Des solutions digitales et innovantes pour mieux connaître les arbres
Selon une étude de Yale publiée dans Nature basée sur des images satellites et 400’000 relevés de terrain, il y aurait 3’000 milliards d’arbres sur Terre soit 400 par habitant. Sans la présence humaine, la Terre aurait la capacité d’en avoir 5’800 milliards. L’activité humaine a réduit ce nombre de moitié.
Aujourd’hui, et selon une étude de l’ETHZ publiée dans Science, il y aurait encore de la place pour 1’200 milliards d'arbres. Et c’est une bonne nouvelle : une telle quantité est suffisante pour absorber les deux tiers des 300 gigatonnes de carbone émis dans l'atmosphère par les humains depuis le 19e siècle. Les forêts actuelles en stockent déjà 400 gigatonnes.
L’imagerie satellitaire, aériennes, le radar et le LiDAR permettent une cartographie globale des arbres et désormais jusqu’à l’arbre individuel.
Comment et avec quels algorithmes valoriser ces images et les milliards de points LiDAR pour inventorier à l’échelle locale nos arbres et assurer un suivi essentiel ? Serait-il alors possible de calculer et recenser certaines caractéristiques des arbres (comme la position, la hauteur de son sommet, le diamètre de son tronc, le volume de sa canopée ou son espèce) grâce à ces données ? C’est ce que plusieurs projets ont cherché à démontrer, à travers l’initiative de l’Etat de Genève et de Neuchâtel et la Ville de Genève.
Programme
Modération : Roxane Pott (swisstopo – Swiss Territorial Data Lab (STDL)
09h00 - Introduction – Pourquoi avons-nous besoin d’inventorier les arbres ?
M. Patrik Fouvy, directeur du service du paysage et des forêts (OCAN) du Canton de Genève introduira la conférence en expliquant les enjeux et la nécessité de localiser et caractériser les arbres sur le territoire cantonal.
09h10 – Mise en contexte technique
Qu’est-ce que le LiDAR et les images hyperspectrales, quels sont leurs avantages ? Cette courte mise en contexte vous permettra de vous familiariser avec les données qui ont été utilisées dans les différents projets qui vous seront présentés.
Mayeul Gayet - Direction de l'information du territoire - Etat de Genève
09h20 – Présentation des travaux exploratoires d’étudiant-e-s du certificat complémentaire en géomatique (UNIGE) effectués depuis 2018.
Ces dernières années, en phase avec l’amélioration constante de la qualité et de la densité des acquisitions LiDAR cantonales, les principales institutions impliquées dans la gestion et le développement du patrimoine arboré genevois (OCAN, SEVE, CJBG) ont commencé à explorer le potentiel de ces données. Dans cette optique, plusieurs projets de recherche sous forme de stages ont été proposés à des étudiant-e-s du certificat complémentaire en géomatique de l’Université de Genève.
Ces dernier-e-s ont développé des méthodologies d’extraction de différents paramètres des arbres à partir des nuages de points 2017 et/ou 2019 de manière automatisée et à l’échelle de tout le canton de Genève : coordonnées de la cime et du tronc, hauteur, espèce, surface de canopée, etc.
Les travaux qui vous sont présentés ont contribué à une meilleure appréhension du potentiel de la technologie LiDAR, à l’identification de ses forces et contraintes ainsi qu’à la découverte de nouveaux outils de géotraitement en 3D. Ils ont ainsi permis de définir de nouvelles pistes de recherche visant à améliorer l’exploitation du LiDAR pour la gestion du patrimoine arboré genevois.
- 2018 : Identification des arbres via des données LiDAR
Marie-Caroline Tiffay - OCAN (Office cantonal de l'agriculture et de la nature - Etat de Genève)
- 2019 : Développement d’une méthodologie pour l’identification automatique des espèces d’arbres isolées
Katayoon Shahroozi - OCAN (Office cantonal de l'agriculture et de la nature - Etat de Genève)
- 2020 : Production de modèles numériques de canopée à partir de données LiDAR
Guillaume Antonioli - CJBG (Conservatoire et jardin botaniques - Ville de Genève)
Gilles Gay des Combes - SEVE (Service des espaces verts - Ville de Genève)
10h10 – Réponses aux questions
10h25 – Pause
10h35 – Inventaire automatisé des arbres isolés en utilisant des données LiDAR
Le terme "arbre isolé" est couramment utilisé pour faire référence aux arbres se trouvant dans un contexte urbain plutôt que forestier. A différentes échelles (communale, cantonale, …), les administrations publiques souhaitent maintenir à jour un inventaire exhaustif de ces arbres incluant, pour chaque individu, des paramètres comme la géolocalisation du tronc et du sommet, le diamètre du tronc, le diamètre de la couronne, la surface et le volume de canopée, la vitalité, etc. De nombreux outils à l’intention des forestiers ont déjà été développés et approuvés, mais du fait d’une structure arborée plus hétérogène et un cortège d’espèces plus diversifié, leur application au contexte urbain est parfois complexe et nécessite des adaptations conséquentes.
Ce projet exploratoire, développé en partenariat avec les cantons de Genève et Neuchâtel, a pour but d’aider les services compétents dans la détermination semi-automatique de ces différents paramètres, à partir de données LiDAR et de solutions logiciels existantes auxquelles des méthodes de Data Science sont appliquées.
Membres STDL :
Alessandro Cerioni – Direction de l'information du territoire - Etat de Genève
Flann Chambers - Université de Genève
Gilles Gay des Combes – CJBG (Conservatoire et jardin botaniques - Ville de Genève) et Université de Genève
Adrian Meyer - FHNW (Haute école d’ingénierie nord-ouest Suisse)
11h15 – Species detection with hyperspectral images (en anglais)
In June 2021, the University of Zurich carried out an aerial survey using the hyperspectral imaging sensor AVIRIS-NG of NASA/JPL on behalf of the canton of Geneva. This mission was flown in the context of a pre study, where the feasibility of hyperspectral data as an input for a subsequent image classification should be evaluated. The goal is to perform an image classification, where different tree species can be classified from the images acquired in the summer campaign. So far, the imagery has been classified using a random forest approach, where known tree positions were used as training and validation datasets. After running a random forest algorithm, the first results look promising with classification accuracies of 43.7 – 88% depending on the sample size and tree hierarchy. From this point forward, it needs to be decided, what type of classification is needed, especially what degree of precision (coniferous vs deciduous trees or more precise genera classification). Further enrichment of the datasets used so far can potentially improve the result.
Carmen Meiller & Mike Werfeli - University of Zurich
11h35 – Réponses aux questions
11h50 – Mot de la fin - Patrik Fouvy - OCAN
En conclusion de ce Forum, les perspectives envisagées à la suite de ces projets vous seront présentées. En cas d’intérêt de votre part à l’un ou l’autre des sujets de recherche, il vous sera possible de nous le communiquer au travers d'une enquête.
