%% nav-debut : généré par gen_navigation.py, ne pas modifier à la main %% > [!nav] > ↩ [[Géomatique/Télédétection/Lidar/Lidar|Accueil · Lidar]] %% nav-fin %% # Télédétection avancée : le Lidar *Light Detection and Ranging* > Disclaimer IA : ce cours a été rédigé par l'IA à partir d'un support de cours Genially créé par moi-même. Je vous donne accès au Genially puis à la version rédigée, à vous d'utiliser l'un ou l'autre des supports selon vos préférences. Les illustrations du cours sont les illustrations originales des mon Genially. --- ## Sommaire 1. [Introduction au lidar](#1-introduction-au-lidar) 2. [Format des données](#2-format-des-données) 3. [Acquisition des données](#3-acquisition-des-données) 4. [Traitement des données lidar](#4-traitement-des-données-lidar) 5. [Applications en géologie](#5-applications-en-géologie) 6. [Applications en agriculture](#6-applications-en-agriculture) 7. [Travaux dirigés](#7-travaux-dirigés) 8. [Glossaire](#8-glossaire) 9. [Références citées dans le support](#9-références-citées-dans-le-support) --- ## 1. Introduction au lidar ### 1.1 Définition et produit de base Le lidar est **une technologie qui mesure des distances à partir du temps d'aller-retour d'un signal lumineux**. Un émetteur envoie une impulsion laser vers une cible, le signal se réfléchit sur les objets rencontrés, et un récepteur enregistre l'énergie qui revient. Comme la vitesse de la lumière est connue, mesurer un temps revient à mesurer une distance. C'est une méthode de **télédétection active** : contrairement à l'imagerie optique passive, l'instrument produit lui-même son rayonnement. Deux conséquences pratiques en découlent : le lidar fonctionne de nuit, et il ne dépend pas des conditions d'éclairement solaire. Le **produit initial d'une acquisition lidar est un nuage de points** : un ensemble de coordonnées (x, y, z) décrivant la géométrie 3D de la scène. Tout le reste — modèles de terrain, hauteurs de végétation, classifications — est dérivé de ce nuage par traitement.  *Fig. 1 — D'une scène réelle au nuage de points. La coupe (à droite) montre bien ce que le lidar apporte par rapport à une image : la structure verticale de la scène est restituée, y compris sous le tablier du pont.* ### 1.2 Nature du signal Le lidar émet dans le **proche infrarouge** (voir §2.5 pour le détail des longueurs d'onde). Deux familles d'instruments coexistent : - **Laser pulsé** (*pulsed laser*) : l'instrument envoie des impulsions discrètes et mesure l'**amplitude** du signal de retour en fonction du temps. C'est le principe dominant en topographie. - **Laser continu** (*continuous wave*) : l'instrument émet en continu et mesure la **différence de phase** entre le signal émis et le signal reçu. Dans les deux cas, le **temps de trajet est converti en distance**.  *Fig. 2 — Position du signal lidar dans le spectre électromagnétique. Le proche infrarouge se situe immédiatement à droite du visible, entre environ 800 et 2500 nm.* ### 1.3 Repères historiques Le lidar n'est pas une technologie récente : ce qui est récent, c'est sa démocratisation. Son histoire est surtout celle de la **levée de deux verrous** — le positionnement, puis le stockage et le calcul. | Période | Avancées | Verrou de l'époque | |---|---|---| | **Années 1970** | Premiers prototypes de lidar aérien (NASA) ; premier lidar satellite lunaire | Absence de système GNSS performant : on mesure des distances, mais on ne sait pas les positionner | | **Années 1980** | GPS opérationnel ; développement des centrales inertielles (IMU) ; adaptation aux plateformes mobiles | Capacités de stockage et de traitement insuffisantes | | **Années 1990** | Premier système commercial ; le lidar devient compétitif ; développement des systèmes terrestres | — | | **2000 – 2020** | Développement logiciel ; lidar ultra-léger (drone) ; lidar bathymétrique ; véhicules autonomes | — | Cette chronologie explique une caractéristique essentielle du lidar : **la qualité d'un jeu de données lidar dépend autant du positionnement (GNSS + IMU) que du télémètre laser lui-même.** ### 1.4 Principe physique de la mesure Le faisceau laser n'est pas infiniment fin : il éclaire au sol une petite surface, l'**empreinte** (*footprint*). Tous les objets présents dans ce cône — feuilles, branches, fils, sol — renvoient une partie de l'énergie. **Le signal est donc réfléchi sur tous les objets situés sur son trajet**, et non sur un seul.  *Fig. 3 — Géométrie de l'émission. Le télescope de réception a un champ de vue légèrement plus large que le faisceau émis, afin de collecter l'énergie rétrodiffusée.*  *Fig. 4 — Une impulsion, plusieurs échos. L'énergie réfléchie (courbe bleue) est enregistrée en fonction du temps, qui se traduit directement en élévation : la canopée génère un premier retour, le sol un retour plus tardif et plus énergétique.* La relation fondamentale est simple : > **δz = c · δt / 2** > > où **δt** est la durée de l'aller-retour, **c** la célérité de la lumière dans l'air (≈ 3 × 10⁸ m/s), et le facteur **2** rend compte du fait que le signal parcourt deux fois la distance instrument–cible.  *Fig. 5 — Mesure du temps de trajet. Le décalage temporel t_L entre l'impulsion émise et l'impulsion reçue donne directement la distance R.* Deux points méritent d'être soulignés : 1. **La précision temporelle exigée est extrême.** Une erreur de 1 nanoseconde correspond à 15 cm d'erreur en distance. 2. **Les données de positionnement sont critiques.** Le télémètre ne donne qu'une distance le long d'une direction ; sans la position (GPS) et l'attitude (centrale inertielle) de la plateforme au moment exact du tir, cette distance n'est pas géoréférençable. ### 1.5 Deux exemples de lidar terrestre Le lidar terrestre (*Terrestrial Laser Scanner*, TLS) est le plus simple à appréhender parce que la plateforme est fixe.  *Fig. 6 — TLS, exemple 1 : levé d'une berge. Le rectangle rouge délimite la zone effectivement balayée ; les points bleus figurent la progression du faisceau le long d'une ligne de balayage.*  *Fig. 7 — TLS, exemple 2 : un dispositif complet de terrain. Le balayage est assuré par deux miroirs rotatifs (360° × 80°). Les cibles cylindriques à surface réfléchissante servent de points de contrôle au sol pour le géoréférencement (voir §3.4).* ### 1.6 Propriétés du signal lidar Cinq paramètres caractérisent un signal lidar, et conditionnent la qualité des données produites. #### a. Longueur d'onde (*wavelength*) Le domaine spectral utilisé :le proche infrarouge (NIR), moins couramment le vert pourra être utilisé. Ce choix détermine le comportement du signal face à l'eau et à la végétation (§2.5 et §2.6). #### b. Fréquence de tir (*pulse rate*) Le nombre d'impulsions émises par seconde, exprimé en hertz. Elle conditionne, à vitesse de plateforme donnée, la densité de points. #### c. Espacement (*pulse spacing*) La distance au sol entre deux faisceaux consécutifs — autrement dit, le nombre d'impulsions laser par unité de surface. Il dépend de trois facteurs : **la vitesse de vol, le schéma de vol et la fréquence de tir**.  *Fig. 8 — Les paramètres géométriques d'une acquisition aéroportée. On y lit les deux résolutions qui définissent l'espacement : *along-track* (le long de la trajectoire, liée à la vitesse de vol et à la fréquence) et *across-track* (en travers, liée à l'angle de balayage et à l'altitude).*  *Fig. 9 — Le principe de collecte résumé : émission d'impulsions, réflexion sur les surfaces, calcul d'un triplet (X, Y, Z) par retour, grâce aux systèmes de positionnement et de navigation embarqués.* #### d. Empreinte (*pulse footprint*) L'empreinte est la **surface couverte au sol par une impulsion**. Un point essentiel : cette surface contient un très grand nombre de photons, et donc **potentiellement plusieurs élévations z** correspondant aux objets situés sur le trajet. Le rayon de l'empreinte se calcule à partir de la divergence du faisceau : > **r = tan(θ / 2) × h** > > où **θ** est la divergence du faisceau et **h** la hauteur de l'instrument au-dessus de la cible.  *Fig. 10 — Géométrie de l'empreinte. Le faisceau est un cône : son rayon au sol croît linéairement avec la distance parcourue.*  *Fig. 11 — Effet de la divergence. À 1000 m, un faisceau de 0,7 mrad éclaire 0,7 m au sol, contre 0,3 m pour un faisceau de 0,3 mrad. Ces valeurs sont valables pour une surface plane : **une pente déforme et agrandit l'empreinte**.* Conséquences directes : - **L'incertitude horizontale (x, y) d'un point est du même ordre que la taille de l'empreinte.** On ne sait pas où, dans l'empreinte, se trouve exactement l'objet qui a renvoyé le signal. - **Plus la distance est faible, plus l'empreinte est petite**, donc plus la mesure est précise. C'est pourquoi un TLS ou un lidar drone est bien plus précis qu'un lidar satellite. #### e. Géométrie de balayage L'empreinte dépend aussi de la manière dont le faisceau balaie le sol.  *Fig. 12 — Géométries de balayage *across-track* (a) et de Palmer (b). D'après Sheng, Yongwei. « Quantifying the Size of a Lidar Footprint: A Set of Generalized Equations. » *IEEE Geoscience and Remote Sensing Letters* 5 (2008) : 419-422.* #### f. Relation espacement / empreinte L'articulation entre espacement et empreinte détermine la qualité de la couverture : - **Espacement ≈ empreinte** → scénario idéal : les empreintes se juxtaposent sans se recouvrir ni laisser de vide. - **Espacement < empreinte** → **duplication de données** (*data replication*) : les empreintes se chevauchent, on mesure plusieurs fois la même surface. - **Espacement > empreinte** → **lacunes** (*data gaps*) : des portions de terrain ne sont jamais éclairées.  *Fig. 13 — Les trois régimes espacement/empreinte. Le scénario idéal (à gauche) maximise la couverture sans redondance inutile.* ### 1.7 Retours discrets et onde complète Une même impulsion peut produire plusieurs retours, puisqu'elle rencontre plusieurs objets. La façon dont l'instrument enregistre ces retours définit deux familles de données.  *Fig. 14 — Un signal de retour complet sur un couvert végétal (source : ASPRS). L'axe vertical est un délai en nanosecondes, converti en distance : on lit directement la structure verticale du peuplement.*  *Fig. 15 — *Discrete return* contre *full waveform* : les retours discrets sont les pics extraits de l'onde complète.* | | **Discrete return** | **Full waveform** | |---|---|---| | Principe | Enregistrement de pics individuels | Numérisation du signal complet | | Nombre de valeurs | 1 à 6 pics par impulsion | Le signal entier | | Précision | Moins précis | Classification plus précise | | Détection | Détection des pics faite par l'instrument : **« boîte noire »** | L'utilisateur dispose du signal brut | | Stockage | Léger | Nécessite beaucoup plus de mémoire | | Diffusion | Le plus répandu | Plus rare, plus spécialisé | Le point important pour l'utilisateur : avec des données à retours discrets, **l'algorithme de détection des pics n'est pas documenté par le constructeur**. On hérite donc de choix de traitement sur lesquels on n'a pas la main, ce qui est une limite lorsqu'on travaille sur des cibles complexes (végétation dense, structures fines). --- ## 2. Format des données ### 2.1 Ce que contient un point lidar Un point issu d'une acquisition à retours discrets porte au minimum : - **Les coordonnées spatiales (x, y, z)** — le nuage de points proprement dit ; - **Le numéro de retour** (*return number*), lorsqu'une impulsion produit plusieurs retours ; - **Une valeur d'intensité relative**, encodée sur 8 ou 16 bits ; - **Facultativement, une classe** (sol, végétation, bâtiment…).  *Fig. 16 — Un nuage de points urbain coloré par intensité.*  *Fig. 17 — Le même arbre décrit par le numéro de retour (source : SPIE). La canopée est majoritairement décrite par des premiers retours, le sol et le sous-bois par des retours tardifs.* ### 2.2 Le nuage de points Le nuage est **généré à partir des impulsions**, mais les trois coordonnées n'ont pas la même origine : - **x et y sont déterminés par le GPS et l'IMU** — c'est-à-dire par la position et l'attitude de la plateforme ; - **z est déterminé par le scanner laser** — c'est-à-dire par la mesure de distance. C'est pourquoi une dérive du positionnement dégrade la planimétrie, tandis qu'un défaut de télémétrie dégrade l'altimétrie : les deux erreurs sont indépendantes et ne se corrigent pas de la même manière. ### 2.3 Le numéro de retour Le numéro de retour est **issu de la discrétisation du signal** — la fameuse partie « boîte noire ». En pratique on compte **jusqu'à 5 retours par impulsion**. - Les **premiers retours** (*first returns*) sont les plus proches du lidar : sommet de canopée, faîtage de toiture, câbles. - Les **derniers retours** (*last returns*) sont les plus éloignés : typiquement le sol, lorsque l'impulsion a traversé le couvert.  *Fig. 19 — Génération des retours multiples. Selon ce que rencontre l'empreinte instantanée, une impulsion donne un ou plusieurs retours.* Applications principales : **la classification** (distinguer sol, végétation, bâti) et **la modélisation de la surface** (voir §4.4 et §4.5). ### 2.4 L'intensité L'intensité est **générée à partir de l'amplitude du signal enregistré**. Elle est comparable à un signal NIR d'imagerie, à ceci près qu'elle ne comporte **qu'une seule longueur d'onde**. Points de vigilance : - **L'amplitude dépend de la composition de l'objet ou de la surface** qui réfléchit le signal — un toit métallique, une pelouse et une route n'ont pas la même réponse. - **L'intensité fournie est relative, jamais absolue.** Elle n'est pas comparable directement d'un vol à l'autre, ni même toujours à l'intérieur d'un vol, sans correction radiométrique.  *Fig. 20 — Intensité par classe d'objet, avant et après correction radiométrique. D'après W.Y. Yan et al., *ISPRS Journal of Photogrammetry and Remote Sensing* 67 (2012) : 35-44.*  *Fig. 21 — Classification d'une scène urbaine à partir de l'intensité lidar. Les applications typiques sont la **classification** et l'**extraction d'objets** (*feature extraction*).* ### 2.5 Le lidar et l'eau C'est une limite structurelle du lidar topographique : - **Le signal infrarouge est absorbé par l'eau.** - Il en résulte des **trous dans le jeu de données** partout où il y a de l'eau libre. - **Pour la bathymétrie, il faut donc une autre technique.**  *Fig. 22 — Absorption de l'eau en fonction de la longueur d'onde (Renslow, 2012, *Manual of Airborne Topographic Lidar*). L'écart est de plusieurs ordres de grandeur : le bleu et le vert pénètrent, le proche infrarouge est absorbé quasi immédiatement.*  *Fig. 23 — Levé TLS en contexte fluvial : la rivière au premier plan sera invisible dans le nuage de points infrarouge.*  *Fig. 24 — Effet concret de l'absorption : la lame d'eau ne renvoie presque rien, laissant un vide au centre du nuage.* ### 2.6 Pourquoi le proche infrarouge ? - **Proche infrarouge (NIR) : 800 à 2500 nm.** - **Les scanners lidar travaillent en général entre 1000 et 1550 nm.** Trois raisons à ce choix : 1. **Réduction des interférences** (bruit spectral) et donc **meilleur rapport signal sur bruit** : dans le NIR, le rayonnement solaire parasite est moins intense qu'en visible, et des bandes d'absorption atmosphérique limitent encore le fond. 2. **Fabrication des photodétecteurs sur silicium moins chère et plus facile** dans le NIR que dans le SWIR (infrarouge à courte longueur d'onde). 3. **Longueur d'onde moins nocive pour les yeux** que le visible, à énergie égale.  *Fig. 25 — Irradiance solaire et bandes d'absorption atmosphérique. Les creux au-delà de 1000 nm expliquent en partie l'intérêt du NIR : moins de rayonnement solaire concurrent au niveau du détecteur.* ### 2.7 Le lidar bathymétrique Puisque le NIR ne pénètre pas l'eau, la bathymétrie lidar repose sur une **combinaison d'un lidar NIR et d'un lidar vert**, adaptée aux **eaux peu profondes**. Le canal vert (520-560 nm), beaucoup moins absorbé, atteint le fond ; le canal NIR détecte la surface de l'eau. La différence entre les deux donne la profondeur. Cette technique a notamment été développée par **Géosciences Rennes**. ### 2.8 La classification Trois faits à retenir : - **Les données lidar ne sont pas classifiées *a priori*.** Un nuage brut n'est qu'une liste de coordonnées. - On peut classer les points **en se basant sur des données géomorphométriques** (pente, rugosité, hauteur relative) **ou sur le signal lui-même** (intensité, numéro de retour). - **La plupart des nuages fournis aujourd'hui sont classifiés**, mais **ce n'est pas le cas si vous acquérez vos propres données**.  *Fig. 26 — Avant / après classification sur une scène urbaine.*  *Fig. 27 — Les codes de classification standardisés par l'ASPRS. Ce sont eux qui garantissent l'interopérabilité entre logiciels : la classe 2 signifie « sol » quel que soit le producteur des données.* ### 2.9 Les données RGB - **Les nuages ne sont pas colorisés par défaut** : le lidar mesure une géométrie et une intensité monocanal, pas une couleur. - Une **fusion image RGB + nuage de points** est possible, et fréquente pour la visualisation et l'interprétation. - **Attention aux distorsions sur les images !** Une photographie aérienne subit des déformations géométriques (perspective, relief) que le nuage lidar n'a pas ; un recalage approximatif projette les couleurs sur les mauvais points.  *Fig. 28 — Fusion RGB / nuage de points : le décalage entre l'emprise théorique (rouge) et l'emprise reprojetée (vert) illustre l'ampleur des distorsions à corriger.* ### 2.10 Les données brutes et leurs formats Pour chaque point, on dispose typiquement de : **x, y, z, intensité, numéro de retour, code de classe, r, g, b**. **Formats lidar communs :** | Format | Caractéristiques | |---|---| | **ASCII** (.csv, .txt, .xyz) | Le plus simple, mais très lourd (texte non compressé) | | **LAS** | Format binaire optimisé pour les nuages de points, **standardisé par l'ASPRS** | | **LAZ** | Version compressée du LAS, **sans perte de données**, taille ramenée à 10-30 % de l'original | À cela s'ajoutent les **formats propriétaires de chaque constructeur** (RIEGL, Polyworks, DotProduct, Mantis…), qu'il faut convertir avant tout traitement dans une chaîne standard.  *Fig. 29 — L'étendue des formats supportés par un logiciel de traitement donne une idée de la fragmentation du domaine.*  *Fig. 30 — Un nuage brut haute densité : à cette résolution, la microtopographie décimétrique est directement lisible.* ### 2.11 Logiciels et bibliothèques Liste non exhaustive. **Logiciels gratuits** - **Plas.io** — visualiseur en ligne - **QGIS 3** — SIG généraliste, support LAS/LAZ - **Whitebox GAT** — traitement géospatial - **Fugro Viewer** - **Potree** — visualiseur web de très grands nuages - **GRASS GIS** - **LAStools** — outils en ligne de commande de référence - **FUSION** - **CloudCompare** — comparaison et traitement de nuages **Logiciels payants** - **ArcGIS** - **ENVI LiDAR** - **GlobalMapper** **Bibliothèques** - **laspy** (Python) - **PyLidar** (Python) - **PDAL** (C++ et Python)  *Fig. 31 — Le visualiseur Potree, qui permet de naviguer dans des nuages de plusieurs milliards de points directement dans un navigateur.* ### 2.12 Bilan des parties 1 et 2 : avantages et inconvénients | **Avantages** | **Inconvénients** | |---|---| | Acquisition rapide sur de larges zones | Capteurs encore chers | | Haute précision | Sensible aux conditions atmosphériques | | Acquisition **sous le couvert végétal** | Inutilisable en eaux profondes | | Haute densité de points | Fichiers lourds | | Pas de distorsions géométriques | Traitement qui nécessite une connaissance théorique | | Télédétection **active** : utilisable la nuit | Pas de données RGB *a priori* : impossible de vérifier à l'œil nu | | Domaine en rapide expansion | | --- ## 3. Acquisition des données ### 3.1 Généralités Un système lidar associe toujours trois familles d'instruments : - **Le laser** (émission et télémétrie) ; - **L'IMU** (*Inertial Measurement Unit*) : mesure de l'attitude ; - **L'INS** (*Inertial Navigation System*) : navigation. Ces instruments peuvent être montés sur des **plateformes** très variées : - **TLS** — *Terrestrial Laser Scanner* : scanner fixe sur trépied ; - **MLS** — *Mobile Laser Scanning* : véhicule, bateau, sac à dos ; - **UAV / avion** — drone ou aéronef habité ; - **Satellite** — missions ESA (BepiColombo, JUICE) et NASA (ATLAS sur ICESat-2, GEDI sur l'ISS).  *Fig. 32 — Un système TLS complet et ses composants.* ### 3.2 Les plateformes et leurs densités de points C'est le critère le plus discriminant en pratique : **la densité de points conditionne ce qu'on peut voir**. | Plateforme | Densité de points | Empreinte au sol | |---|---|---| | **Satellite** | — | 25 à 70 m | | **ALS** (avion) | **10 à 200 pts/m²** | 0,5 à 25 m | | **DLS** (drone) | **200 à 500 pts/m²** | 0,05 à 0,1 m | | **TLS** (terrestre) | **1 000 à 10 000 pts/m²** | 0,02 m | Et les plateformes possibles sont en pratique **infinies** : bateau, voiture, sac à dos… #### ALS — *Aerial Laser Scanner* C'est **le plus commun**.  *Fig. 33 — Architecture d'un système ALS (Wehr, 1999). Le balayage est perpendiculaire à la direction de vol ; c'est la combinaison des deux mouvements qui couvre la surface.* #### TLS et DLS Le **TLS** est particulièrement **utile pour les objets et les surfaces verticaux** — falaises, berges, façades, parois — que le lidar aérien voit mal ou pas du tout, puisqu'il tire quasiment à la verticale. Le **DLS** (drone) offre un bon compromis entre densité, emprise et coût de mise en œuvre.  *Fig. 35 — Mise en œuvre d'un TLS sur un site fluvial.*  *Fig. 36 — Résultat d'un levé en gorge : la végétation riveraine et la géométrie du chenal sont restituées, l'eau reste vide.*  *Fig. 37 — Un lidar embarqué sur drone (DLS), technologie qui a explosé depuis les années 2010.* #### Lidar mobile et portatif  *Fig. 38 — Scanner mobile porté à la main : la plateforme est l'opérateur lui-même.* #### Satellite Les lidars spatiaux se répartissent en deux grands domaines : **Observation de la Terre (EO)** - **ICESat-2** (altimétrie des glaces et de la végétation) - **EarthCARE** (nuages et aérosols) - **ACE** - **CATS, GEDI** (structure de la végétation, depuis l'ISS) - **CALYPSO** **Planétologie** - **MOLA et MGS** (Mars) - **MLA** (Mercure) - Missions **lunaires** - **NEAR-Shoemaker, Hayabusa, OSIRIS-REx** (astéroïdes)  *Fig. 39 — Le capteur GEDI (*Global Ecosystem Dynamics Investigation*), embarqué sur la Station spatiale internationale.*  *Fig. 40 — La topographie de Mars, produit emblématique de l'altimétrie laser spatiale (MOLA).* ### 3.3 Composants d'un système d'acquisition — cas du lidar aérien Un système ALS complet comprend cinq éléments : 1. **Un scanner laser** 2. **Une unité de télémétrie** (*ranging unit*) 3. **Une unité de contrôle** 4. **Un système GNSS** (DGPS) 5. **Une unité de mesure inertielle** (IMU)  *Fig. 41 — Architecture d'un système d'acquisition aéroporté.*  *Fig. 42 — Les axes d'une centrale inertielle.* **Ce qu'est une IMU** — un capteur qui comporte : - **un accéléromètre 3 axes** (accélération linéaire) ; - **un gyromètre 3 axes** (vitesse angulaire). **Ce qu'une IMU n'est pas :** attention, **elle ne donne pas la position, l'altitude ni la vitesse générale**. Elle mesure des variations, qu'il faut intégrer et recaler sur le GNSS. C'est précisément la complémentarité GNSS (position absolue, basse fréquence) / IMU (attitude, haute fréquence) qui rend le géoréférencement direct possible. ### 3.4 Composants — cas du lidar terrestre Dans le cas du lidar terrestre, la plateforme est fixe : **il faut géoréférencer le nuage de points sans IMU ni INS**. La solution est l'**utilisation de cibles au sol**. Protocole : - **Des cylindres avec une surface réfléchissante** (typiquement 10 cm de haut), qui ressortent nettement dans les données d'intensité ; - **Répartir aléatoirement 15 à 20 cibles sur la zone d'étude** ; - **Noter les coordonnées x, y, z de chaque cible au DGPS.** Le nuage, acquis dans le repère propre du scanner, est ensuite recalé sur ces points de contrôle. ### 3.5 Paramètres d'acquisition Trois paramètres définissent le plan d'acquisition : - **Le swath** (fauchée) : l'étendue latérale d'un passage du lidar au-dessus d'une zone ; - **Le schéma d'acquisition** (*scanning pattern*) : le motif dessiné au sol par le faisceau ; - **L'angle d'acquisition.** #### Le swath La largeur de fauchée **dépend de deux facteurs** : **la hauteur de vol** et **l'angle d'acquisition maximal**. Voler plus haut élargit la fauchée — donc réduit le nombre de lignes de vol nécessaires — mais dégrade la densité de points et agrandit l'empreinte. C'est l'arbitrage central de tout plan de vol.  *Fig. 43 — Fauchée, direction de vol et direction de balayage. D'après Petras, V. ; Petrasova, A. ; McCarter, J.B. ; Mitasova, H. ; Meentemeyer, R.K. « Point Density Variations in Airborne Lidar Point Clouds. » *Sensors* 2023, 23, 1593.* #### Le scanning pattern Le motif de balayage dépend du type de mécanisme optique employé.  *Fig. 44 — Motifs de balayage selon le type de capteur (Petras et al., 2023). Chaque motif produit une répartition de densité différente au sol, ce qui a des conséquences directes sur l'interpolation ultérieure.*  *Fig. 45 — La signature des lignes de vol dans un nuage réel : les bandes plus denses correspondent aux zones de recouvrement entre passages.* #### Le recouvrement Le **recouvrement** (*overlap*) entre lignes de vol est utile pour : - **La calibration et la validation** des données ; - **Le géoréférencement des lignes de vol** entre elles ; - **Augmenter la densité de points** ; - **Éviter les trous dans les données.** **Il n'existe pas de standard**, mais on cherche d'habitude à obtenir **entre 20 et 50 % de recouvrement**.  *Fig. 46 — Plan de vol et recouvrement : les bandes ne sont jamais parfaitement rectilignes, ce qui rend le recouvrement d'autant plus nécessaire.* --- ## 4. Traitement des données lidar ### 4.1 Le processus général **Les étapes de traitement dépendent des applications**, mais **deux étapes sont classiques** : 1. **La classification des points** 2. **L'interpolation des points en surface continue**  *Fig. 47 — Chaîne de traitement type. Noter que les trois entrées du haut sont indispensables : sans données de calibration et de positionnement, on ne peut même pas produire les coordonnées.* ### 4.2 Qualité des données : les lacunes Les **lacunes** (*data gaps*) ont cinq causes principales : - **Acquisitions sans recouvrement** - **Surfaces très réfléchissantes** (le signal est renvoyé dans une direction spéculaire, hors du champ du récepteur) - **Absorption par l'eau** - **Effets d'ombres** - **Différences d'altitudes** #### Effets d'ombre L'effet d'ombre est la cause la plus intuitive : **ce que le faisceau ne voit pas n'existe pas dans les données**. Un objet en masque un autre, et laisse derrière lui une zone sans aucun point.  *Fig. 48 — Ombres portées dans une acquisition mobile. Les zones noires derrière les véhicules ne sont pas des surfaces sombres : ce sont des **absences de données**.*  *Fig. 49 — La même scène, capteur surélevé d'un mètre seulement. **Un léger changement de géométrie d'acquisition réduit considérablement les lacunes** : c'est un argument fort en faveur de la planification et de la multiplication des points de vue.* #### Différences d'altitude  *Fig. 50 — Acquisition à Hawaï : les forts contrastes d'altitude modifient la largeur de fauchée d'un point à l'autre du survol et créent des lacunes entre bandes.* #### Absorption par l'eau  *Fig. 51 — Acquisition à Hawaï : la zone immergée est incomplète, l'infrarouge n'ayant pas été réfléchi par la surface de l'eau.* ### 4.3 Qualité des données : les artefacts Un **artefact représente le bruit dans les données**, et **peut affecter l'analyse**. **Causes :** - **Aérosols atmosphériques** (poussière, humidité…), qui renvoient un écho avant le sol ; - **Oiseaux** (*bird hits*), qui produisent des points isolés très au-dessus de la surface. **Comment filtrer :** - **Sélection manuelle** ; - **Classification automatique**, selon plusieurs critères : - Classification automatique dédiée (par exemple *Classify LAS Noise* dans ArcGIS Pro) ; - **Isolation** : un point sans voisin proche est suspect ; - **Hauteur absolue** ; - **Hauteur au-dessus du sol**. > ⚠️ **Ne supprimez pas les points, mais utilisez le code de classe 7 : *Noise*.** Le traitement doit rester réversible et traçable : marquer le bruit permet de revenir en arrière, le supprimer non.  *Fig. 52 — Artefacts typiques : les *bird hits* forment des amas de points suspendus, sans continuité avec la surface.* ### 4.4 La classification des données **Les fournisseurs de données peuvent produire des données classifiées, qui peuvent être reclassifiées si besoin.** Autrement dit, une classification livrée n'est pas une vérité : c'est un traitement, avec ses hypothèses et ses erreurs.  *Fig. 53 — Un nuage classifié affiché avec les codes standardisés par l'ASPRS.* #### a. Classification basée sur le numéro de retour  *Fig. 54 — Décomposition d'un transect par numéro de retour (Nayeghandi). Deux enseignements : les retours tardifs sont **rares** (moins de 1 % au 4e retour), et ce sont pourtant eux qui décrivent le **sol sous couvert**.* #### b. Classification basée sur la classe du retour On distingue non plus seulement le rang du retour, mais son statut : *first of many*, *last of many*, *only return*… Un « premier d'une série » et un « retour unique » n'ont pas la même signification physique — le second indique une surface opaque, le premier une surface pénétrable.  *Fig. 55 — Premiers et derniers retours sur un arbre (source : ESRI).* #### c. Ce qui se classe bien, et ce qui se classe mal **Certains objets sont faciles à classifier, certains non.**  *Fig. 56 — Distributions spatiales de cinq types d'objets urbains (Song et al., 2018). Un mur ou un poteau ont une signature géométrique nette et régulière ; un arbre et un buisson produisent des nuages diffus difficiles à séparer l'un de l'autre.* #### d. La classification du sol C'est **d'habitude la première étape** du traitement, car presque tous les produits dérivés en dépendent. Principe : 1. **Faire correspondre les points à un modèle TIN** (réseau irrégulier de triangles) ; 2. **Itérer sous une valeur seuil** : à chaque passe, les points suffisamment proches de la surface triangulée sont agrégés au sol, ce qui affine le TIN ; 3. **Résultats** : - **valeurs de sol sous le TIN** ; - **valeurs autres que le sol au-dessus.**  *Fig. 57 — Profil brut avant classification : sol et objets sont mélangés.*  *Fig. 58 — Après classification : la séparation sol / hors-sol est explicite, et le MNT peut être interpolé à partir des seuls points de sol.* ### 4.5 La création de MNT Un **MNT** (modèle numérique de terrain) est : - une **représentation quantitative de la topographie** ; - la représentation d'une **variable continue dans l'espace** (l'altitude) ; - stockée **sous forme discrète en format numérique** : - **Raster** : chaque pixel porte une élévation ; - **Vecteur** : *Triangulated Irregular Network* (TIN). **Deux produits à ne pas confondre :** - **MNT / DTM** (*Digital Terrain Model*) : le **sol nu**, obtenu à partir des points classés « sol ». - **MNS / DSM** (*Digital Surface Model*) : la **surface vue du ciel**, végétation et bâtiments compris, obtenue à partir des premiers retours.  *Fig. 59 — MNT et MNS d'une même scène. La différence entre les deux, c'est exactement ce qui pousse au-dessus du sol.* ### 4.6 Les MNT différentiels - **Calculés comme : MNT diff = MNS − MNT.** - **Normalisés pour représenter la hauteur au-dessus du sol.** Deux produits classiques : - **Canopy Height Model (CHM)** — modèle de hauteur de canopée ; - **Buildings Height Model** — modèle de hauteur du bâti.  *Fig. 60 — Un peuplement forestier coloré par hauteur au-dessus du sol : c'est la lecture directe d'un CHM.*  *Fig. 61 — Modèle de hauteur du bâti sur une scène urbaine.* #### Approche 1 : par vecteur (sur les points) 1. **Filtrer et « binner » les derniers retours** pour obtenir le sol ; 2. **Interpoler un raster à partir des points de sol** (= le MNT) ; 3. **Soustraire le MNT aux points lidar** (= normaliser) ; 4. **Les résultats sont des points au-dessus du sol** : - **sol : points = 0** - **erreurs : points < 0** Le contrôle qualité est immédiat : **tout point négatif après normalisation est une erreur**, soit de classification, soit d'interpolation.  *Fig. 62 — Résultat d'une normalisation par approche vecteur : chaque point porte désormais sa hauteur au-dessus du sol, et non plus son altitude absolue.* #### Approche 2 : par raster 1. **Interpoler un MNT et un MNS à partir des points** ; 2. **Soustraire les deux rasters** ; 3. **Le résultat est un CHM.**  *Fig. 63 — CHM obtenu par différence de rasters. Chaque tache chaude est un houppier ; on peut en déduire la densité d'arbres et leur hauteur.* **Quelle approche choisir ?** L'approche vecteur conserve toute l'information du nuage et permet des statistiques par point (utile en foresterie : hauteur, densité, strates). L'approche raster est plus rapide et donne directement une couche exploitable en SIG, mais l'interpolation intermédiaire lisse l'information. --- ## 5. Applications en géologie ### 5.1 Six domaines majeurs 1. **Extraire les paramètres géomorphométriques** en complément de données du sous-sol (sismique…) ; 2. **Changement de la géomorphologie des surfaces** : formation de cônes alluviaux, quantification de dépôts de *debris flow*, évolution de dunes, érosion côtière, glaciers, dynamique des coulées de lave… ; 3. **Hydrologie de surface** et modèles d'inondation ; 4. **Géomorphologie tectonique** ; 5. **Cartographie** ; 6. **Risques naturels** : glissements de terrain, dégâts post-séismes, *debris flow*. Le fil conducteur est le même dans les six cas : **le lidar donne accès à une topographie fine, répétable dans le temps, et débarrassée de la végétation** — trois propriétés qu'aucune autre technique ne réunit. ### 5.2 Dunes éoliennes Applications : **Terre, Mars, Vénus, Titan** ; **étude des lignes de crête** ; **calcul de taux de migration** (zones côtières et déserts).  *Fig. 64 — MNT multi-temporels sur White Sands. C'est la **répétition** de l'acquisition qui produit l'information : la comparaison de deux états donne un taux de migration.*  *Fig. 65 — Chaîne méthodologique complète (Dong, 2015). Elle illustre bien la logique du traitement lidar en géomorphologie : passer de la topographie brute à un **objet géomorphologique identifiable** (ici la face d'avalanche, isolée par un simple seuil de pente 30°-35°), puis mesurer son déplacement.* ### 5.3 Reliefs fluviatiles  *Fig. 66 — Comparaison imagerie satellite / MNT lidar sur des cônes alluviaux. Les agrandissements (D) et (E) montrent ce que l'imagerie ne donne pas : **le réseau de chenaux distributaires et les générations successives de dépôts**, lisibles uniquement grâce à l'ombrage d'un MNT haute résolution.* ### 5.4 Terrasses alluviales  *Fig. 67 — MNT lidar et profils topographiques extraits. **Les profils en travers révèlent les replats de terrasses**, qui traduisent les incisions successives du cours d'eau.* ### 5.5 Reliefs volcaniques  *Fig. 68 — Champ volcanique de Lunar Crater. La **carte de pente (C)** est un dérivé du MNT particulièrement efficace pour détecter automatiquement des formes circulaires.*  *Fig. 69 — Formes volcaniques du Mauna Loa. Le système altimétrique de référence est précisé (NAVD88 / GEOID03, EPSG 5703) : **en volcanologie comme ailleurs, comparer deux MNT suppose de vérifier qu'ils partagent le même référentiel vertical.***  *Fig. 70 — Coulée de lave de Parkdale (données DOGAMI). Les structures d'écoulement — rides de pression, chenaux, levées — sont lisibles alors que la coulée est aujourd'hui entièrement boisée : **c'est l'apport décisif du lidar sous couvert végétal.***  *Fig. 71 — Meteor Crater vu par le lidar : ombrage, MNT coloré et profil topographique, les trois produits complémentaires d'un même jeu de données.* ### 5.6 Reliefs tectoniques C'est l'une des applications les plus spectaculaires du lidar : **mesurer le décalage d'objets géomorphologiques de part et d'autre d'une faille**.  *Fig. 72 — Chenaux décalés le long de la faille de San Andreas. Les couples de points (a₁, a₂) et (b₁, b₂) matérialisent le **décalage horizontal cumulé** enregistré par le réseau hydrographique.*  *Fig. 73 — Faille de Furnace Creek et **restauration par *back-slipping***. En faisant coulisser numériquement un compartiment jusqu'à réaligner les chenaux, on mesure directement le déplacement total de la faille. Ce type d'analyse serait impossible sans une topographie métrique.*  *Fig. 74 — Willow Valley : raster de pente (haut) et MNT ombré (bas), deux dérivés du même MNT lidar.*  *Fig. 75 — Profils topographiques extraits du MNT. Les ressauts visibles en (A) et (B) sont la signature morphologique de la faille ; les incisions de (D) traduisent l'érosion postérieure.* ### 5.7 Missions planétaires L'altimétrie laser est l'un des rares moyens d'obtenir une topographie absolue sur un corps planétaire. | Mission | Cible | Année | |---|---|---| | **MOLA** — *Mars Orbital Laser Altimeter* | Mars | 1996 | | **MLA** — *Mercury Laser Altimeter* | Mercure | 2004 | | **LALT** — *Lunar Altimeter* | Lune | 2007 — précision et exactitude de 5 m | | Autres missions lunaires (Chine, Inde) | Lune | 2007 et 2008 | | **LOLA** — *Lunar Orbiter Laser Altimeter* | Lune | 2009 |  *Fig. 76 — Topographie de la Lune et de Mars issue de l'altimétrie laser orbitale.* --- ## 6. Applications en agriculture ### 6.1 Pourquoi le lidar en agriculture ? Comme nous l'avons vu précédemment, un des intérêts principaux du Lidar est de fournir une topographie très précise, sous le couvert végétal, et à une très petite échelle spatiale. Dans l'agriculture, ces capacités sont notamment intéressantes pour l'étude des écoulements de surface, l'humidité des sols, les risques d'érosion, le suivi de la biomasse et l'optimisation de l'aménagement des exploitations agricoles. Cependant en agriculture, d'autres utilisations du Lidar sont déjà à l'état opérationnel, comme par exemple l'utilisation du Lidar comme aide à la navigation adaptative des robots agricoles, ### 6.2 Le Lidar en agriculture de précision *Cette partie se base sur la publication suivante : Farhan, S.M.; Yin, J.; Chen, Z.; Memon, M.S. A Comprehensive Review of LiDAR Applications in Crop Management for Precision Agriculture. Sensors **2024**, 24, 5409. https://doi.org/10.3390/s24165409* A REDIGER ### 6.3 Lidar Agrophotonique En allant plus loin que le simple temps d'aller-retour du signal, on peut utiliser l'amplitude du signal optique rétrodiffusé. Ci-dessous, trois exemples d'utilisation du Lidar qui se basent sur la connaissance plus fine du signal. ![[agrophotonique.png]] *Source : magazine Photoniques 135* #### 6.3.1 Le Lidar à absorption différentielle En évaluant les différentes amplitudes du signal rétrodiffusé par le lidar, il est possible de suivre les concentrations de certains gaz, notamment les gaz à effet de serre. Un Lidar de type DIAL est employé : Differential Absorption LiDAR. Ce Lidar envoie deux signaux avec des longueurs d'ondes très proches. La différence d'amplitude entre les deux signaux renvoie une cartographie de la distribution spatiale de la concentration d'un gaz. Dans les productions animales, les émissions directes de gaz à effet de serre (e.g. méthane) et de polluants atmosphériques (e.g. ammoniac) exercent une influence notable sur l’environnement, le bien-être animal et la santé des éleveurs. De plus, les pertes sous forme gazeuse en agriculture végétale (e.g. volatilisation de fertilisation azotée) ont un impact non négligeable sur l’économie des exploitations. Le besoin de cartographier les zones à fortes concentrations gazeuses dans les bâtiments d’élevage et au champ est alors crucial pour envisager des pratiques agricoles à la fois durables et performantes. #### 6.3.2 Le Lidar de fluorescence L'efficacité de la photosynthèse d'une plante peut se mesurer par l'étude du rendement de fluorescence de cette chlorophylle. Aujourd'hui généralement étudiée à très petite échelle sur une parcelle, c'est une technique relativement longue. L'utilisation du Lidar aéroporté pourrait permettre une généralisation de ces études et une application sur des zones plus étendues. ' *Un système LiDAR de fluorescence, développé conjointement par Arvalis et l’Institut Foton (UMR CNRS 6082), repose sur une source laser émettant un train d’impulsions de quelques microsecondes à une longueur d’onde située dans la bande d’absorption de la chlorophylle, soit autour de 450 nm. Le signal de fluorescence est ensuite collecté entre 600 nm et 800 nm par détection synchrone. Les flux de lumière ambiante (e.g. soleil et éclairage dans les serres de culture) et spéculaire sont auparavant filtrés spectralement pour ne garder que les composantes d’intérêt. Les bandes spectrales d'excitation et d’émission de la fluorescence chlorophyllienne offrent l’avantage de travailler avec les technologies silicium et des sources de type LED ou laser visible. Autrement dit, les composants photoniques abordables, compacts et efficaces en consommation énergétique, permettent d’envisager une intégration réussie dans le secteur de l'agriculture.*' *(Photoniques, 135)* ![[photonics2.png]] --- *Fig. 76 — Variation du rendement de fluorescence chlorophyllienne de plants de maïs. L’intensité normalisée de la luminosité ambiante est superposée en pointillé. On observe un meilleur rendement lors des périodes diurnes, et le couvert nuageux a un impact visible.* #### 6.3.3 Le Lidar de réflectance spectrale Une des limites du Lidar est son aspect mono-spectre. Il est onéreux d'avoir plusieurs longueurs d'ondes sur un capteur. Le besoin de données spectrales à une échelle très fine a cependant mené la Région Bretagne a développer un outil Lidar de réflectance multispectrale pour le phénotypage de précision. ![[photonics3.png]] *Fig. 77 — Déploiement du LiDAR multispectral pour la mesure de réflectance de couverts agricoles dans le visible et court infrarouge. --- ## 7. Glossaire | Terme | Définition | |---|---| | **ALS** | *Aerial Laser Scanner* — lidar aéroporté | | **ASPRS** | *American Society for Photogrammetry and Remote Sensing* — organisme qui standardise le format LAS et les codes de classification | | **CHM** | *Canopy Height Model* — modèle de hauteur de canopée, = MNS − MNT sur zone boisée | | **DGPS** | GPS différentiel, corrigé par une station de référence au sol | | **Discrete return** | Enregistrement de pics individuels du signal de retour (1 à 6 par impulsion) | | **DLS** | *Drone Laser Scanning* | | **Empreinte** (*footprint*) | Surface au sol couverte par une impulsion ; r = tan(θ/2) × h | | **Espacement** (*pulse spacing*) | Distance au sol entre deux impulsions consécutives | | **Full waveform** | Numérisation complète du signal de retour | | **GNSS** | *Global Navigation Satellite System* — ensemble des constellations de positionnement | | **IMU** | *Inertial Measurement Unit* — accéléromètre + gyromètre 3 axes ; donne l'attitude, **pas** la position | | **INS** | *Inertial Navigation System* | | **LAS / LAZ** | Formats binaires standardisés pour nuages de points ; LAZ = LAS compressé sans perte | | **MLS** | *Mobile Laser Scanning* | | **MNS / DSM** | Modèle numérique de surface — sol + végétation + bâti | | **MNT / DTM** | Modèle numérique de terrain — sol nu | | **NIR** | *Near InfraRed*, proche infrarouge — 800 à 2500 nm | | **Return number** | Rang du retour au sein d'une même impulsion | | **Swath** | Fauchée — étendue latérale d'un passage | | **TIN** | *Triangulated Irregular Network* — représentation vectorielle d'une surface par triangles | | **TLS** | *Terrestrial Laser Scanner* — lidar terrestre fixe | --- ## 8. Références citées dans le support - **Sheng, Yongwei** (2008). « Quantifying the Size of a Lidar Footprint: A Set of Generalized Equations. » *IEEE Geoscience and Remote Sensing Letters*, 5, 419-422. - **Wehr, A.** (1999). Architecture des systèmes de scanner laser aéroportés. - **Yan, W.Y. et al.** (2012). *ISPRS Journal of Photogrammetry and Remote Sensing*, 67, 35-44. (Correction radiométrique de l'intensité) - **Renslow, M.** (2012). *Manual of Airborne Topographic Lidar*, ASPRS. - **Petras, V. ; Petrasova, A. ; McCarter, J.B. ; Mitasova, H. ; Meentemeyer, R.K.** (2023). « Point Density Variations in Airborne Lidar Point Clouds. » *Sensors*, 23, 1593. https://doi.org/10.3390/s23031593 - **Dong, P.** (2015). Mesure automatisée des taux de migration de dunes à partir de données lidar multi-temporelles. - **Song et al.** (2018). Distributions spatiales de cinq types d'objets en milieu urbain. - **Nayeghandi, A.** — Décomposition des retours lidar sur couvert forestier. - Figures 6.2, 6.4, 6.9, 6.10, 6.11, 6.16, 6.17, 6.18, 6.19, 6.20, 6.23, 6.24, 6.25, 6.26 issues d'un ouvrage de référence sur les applications géologiques du lidar. - Sources iconographiques complémentaires : **ASPRS**, **SPIE**, **ESRI**, **NEON**, **USGS**, **DOGAMI** (Oregon Department of Geology and Mineral Industries), **NASA**. --- %% nav-debut : généré par gen_navigation.py, ne pas modifier à la main %% > [!nav] > ↩ [[Géomatique/Télédétection/Lidar/Lidar|Accueil · Lidar]] %% nav-fin %%