cas des plantations d'eucalyptus et des mangroves jia zhou · worldview-2 01 - 08 - 2010 0.5 m...
TRANSCRIPT
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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 »
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Processus Ponctuels Marqués
Configuration
Espace : χ
un ensemble dénombrable et non ordonné de points de χ
15
Introduction Données Méthode Applications Conclusions
Processus Ponctuels Marqués
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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 :
Introduction Données Méthode Applications Conclusions
(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 :
Introduction Données Méthode Applications Conclusions
seuil de contraste
radiométrique
Principe de détection
20
Minimiser l’énergie totale de la configuration
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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,…
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
• 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
Maquettes de mangrove
25
Introduction Données Méthode Applications Conclusions
Maquettes de mangrove
Images simulées dans le projet « FOTO – METRICS »
26
Introduction Données Méthode Applications Conclusions
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 ?
Introduction Données Méthode Applications Conclusions
Lieberman et al., 1995
Indice de fermeture
28
Introduction Données Méthode Applications Conclusions
Classes d’indice de fermeture Définition des classes
Distribution des arbres selon la classe d’indice de fermeture
29
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
Sensibilité aux paramètres du modèle
31
recouvrement entre disques: ϴ
seuil de contraste radiométrique : d0
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
• rmin =2.7m• rmax =5.4m
• arbres détectés : 65%
• score global : 53.9• fausses alarmes : 22.6• omissions : 35.0
13
0 m
• ϴ = 20%• d0 = 0.2
Résultats de détection
34
• ϴ = 20%• d0 = 0.2
Introduction Données Méthode Applications Conclusions
13
0 m
TC1
-ad
ult
eSI
22
-sé
ne
sce
nt
• rmin =5.0m• rmax =16.1m
• arbres détectés : 48%
• score global : 44.7• fausses alarmes : 12.8• omissions : 52.1
Jaune: référenceRouge: détection
• rmin =4.7m• rmax =13.2m
• arbres détectés : 90%
• score global : 78.3• fausses alarmes : 14.5• omissions : 9.6
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
120SI21 - pré-adulte
0 50 1000
20
40
60
80
100SI18 - pré-adulte
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
100SI20 - pré-adulte
0 5 100
20
40
60
80
100SI21 - pré-adulte
0 5 100
20
40
60
80
100SI18 - pré-adulte
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)
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
• Relation allométrique utilisée:
Applications-- Plantations d’Eucalyptus
37© Y. Nouvellon, CIRAD & USP
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)
Introduction Données Méthode Applications Conclusions
Etude réalisée avec l’UMR TETIS et ECO&SOLS
© Zhou et al. FEM, 2012
P1 P2
P3 P4
Détection sur images WorldView (50cm)
39
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
• 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
Rayons de houppiers (m)
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
Rayons de houppiers (m)
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
Rayons de houppiers (m)
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
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
Rayons de houppiers (m)
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
Rayons de houppiers (m)
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
Rayons de houppiers (m)
Ra
yo
ns
dé
tec
tés
(m
)
P4
• rouge: en mai• vert: en août
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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).
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Conclusions
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
Introduction Données Méthode Applications Perspectives
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
Introduction Données Méthode Applications Perspectives
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.
Introduction Données Méthode Applications Perspectives
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,…
Introduction Données Méthode Applications Perspectives
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