Extracting tree parameters from lidar data; an algorithm to locate tree apices and segment tree crowns from digital canopy height models
Extraction de paramètres d'arbre à partir de données Lidar ; un algorithme de localisation des apex d'arbres et de segmentation des couronnes à partir de modèles de hauteur de canopée Lidar
Résumé
Reliable and very height spatial resolution data on forest structure are necessary elaborating silvicultural guide and optimizing silvicultural strategies. Airborne laser scanning data allow to extract 3D information from individual trees growing within forest stands. Such precise information, including tree position, height of the apices and crown dimensions are required to drive growth or forest dynamic models. The paper introduce a method for crown segmentation and characterisation based on a lidar digital canopy model. The whole method can be summarize by the following is a 3 steps. First, potential tree apices are estimated from local maxima. Second, tree crowns are delineated for each potential tree apex using a region growing algorithm. Finally, tree apices are extracted filtering out the potential tree apices falling within the crown associated with an apex of higher height. The method has been tested and validated for black pine dominated stands growing in a mountainous area. The stand densities varied from 71 to 1 600 stem / ha. The method allowed identifying 87.7 % of the stems, constraining the false detection to 2.53 %. The tree heights were estimated with a 0.0 m (±0.79 m SD, 0.78 m RMSE) mean error, representing 3.66 % (± 4.63 % SD) of the field measured height. The mean crown diameter was estimated with a 0.72 m (± 1.50 m SD, 1.68 m RMSE) mean error corresponding to 12.50 % (± 29.15 % SD) of the field measured values. These results are of the same range compared with other studies realized within the same stand conditions. Future development will considered the estimation of volume and biomass at the stand level.
L'élaboration des guides de sylviculture et l'optimisation des stratégies sylvicoles nécessitent des données spatialisées fiables et à très haute résolution spatiale de la structure des forêts. Les données d'altimétrie laser offrent le potentiel pour améliorer l'extraction des caractéristiques tridimensionnelles des arbres au sein de peuplements forestiers. Certaines de ces mesures, en particulier la position des apex, leur hauteur ou encore la dimension des houppiers, présentent un intérêt majeur en écologie et en gestion forestière, étant parmi les principaux intrants de modèles de croissance ou de dynamique forestière. Cet article présente une nouvelle méthode de segmentation et de caractérisation des houppiers, basée sur un algorithme d'extraction de maxima locaux et de croissance de région. La méthode a été testée et validée dans des peuplements de montagne dominés par le pin noir, de densité comprises entre 71 et 1600 tiges/ha. Elle a permis d'identifier 87.7 % des tiges, en limitant les fausses détections à 2.53 %. Les hauteurs d'arbres ont été estimées avec une erreur moyenne nulle (±0.79 m Ecart Type) et une RMSE de 0.78 m. L'erreur relative représente 3.66 % (± 4.63 % ET) des mesures terrain. Pour le diamètre moyen du houppier, l'erreur de mesure est de 0.72 m (± 1.50 m ET), représentant 12.50 % (± 29.15 % ET) des diamètres mesurés sur le terrain. La RMSE atteint 1.68 m. Ces résultats apparaissent similaires à ceux obtenus à partir d'autres algorithmes ce qui suggère l'intérêt de cette méthode pour estimer d'autres paramètres comme le volume ou encore la biomasse, compte tenu du faible nombre de paramètres qu'elle nécessite en entrée.