


0 5 100

20

40

60

80


0 5 100

20

40

60

80


0 5 100

5

10

15

20SI23 - adulte

0 5 100

5

10

15SI22 - sénescent

0 5 100

10

20

30

40SI19 - adulte

0 5 100

2

4

6

8

10TC1 - adulte

Distribution des rayons des disques détectés (m)


Cohérence avec l’allométrie régression entre les modes (celui dans la distribution des DBH et celui dans la distribution des rayons de disques) de chaque parcelle

36


• Relation allométrique utilisée:

Plantation d’Eucalyptus Site d’étude

38

P1 P2

P3 P435 m

25

m

50 m

50

m

• 4 placettes d’étude

• 18 plots photo-interprétés

• 112 plots (~ 25*25m) où la densité d’arbres est connue (~ 100 arbres)


Etude réalisée avec l’UMR TETIS et ECO&SOLS

© Zhou et al. FEM, 2012

P1 P2

P3 P4

Détection sur images WorldView (50cm)

39


Mai

Ao

ût

Jan

vie

rP1 P2

35 m

25

m

Images sur-échantillonnées à 10cm

40

P1

Mai

Ao

ût

P2

35 m

25

m


Scores de détection

41

0

20

40

60

80

100

0

20

40

60

80

100

0

20

40

60

80

100

P1 P2 P3 P4

P1 P2 P3 P4

P1 P2 P3 P4

sur images sur-échantillonnées (10cm)

0

20

40

60

80

100

0

20

40

60

80

100

0

20

40

60

80

100

P1 P2 P3 P4

P1 P2 P3 P4

P1 P2 P3 P4

sur images originales (50cm)M

aiA

oû

tJa

nvi

er


Problèmes de détection Exemples: omissions

• houppiers trop petits pour être détectés

=> cohérente avec l’objectif de travail

Exemples: fausses détections

• si rmin très petit

=> réduire l’intervalle de rayon

42


• jaune: référence• rouge: détection

Estimation du rayon des houppiers

=> Limités par rmax

Les tailles de houppiers sont sous-estimées en août.

43

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2

Rayons de houppiers (m)

Ra

yo

ns

dé

tec

tés

(m

)

P1

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P2

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P3

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P4

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P1

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P2

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P3

0 0.2 0.4 0.6 0.8 1 1.20

0.2

0.4

0.6

0.8

1

1.2


Ra

yo

ns

dé

tec

tés

(m

)

P4

• rouge: en mai• vert: en août


Détection sur grande surface Validation de la détection sur 18 plots de 50*50m

44

Etude du paramétrage

• recouvrement entre disques:

• seuil de contraste radiométrique:

• l’intervalle de rayon:

La direction des rangées d’arbres influence peu les résultats de détection.

La détection est meilleure sur l’image d’août (les SDG sont > 80 en général).

Zhou et al. FEM, 2012

Ѳ = 0.1

d0 = 0.1

rmin = 0.7 m, rmax = 1.1 m

Zone A

Zone C

Zone B

Zone D

Résultats de détection sur 4 plots

• jaune: arbres bien détectés• bleu: fausses détection• vert: arbres non détectés


Estimation de la densité locale

45

Validation sur 112 plots de dimension ~ 25*25m

1360 – 1700 arbres/ha

Conclusion : on peut cartographier les zones à faible survie (objectif principal).


Carte de densité locale sur 200 ha

Zhou et al. FEM, 2012

Densité locale de terrainZhou et al. FEM, 2012

De

nsi

té lo

cale

dét

ect

ée

1350 1700

1700

La densité détectée reflète bien la vérité de terrain.

46

Conclusions & Perspectives

Bilan Résultats assez satisfaisants dans les cas des deux types de forêts étudiés

• la structure forestière détectée cohérente avec les données introduites dans les maquettes

• capable d’extraire des houppiers de taille de quelques pixels

• possibilité de détection de la croissance des houppiers individuels (multi-temporelle)

47

Forêts naturelles de mangrove:

Plantation d’Eucalyptus:

Zhou et al. ACPR, 2011


Modélisation d’un arbre sur deux images simultanément Détection multi-temporelle

Prise en compte des paramètres d’acquisition Etude de la sensibilité aux conditions d’acquisition d’image

• angles d’acquisition du capteur et angle solaire

48

Introduction Données Méthode Applications Perspectives

• effet d’ombre sur images optiques

© Barbier, 2009

Modèle d’attache aux données tenant compte de l’effet d’ombre:

découpage d’un disque et son voisinage selon la direction de la lumière

Comparaison avec d’autres méthodes Nombreux méthodes de détection :

• avec images réelles de forêts

49

• enjeu d’utiliser les images simulées à partir des maquettes forestières

difficulté: manque des inventaires précis de terrain

• region growing, valley-following, template-matching, …

Données d’images et d’inventaires forestiers pour la comparaison

• region-growing

Culvenor, 2002

• valley-following

Gougeon, 1995


Utilisation des analyses texturales Réglage de paramétrage de la méthode de PPM

• paramètres importants à déterminer: Ѳ , [ rmin , rmax ]

50

Apport des analyses texturales pour guider le paramétrage

• spectres FOTO (« FOurier-based Textural Ordination ») pour calibrer l’intervalle des rayons de houppiers: * rmin , rmax ]

Peaks at

dominant

frequencies

10

0 m

10

0 m

Proisy et al., 2007, 2012


Fusion de données

51

Combiner les données de différentes sources dans la détection

• introduire une distance multidimensionnelle dans le modèle d’énergie d’attache aux données

Un extrait d’une composition colorée d’une image multi-spectrale Geoeye sur une forêt tropicale de Centrafrique

• applications : données multi-temporelles, multi-spectrales, optiques + LiDAR, etc.


Application écologique Contribution de la détection par PPM à l’aspect écologique

52

Détection par PPM

Distribution des tailles de houppiers

Structure forestière

relation allométrique entre la taille de

houppier et:DBH, biomasse,…


53

Article:• Zhou et al., Mapping local density of young Eucalyptus plantations by individual treedetection in high spatial resolution satellite images, Forest Ecology and Management,2012

Conférences internationales:• Zhou et al., Tree crown detection in high resolution optical and LiDAR images oftropical forest, SPIE 2010

• Zhou et al. Tree crown detection in high resolution optical images during the earlygrowth stages of Eucalyptus plantations in Brazil, ACPR 2011

• le Maire et al., Very high resolution satellite images for parameterization of tree-scaleforest process-based model, IGARSS 2012

http://hal.inria.fr/hal-00741010





















































http://hal.inria.fr/inria-00534791































































































































cas des plantations d'eucalyptus et des mangroves jia zhou · worldview-2 01 - 08 - 2010 0.5 m...

Documents