Modèle d'ajustement pour réduire le biais sur le modèle numérique de terrain et le modèle de hauteur de canopée à partir de données LiDAR acquises selon divers paramètres et conditions forestières

• Main Author: Fradette, Marie-Soleil
• Other Authors: Bégin, Jean
• Format: Dissertation
• Language: French
• Published: Université Laval 2019
• Subjects: SD 121 UL 2019; Lidar; Couvert forestier
• Online Access: http://hdl.handle.net/20.500.11794/35009

La sous-estimation des hauteurs LiDAR est très largement connue, mais n’a jamais été étudiée pour plusieurs capteurs et diverses conditions forestières. Cette sous-estimation varie en fonction de la probabilité que le faisceau atteigne le sol et le sommet de la végétation. Les principales causes de cette sous-estimation sont la densité des faisceaux, le patron de balayage (capteur), l'angle des faisceaux, les paramètres spécifiques du survol (altitude de vol, fréquence des faisceaux) et les caractéristiques du territoire (pente, densité du peuplement et composition d’essences). Cette étude, réalisée à une résolution de 1 x 1 m, a d’abord évalué la possibilité de faire un modèle d’ajustement pour corriger le biais du modèle numérique de terrain (MNT) et ensuite un modèle d’ajustement global pour corriger le biais sur le modèle de hauteur de canopée (MHC). Pour cette étude, le MNT et le MHC ont été calculés en soustrayant deux jeux de données LiDAR: l’un avec des pixels comportant un minimum de 20 retours (valeur de référence) et l’autre avec des pixels à faible densité (valeur à corriger). Les premières analyses ont permis de conclure que le MNT ne nécessitait pas d’ajustement spécifique contrairement au MHC. Parmi toutes les variables étudiées, trois ont été retenues pour calibrer le modèle d’ajustement final du MHC : la hauteur du point le plus haut dans le pixel, la densité de premiers retours par mètre carré et l’écart type des hauteurs maximales du voisinage à 9 cellules. La modélisation s'est déroulée en trois étapes. Les deux premières ont permis de trouver les paramètres significatifs et la forme de l'équation (modèle linéaire mixte (1) et modèle non linéaire (2)).La troisième étape a permis d’obtenir une équation empirique à l’aide d’un modèle non linéaire mixte (3) applicable à un MHC d’une résolution de 1x 1m. La correction de la sous-estimation du MHC peut être utilisée comme étape préliminaire à plusieurs utilisations du MHC comme le calcul de volumes et la création de modèles de croissance ou d’analyses multi-temporelles.