Offres d'accueil

Offre N° : PRS-19-282

Evaluation de méthodes d’alignement de données LiDAR et hyperspectrales

Mots clefs : télédetection, co-registration, alignement, LiDAR, hyperspectral

Type d'accueil : Stage Master 2
Lieu d'accueil : UMR AMAP, Montpellier, France
Période d'accueil : mars-aout 2020    Durée d'accueil : 6 mois
Profil recherché : Nous recherchons un/une stagiaire d'école d'ingénieur ou M2, avec une formation en mathématiques appliquées à des domaines comme la télédétection ou le traitement du signal, avec un goût pour la résolution de problèmes techniques.
Laboratoire d'accueil :
UMR CIRAD-CNRS (5120)-INRA (931)-IRD (123)- Université Montpellier, \"botAnique et Modélisation de l\'Archtecture des Plantes et des végétations\"

Descriptif détaillé de l'offre :

Objet de l'offre :
Contexte et enjeux
Ce stage s’insère dans le cadre du projet Cartodiv/Dendrolidar . Ce projet vise à développer des outils pour la télédétection de la ressource en bois d'œuvre en forêt tropicale en Guyane française, ceci à l'aide de données issues de différents types de capteurs, dont le lidar aérien et l’imagerie hyperspectrale.
D’une part, le lidar aérien acquiert des données tridimensionnelles sous forme de nuages de points qui permettent une représentation fine de la forme des couronnes des arbres. D’autre part, l’imagerie hyperspectrale, bien qu’en deux dimensions, nous fournit de l’information sur de nombreuses longueurs d’onde, couvrant le spectre électromagnétique de 400nm à 2500 nm, ce qui permet notamment de différencier certaines espèces d’arbres 1. L’utilisation conjointe de ces deux types de données permet notamment de mieux segmenter les couronnes et de mieux identifier les arbres individuels.
Toutefois, l’alignement des deux types de données par des techniques d’orthorectification classiques n’est pas entièrement satisfaisante, et des décalages non homogènes peuvent être observés entre les points LiDAR et les images hyperspectrales.

Objectifs du stage
L’objectif du stage est d’identifier la méthode la plus efficace pour améliorer la co-registration des deux types de données. En premier lieu, une quantification de l’erreur d’alignement doit être réalisée. La méthode qui réduit le plus cette erreur sera retenue. Deux méthodes pourront être mises en œuvre :
• Une méthode basée sur la géométrie des capteurs et qui permet de projeter les points LiDAR dans l’image hyperspectrale. Cette méthode de projection a déjà été utilisée et son efficacité prouvée avec des images RGB en forêt 2. Le code initialement écrit en langage IDL a été adapté en langage python et peut servir de base pour l’adaptation à des images hyperspectrales.
• Une méthode non-paramétrique de régularisation des images qui se base sur une mesure de similarité entre intensité LiDAR (ou carte d’éclairement dérivée du modèle numérique de canopée) et hyperspectral (Normalized Gradient Field, NGF) 3. Cette méthode a été développée grâce au package FAIR (Flexible Algorithms for Image Registration) sur MATLAB et son efficacité prouvée pour identifier des arbres isolés, mais non éprouvée en forêt.

Données
Les données disponibles ont été acquises en septembre 2016 sur le site de Paracou en Guyane française. Les 16 parcelles du site (environ 100 hectares) ont été survolées. Le capteur LiDAR (Riegl LMSQ780), les capteurs hyperspectraux (HySpex, VNIR-1600-SN0014 et SWIR-384-me-SN3114), et une centrale inertielle avec récepteur GPS étaient installés dans le même avion.

Références
1. Laybros, A. et al. Across Date Species Detection Using Airborne Imaging Spectroscopy. Remote Sens. 11, 789 (2019).
2. Valbuena, R., Mauro, F., Arjonilla, F. J. & Manzanera, J. A. Comparing airborne laser scanning-imagery fusion methods based on geometric accuracy in forested areas. Remote Sens. Environ. 115, 1942–1954 (2011).
3. Lee, J., Cai, X., Schönlieb, C. & Coomes, D. A. Nonparametric Image Registration of Airborne LiDAR , Hyperspectral and Photographic Imagery of Wooded Landscapes. IEEE Trans. Geosci. Remote Sens. 53, 6073–6084 (2015).

Détail de l'offre
Doc_5d8e251858b22.pdf

Publications de l'équipe en rapport avec le sujet :
Laybros, A. et al. Across Date Species Detection Using Airborne Imaging Spectroscopy. Remote Sens. 11, 789 (2019).

Connaissances requises :

Mathématiques appliquées à la télédétection ou le traitement du signal. La connaissance des langages python et/ou matlab est un atout. Enfin, un intérêt pour les applications en écologie est un plus.