Search

For just under a decade now the use of drones has been becoming more widespread in all areas of activity including archaeology. Further to the use of onboard imaging by aircraft and then by satellites, drones have been increasingly used because of their capacity to obtain good quality images easily and quickly. This new approach has been made possible by the miniaturization of onboard technologies and the falling costs of equipment. This paper presents three types of sensor. First the true colour camera. It can take photographs in the visible spectrum from several viewing angles and at low altitudes. These photos can be used to design digital reconstructions of remains cleared of landscape features that are of no help in studying road networks (fig. 1). Second, the multispectral camera records images at wavelengths the human eye cannot detect, including the near infrared. This can reveal ancient roadways by highlighting differences in vegetation. Third, the LiDAR sensor detects altitude variations fine enough to identify eroded roadways even in once inaccessible settings such as wooded uplands (fig. 2). Road network archaeology is therefore making use of drones increasingly to detect and record 2D or 3D traces of ancient roadways left on the landscape. As there is still too little protection for remains of this kind, the dissemination of documents produced from drone images is one way of fighting for their safeguard., Depuis un peu moins de dix ans, l’utilisation du drone se démocratise dans l’ensemble des secteurs d’activités, dont celui de l’archéologie. Après l’usage de l’imagerie embarquée par avion puis par satellite, le drone a amené une multiplication des usages par sa capacité à obtenir des clichés facilement, rapidement et de bonne qualité. On doit cette nouveauté à la miniaturisation des technologies embarquées et à la baisse du prix d’achat des appareils. Trois types de capteurs sont présentés dans l’article. D’abord, la caméra en vraies couleurs. Elle permet de prendre des photos dans le spectre du visible sous plusieurs angles de vue et à basse altitude. À partir de ces photos, il est envisageable de concevoir des restitutions numériques de vestiges nettoyées d’éléments du paysage inutiles pour l’étude des voies (fig. 1). Ensuite, la caméra multispectrale enregistre des images dans des spectres non visibles par l’oeil humain, dont le proche infrarouge, qui permet de révéler des anciennes voies par la mise en relief des différences de végétations. Enfin, le capteur lidar détecte des variations d’altitude si fines qu’il est devenu possible d’identifier des voies arasées, même en milieu autrefois inaccessibles comme les massifs forestiers (fig. 2). La recherche en archéologie viaire se saisit donc progressivement du drone pour détecter et enregistrer en 2D ou 3D des traces de voies anciennes laissées dans le paysage. Ce type de vestige étant encore trop peu protégé, la diffusion des documents réalisés à partir d’images prises par drone est un moyen de lutter pour sa sauvegarde., Coutelier Clément. Survol des méthodes d’acquisition par le drone en archéologie viaire. In: Aquitania : une revue inter-régionale d'archéologie, tome 37, 2021. Tracer la route. Journée d’étude du 27 février 2020 à Bordeaux. pp. 13-19.

International audience; Objectif de la communication :Les forêts, notamment en zone de montagne, fournissent de multiples services : production de bois, espace de loisirs, réservoir de biodiversité, protection contre les aléas naturels... (Ancelin et al. 2006). L’objectif de la gestion durable des forêts est de maintenir ces services dans le temps et dans l’espace, dans un contexte incertain lié aux changements globaux. Afin de préparer une politique forestière adaptée à un territoire et pour optimiser sa mise en oeuvre opérationnelle, il est nécessaire de connaitre la quantité, les caractéristiques et la répartition de la ressource forestière sur le territoire.Les photographies aériennes ont été pendant longtemps les seules sources permettant de cartographier des territoires. Les avancées récentes de la photogrammétrie par corrélation d’images permettent aujourd’hui d’associer sur chaque pixel des informations spectrales et géographiques à haute résolution (Deseilligny, 2007). Les applications pour la gestion forestière sont nombreuses (Goodbody et al., 2019). Depuis une trentaine d’années, le laser aéroporté (LiDAR) a par ailleurs révolutionné la télédétection, en particulier en foresterie (Maltamo et al., 2014), grâce à la capacité du signal laser à pénétrer la végétation forestière jusqu’au sol. Il est alors possible de caractériser très finement à la fois la microtopographie du sol et la structure de la végétation.Quelle que soit la source de donnée de télédétection, la cartographie de grandes surfaces forestières implique de relever le défi de la quantité d’information à traiter. Il s’agit « d’industrialiser » une technologie éprouvée sur des sites de recherche (Munoz et al., 2015) vers une application opérationnelle ; c’est-à-dire au plus près des territoires forestiers et des services gestionnaires. C’est l’objectif qui a été poursuivi par les partenaires du projet OUIGEF en testant des méthodes et en développant des outils pour caractériser, cartographier et assurer le suivi de la ressource forestière à partir de données de télédétection aéroportée.Méthode :La chaine de traitement mise au point par la RDI-ONF pour modéliser et cartographier la ressource forestière a été appliquée sur des nuages de points 3D issus de deux sources de données : acquisition LiDAR aéroporté et traitement photogrammétrique d’images aériennes. La modélisation requiert des données de terrain pour la calibration : un réseau de placettes mesurées sur le terrain. Elle est réalisée soit par la méthode dite surfacique (White et al., 2013), qui consiste à établir des relations statistiques entre les caractéristiques des nuages de points et les grandeurs forestières d’intérêt, soit par la méthode de détection d’arbre (Saint-Onge et al., 2015), qui passe par une identification préalable des positions et caractéristiques des arbres.La zone d’étude principale est la forêt domaniale de Grande Chartreuse, en Isère. Les 12 000 ha de la forêt ont été survolés par un capteur LiDAR à l’automne 2016, avec une densité moyenne d’émission de 20 pts/m². Une acquisition de photos aériennes a été réalisée en même temps que l’acquisition LiDAR. Le calcul du nuage de point 3D a été réalisé par la société Sintégra. Un deuxième nuage de points photogrammétriques a été calculé à partir d’images aériennes de l’IGN. Les données de calibration sont constituées de 340 placettes de terrain mesurées durant l’été 2015. Sur ces placettes, les mesures ont consisté à identifier l’essence et mesurer le diamètre à 1,3 m et la position de tous les arbres de plus de 17,5 cm de diamètre sur un rayon de 15 m. Les grandeurs forestières suivantes sont ensuite calculées pour chaque placette.- Le diamètre quadratique moyen : lié à la taille des arbres, il renseigne sur la maturité du peuplement pour la récolte.- La surface terrière : somme des surfaces des sections des troncs s’ils étaient coupés à 1,3 m de haut, elle renseigne le forestier sur la quantité de bois présent sur une surface.L’évaluation de la chaîne de traitement se fait à deux niveaux. Au niveau de l’arbre, les arbres détectés sont mis en correspondance avec les arbres inventoriés et les caractéristiques (diamètre, essence) prédites et relevés sont comparées. Au niveau de la placette, les grandeurs forestières prédites sont comparées à celles calculées à partir des mesures de terrain.Le passage à l’échelle a été testé en appliquant la méthodologie à un second jeu de données de 166 placettes, couvert par une acquisition LiDAR effectuée par l’IGN en Savoie.Résultats :Au niveau de l’arbre, l’algorithme permet de détecter entre 56 et 68 % des arbres mesurés sur le terrain (taux de détection). On cherche par ailleurs à limiter le taux de commission, lié aux fausses détections (détections ne correspondant à aucun arbre sur le terrain). Le meilleur compromis entre taux de détection élevé et taux de commission faible est obtenu avec les données LiDAR. Avec les données photogrammétriques issues de l’IGN le taux de commission est plus faible (11 %), mais la détection est moins bonne (56 %). Avec les données photogrammétriques acquises simultanément au LiDAR, le taux de détection est très élevé, mais avec 36 %, le taux de commission est rédhibitoire. Sur la seconde zone d’étude LiDAR, le taux de commission est le plus faible : 9%.En Chartreuse, quelle que soit la source de donnée utilisée, l’erreur quadratique moyenne de prédiction du diamètre est autour de 9 cm, soit 22 à 25 % d’erreur en moyenne. Feuillus et résineux sont distingués correctement dans 70 à 80 % des cas. Lorsque l’on cherche à distinguer en plus, le sapin de l’épicéa, le taux de bonne classification est un peu plus faible, autour de 60 à 70 %. C’est avec le LiDAR que la distinction est la meilleure. L’application à grande échelle de cette méthode de distinction des résineux et des feuillus est très satisfaisante, puisque le taux de bonne classification est de 82 % sur la seconde zone LiDAR.Au niveau de la placette, le diamètre quadratique moyen est prédit avec 15 à 18 % d’erreur et la surface terrière avec 29 à 33 % d’erreur, pour les placettes de Chartreuse. On peut noter que les dispersions des erreurs de prédiction de surface terrière obtenues sont assez cohérentes, quoique un peu fortes, lorsque la détection de tige est réalisée à partir des données photogrammétriques. L’application de la méthode sur la seconde zone LiDAR montre des résultats encore meilleurs malgré une densité de points LiDAR plus faible.Retombées :Les résultats obtenus lors de cette étude montrent tout d’abord que la chaîne de traitement mise en place pour cartographier les variables forestières à partir de nuages de points et de relevés de terrain est opérationnelle. Les différentes étapes nécessaires à sa mise en oeuvre ont été formalisées et des outils ont été produits pour pouvoir les réaliser tout en étant capable de gérer des quantités de données correspondant à un territoire de la taille d’un parc naturel régional.La donnée LiDAR reste la plus performante pour l’extraction des informations forestières, comme le montrent les comparaisons réalisées sur le site de la Chartreuse. Les niveaux de précision atteints pour les variables forestières sont comparables avec ceux que l’on peut attendre d’autres méthodes d’inventaire (Monnet and Munoz, 2015), et ont l’avantage de permettre une cartographie exhaustive d’un massif forestier.Les précisions obtenues avec les nuages 3D issus de données photogrammétriques sont très proches de celles du LiDAR, ce qui démontre leur fort potentiel pour mettre à jour les caractéristiques de la forêt dans les zones où une acquisition LiDAR aurait déjà été effectuée. En effet, leur exploitation dépend encore de la disponibilité d’un modèle numérique de terrain d’une précision que seules les acquisitions LiDAR peuvent à ce jour garantir en zone de montagne. L’actualisation pourra ensuite se faire à un coût inférieur à une campagne LiDAR, soit via des vols dédiés réalisés par un prestataire, soit idéalement en valorisant les acquisitions réalisées en routine par l’IGN.La photogrammétrie comporte en outre une information spectrale plus fournie que le LiDAR, qui n’a pas encore été valorisée dans cette analyse. On peut notamment attendre de l’utilisation de la bande infra-rouge une amélioration des résultats de distinction feuillus-résineux.La capacité à cartographier les caractéristiques de la forêt et les services qu’elle fournit sur l’ensemble d’un territoire offre d’importantes perspectives en termes d’inventaire forestier, d’élaboration de politiques forestières et de mise en œuvre opérationnelle. Cependant, l’existence de cette information pour chaque parcelle et sa possible diffusion suscite des inquiétudes, notamment chez les propriétaires privés. L’enjeu est de s’assurer qu’elle sera utilisée aux bénéfices des propriétaires, en évitant d’aggraver la fracture numérique, et en s’inscrivant dans les politiques de gestion multifonctionnelle et durable soutenues par les collectivités locales ou services de l’État. Bibliographie :Ancelin, P., Barthelon, C., Berger, F., Cardew, M., Chauvin, C., Courbaud, B., Descroix, L., Dorren, L., Fay, J., Gaudry, P., Gauquelin, X., J, G., Joud, D., Loho, P., Mermin, E., Plancheron, F., Prochasson, A., Rey, F., Rubeaud, D., Wlérick, L., Joud, D., Gaudry, P., Gauquelin, X., Courbaud, B., 2006. Guide des sylvicultures de montagne Alpes du Nord Françaises.Deseilligny, M.P., 2007. MicMac, un logiciel pour la mise en correspondance automatique d’images dans le contexte géographique.Goodbody, T.R.H., Coops, N.C., White, J.C., 2019. Digital Aerial Photogrammetry for Updating Area-Based Forest Inventories: A Review of Opportunities, Challenges, and Future Directions. Curr Forestry Rep 5, 55–75. https://doi.org/10.1007/s40725-019-00087-2Maltamo, M., Naesset, E., Vauhkonen, J., 2014. Forestry applications of airborne laser scanning. Concepts and case strudies., Springer. ed, Managing Forest Ecosystems.Monnet, J.-M., Munoz, A., 2015. Comparaison de méthodes de spatialisation pour l’agrégation par parcelle des estimations de paramètres forestiers par LiDAR aéroporté. Revue Française de Photogrammétrie et Télédétection 211–212, 93–102.Munoz, A., Bock, J., Monnet, J.-M., Renaud, J.P., Jolly, A., Riond, C., 2015. Évaluation par Validation Indépendante des Prédictions des Paramètres Forestiers Réalisées à Partir de Données LiDAR Aéroporté. Revue Française de Photogrammétrie et Télédétection 81–92.St-Onge, B., Audet, F.-A., Bégin, J., 2015. Characterizing the Height Structure and Composition of a Boreal Forest Using an Individual Tree Crown Approach Applied to Photogrammetric Point Clouds. Forests 6, 3899–3922. https://doi.org/10.3390/f6113899White, J.C., Wulder, M.A., Varhola, A., Vastaranta, M., Coops, N.C., Cook, B.D., Pitt, D.G., Woods, M., 2013. A best practices guide for generating forest inventory attributes from airborne laser scanning data using an area-based approach.

International audience; We propose a new method for the reconstruction of simplicial complexes (combining points, edges and triangles) from 3D point clouds from Mobile Laser Scanning (MLS). Our main goal is to produce a reconstruction of a scene that is adapted to the local geometry of objects. Our method uses the inherent topology of the MLS sensor to define a spatial adjacency relationship between points. We then investigate each possible connexion between adjacent points and filter them by searching collinear structures in the scene, or structures perpendicular to the laser beams. Next, we create triangles for each triplet of self-connected edges. Last, we improve this method with a regularization based on the co-planarity of triangles and collinearity of remaining edges. We compare our results to a naive simplicial complexes reconstruction based on edge length.; Nous présentons une nouvelle méthode pour la reconstruction de complexes simpliciaux (ensembles de points, segments et triangles) à partir de nuages de points 3D obtenus par LiDAR mobile, à balayage plan. Notre méthode utilise la topo-logie inhérente au capteur LiDAR pour définir une relation spatiale entre les points. Pour cela, nous examinons chaque connexion possible entre points, pondérée en fonction de sa distance au capteur, et les filtrons en privilégiant les structures collinéaires, ou perpendiculaires aux impulsions du laser. Ensuite, nous créons et filtrons des triangles pour chaque triplet de segments connectés entre eux, en fonction de leur coplanarité locale. Nous comparons nos résultats à une reconstruction non pondérée d'un complexe simplicial. Abstract We propose a new method for the reconstruction of simplicial complexes (combining points, edges and triangles) from 3D point clouds from plane sweep Mobile Laser Scanning (MLS). Our method uses the inherent topology of the MLS sensor to define a spatial adjacency relationship between points. We then investigate each possible connexion between adjacent points, weighted according to its distance to the sensor, and filter them by searching collinear structures in the scene, or structures perpendicular to the laser beams. Next, we create and filter triangles for each triplet of self-connected edges and according to their local planarity. We compare our results to an unweighted simplicial complex reconstruction.

International audience; This paper presents a machine learning based method to predict the forest structure parameters from L-band polarimetric and interferometric synthetic aperture radar (PolInSAR) data acquired by the airborne UAVSAR system over the Réserve Faunique des Laurentides in Québec, Canada. The main objective of this paper is to show that relevant parameters of the PolInSAR coherence region can be used to invert forest structure indicators computed from the airborne LIDAR sensor Laser Vegetation and Ice Sensor (LVIS). The method relies on the shape of the observed generalized PolInSAR coherence region that is related to the three-dimensional structure of the scene. In addition to parameters describing the coherence shape, we consider the impact of acquisition parameters such as the interferometric baseline, ground elevation and local surface slope. We use the parameters as input a multilayer perceptron model to infer canopy features as estimated from LIDAR waveform. The output features are canopy height, cover and vertical profile class. Canopy height and canopy cover are estimated with a normalized RMSE of 13%, 15% respectively. The vertical profile was divided into 3 distinct classes with 66% accuracy.; Cet article présente une méthode basée sur l’apprentissage automatique pour prédire les paramètres de structure de la forêt à partir de données PolInSAR en bande L acquises par le système UAVSAR aéroporté sur le Parc des Laurentides au Québec, Canada. L'objectif principal de cet article est de montrer que l'extraction de paramètres pertinents de la région de cohérence PolInSAR nous aide à inverser les indicateurs de structure de forêt calculés à partir du capteur LIDAR aéroporté LVIS. La méthode choisie repose sur le fait que des descripteurs PolInSAR bien choisis sont reliés à la structure tridimensionnelle de la scène, en particulier à la forme de cohérence généralisée. Parallèlement à une description de cette forme de cohérence, nous examinons les impacts de paramètres d'acquisition tels que la ligne de base, l'élévation du terrain ou la pente locale, afin de les éliminer avant d’extraire nos paramètres de forêt. Ensuite, nous utilisons un modèle de perception multicouche pour déduire les entités extraites par LIDAR de notre jeu de données de forme de cohérence. Les entités en sortie sont la hauteur de la canopée, la couverture au sol et le type de profil vertical. En utilisant cette méthode appliquée aux données UAVSAR, nous inversons la hauteur de canopée et la couverture au sol avec une RMSE normalisée de 13 et 15% respectivement. Les formes d'onde LIDAR ont été divisées en trois classes équilibrées sur lesquelles nous avons appliqué un algorithme de forêt aléatoire pour obtenir un score résultant de 66%.

La mise en œuvre des concepts d’agriculture de précision et d’optimisation culturale en protection phytosanitaire de la vigne se heurte aujourd’hui à une difficulté : les quantités de produit reçues par unité de surface de végétal à protéger sont mal connues. Les doses sont homologuées à l’hectare cadastral et le ratio entre quantités émises et reçues dépend du matériel de pulvérisation et du stade de croissance du végétal cible. L’objectif du projet ArchiTechDoseViti était de connaître les relations végétal-matériel-dépôts de pulvérisation. Des méthodes d’échantillonnage des dépôts ont été développées sur le banc de vigne artificielle EvaSprayViti et au champ, et une instrumentation de caractérisation du végétal par capteur LiDAR 2D a été proposée. Les modèles empiriques développés sont une étape vers la modélisation prédictive des dépôts et une pulvérisation de précision. En tenant compte du développement de la plante cible dans le choix de la dose utilisée, les quantités d’intrants épandues au niveau de la filière pourraient être réduites de 20 à 30%., The implementation of precision farming and cropping systems optimization concepts for plant protection in vine are currently facing a difficulty: the quantities of product received per unit area of plant to be protected are poorly known. Doses are registered per hectare of ground and the ratio between the quantities sprayed and received on the plant depends on sprayer performance and on crop growth stage. The objective of ArchiTechDoseViti project was to understand the plant-equipment-spray relationships. Methods for sampling of deposits and for plant characterization have been developed on the EvaSprayViti artificial vine bench and in the field. A sensing system based on a 2D LiDAR has been proposed. The empirical models developed are a step towards predictive modelling of deposits and precision spraying. By taking into account the growth of the plant to protect for choosing the dose rate, quantities of inputs for the vine crop in France may probably be reduced by 20 or 30%.

Ces travaux de recherche s’inscrivent dans la problématique scientifique de reconstruction du relief sous un couvert végétal à partir d’observations aéroportées. Le scanner laser aéroporté est une technique d’imagerie très prometteuse, notamment pour l’observation des zones forestières. Sa déclinaison "onde complète" consiste à émettre une impulsion laser et à enregistrer temporellement l’intégralité des échos de retour réfléchis par la scène. La forme des échos de retour fournit des informations sur l’épaisseur optique du couvert végétal. De nombreux systèmes commerciaux sont en exploitation, en particulier en topographie ou en bathymétrie. Mais ces systèmes ne sont pas dédiés à l’observation de la végétation. L’objectif de cette thèse est l’étude de l’intérêt de ces systèmes pour la construction de modèle numérique de terrain (MNT) sous couvert végétal. Elle est basée sur le développement d’outils de simulation du signal temporel incident au capteur lidar et de traitement des données. Dans un premier temps, le modèle physique de lidar onde complète, DELiS (n-Dimensional Estimation of Lidar Signals) a été développé. Il permet de simuler l’observation de scènes de végétation réalistes, tout en incluant la prise en compte de l’environnement extérieur (atmosphère, soleil) ainsi que des caractéristiques de la source et de la chaîne de détection (bruits de mesure). DELiS a été validé par confrontation à des résultats analytiques. Ensuite, DELIS a permis de comprendre et d’évaluer l’importance des diffusions multiples dans le couvert en fonction du champ de vue du lidar mais aussi de justifier l’utilisation d’acquisitions aéroportées petit champ pour simuler le signal d’un lidar spatial plus grand champ. Dans une deuxième étape, ses capacités de simulation ont été utilisées afin d’étudier l’intérêt du lidar onde complète pour la reconstruction d’un MNT sous couvert végétal. Dans ce but, nous avons développé et implémenté numériquement une méthode originale de traitement et de classification des données lidar onde complète permettant de séparer les échos lidar provenant du sol de ceux provenant de la végétation. Après classification des échos, nous avons reconstruit la géométrie du sol et des objets occultés par la végétation. Enfin, nous avons étudié comment combiner des données aéroportées acquises sous différents points de vue afin d’améliorer les reconstructions. Nos travaux montrent que le scanner laser aéroporté onde complète pourrait permettre d’obtenir en milieux forestier des reconstructions de la géométrie du terrain à des résolutions sub-métriques et avec une précision de l’ordre de 10 à 20 centimètres. La combinaison de visées multi-angulaire permet, par l’apport d’une quantité importante d’information supplémentaire, d’améliorer encore la reconstruction du MNT. Nous montrons cependant que les visées inclinées sont plus sensibles à la présence des troncs et branchages des arbres, éléments qui sont susceptibles d’introduire une erreur importante dans les processus de classification et de reconstruction. Pour cette raison, nous recommandons l’utilisation de la visée nadir pour la reconstruction mono-vue des modèles numériques de terrain, et nous proposons une méthode permettant de choisir de façon optimale les visées inclinées à ajouter pour l’observation détaillée d’une portion plus restreinte de la scène. This research work regards the scientific challenge of reconstructing the ground and the object presents under a vegetation cover from airborne observations. Airborne laser scanning is a promising technology. Full-waveform devices are able to record the complete temporal return signal following the emission of a short laser pulse towards the ground. This offers a great potential for remote sensing of forested areas, since the laser pulse will travel through the vegetation. Many commercial systems are already operated for topography or bathymetry. Scientists have been using these systems for vegetation observation, even if they are not dedicated to this purpose. The objective of this thesis is to study the relevance of full-waveform lidars for the geometric reconstruction of digital terrain models (DTM) under vegetation. We also aim at developing simulation and data processing tools that will help design and optimize future sensors dedicated to vegetation observation. Our first task was the development of a new physical simulator for full-waveform lidar measurement. The DELiS model (n-Dimensional Estimation of Lidar Signals) is able to simulate the observation of complex and realistic vegetation scenes while accounting for atmosphere and sun perturbations, and simulating the multiple scattering of the laser pulse in the canopy. We have also implemented a sensor model for simulation of the measurement, amplification and digitization noises. This operational simulation tool is a key asset for future physical studies as well as for designing and optimizing future sensors and data processing methods. After validating the DELiS model by confrontation with analytical results, we have used it for studying the interest of full-waveform lidar for digital terrain models reconstruction under vegetation. For this purpose, we have developed a full-waveform lidar data processing method for decomposition of the signals and classification of the lidar echoes into two classes : ’ground’ and ’vegetation’. We were then able to reconstruct ground geometry. Finally, we have led a study on the combination of multi-angular acquisitions for improvement of the reconstructions. Our work shows that airborne full-waveform lidar observations may allow ground reconstruction with sub-metric resolutions and a precision of 10 to 20 centimeters in forested areas. Combining multiple viewing angles provides additional data, and helps improving the precision of the reconstructions. Yet, we show that non-nadir viewing is much more sensitive to trunks and branches. These elements may be the cause of an additional error in the classification and reconstruction processes. For this reason, we recommend using nadir viewing for single-view ground reconstruction, and propose a method for optimally selecting non-nadir views for the detailed observation of restricted areas of interest.

International audience; Given that water resources are scarce and are strained by competing demands, it has become crucial to develop and improve techniques to observe the temporal and spatial variations in the inland water volume. Due to the lack of data and the heterogeneity of water level stations, remote sensing, and especially altimetry from space, appear as complementary techniques for water level monitoring. In addition to spatial resolution and sampling rates in space or time, one of the most relevant criteria for satellite altimetry on inland water is the accuracy of the elevation data. Here, the accuracy of ICESat LIDAR altimetry product is assessed over the Great Lakes in North America. The accuracy assessment method used in this paper emphasizes on autocorrelation in high temporal frequency ICESat measurements. It also considers uncertainties resulting from both in situ lake level reference data. A probabilistic upscaling process was developed. This process is based on several successive ICESat shots averaged in a spatial transect accounting for autocorrelation between successive shots. The method also applies pre-processing of the ICESat data with saturation correction of ICESat waveforms, spatial filtering to avoid measurement disturbance from the landwater transition effects on waveform saturation and data selection to avoid trends in water elevations across space. Initially this paper analyzes 237 collected ICESat transects, consistent with the available hydrometric ground stations for four of the Great Lakes. By adapting a geostatistical framework,a high frequency autocorrelation between successive shot elevation values was observed and then modeled for 45% of the 237 transects. The modeled autocorrelation was therefore used to estimate water elevations at the transect scale and the resulting uncertainty for the 117 transects without trend. This uncertainty was 8 times greater than the usual computed uncertainty, when no temporal correlation is taken into account. This temporal correlation, corresponding to approximately 11 consecutive ICESat shots, could be linked to low transmitted ICESat GLAS energy and to poor weather conditions. Assuming Gaussian uncertainties for both reference data and ICESat data upscaled at the transect scale, we derived GLAS deviations statistics by averaging the results at station and lake scales. An overall bias of 4.6 cm underestimation) and an overall standard deviation of 11.6 cm were computed for all lakes. Results demonstrated the relevance of taking autocorrelation into account in satellite data uncertainty assesment.; Cet article analyse la précision altimétrique du capteur Lidar ICESat.

In road environment, road obstacles tracking is able to extract important information for driving safety. Indeed, kinematic characteristics estimation (relative position, relative speed, ...) provides a clearer road scene comprehension. This estimate is one of the important parameters of driver assistance systems. However, only one sensor generally does not allow to detect quickly (all the potentially dangerous obstacles) in all the directions, under all the atmospheric conditions. Moreover, the degree of obstacle recognition is different according to the sensor used. Multiplication of sensors makes it possible to face these various problems. Amalgamated information will represent entities in further details and with less uncertainty than with only one source. A system of higher level has been thus developed in order to have a robust management of all tracks and measurements coming from various sensors. This system, applied to various sensors measurements combination, gives important obstacles characteristics present in the front bumper of our experimental vehicle (VELAC : LASMEA's experimental vehicle for driving assistance). This state estimate is based on the use of various Bayesian methods (Extended Kalman Filter and Particle Filter). Here we will use the fusion of two obstacle tracking delivered by two independent systems : track to track fusion.These two systems propose estimates characterizing obstacles positions and relative speeds. Fusion estimation is based on the use of Extended Kalman filter (EKF) or particle filters., Ces activités de recherche s'intégrent à l'un des deux groupes de recherche du laboratoire LASMEA : GRAVIR (GRoupe Automatique VIsion et Robotique), dont l'objectif principal est de développer des concepts théoriques et méthodologiques pour la perception de l'enironnement de machines, et de valider ceux-ci expérimentalement sur des démonstrateurs par des systèmes dédiés. Cet objectif a été pariculièrement suivi dans les véhicules routiers intelligents puisque, depuis plus de quinze ans, les résultats de recherches sur les capteurs, la reconnaissance des formes et la fusion de données obtenues par une dizaine de chercheurs sont appliqués en ce domaine. Ces recherches concernent la fusion de données pour la perception à bord des véhicules routiers intelligents. Elles s'inscrivent parmi deux projets : ARCOS (Action de Recherche pour une COnduite Sécurisée) s'inscrit dans le cadre des actions fédératives du PREDIT (Programme national de recherche et d'innovation dans les transports terrestres, à l'initiative des ministères chargés de la recherche, des transports, de l'environnement et de l'industrie, de l'Ademe et de l'Anvar) et PAROTO (Projet Anticollision Radar et Optronique pour l'auTOmobile) initié par le ministère de la recherche en partenariat avec SAGEM, Division Défense et Sécurité, et l'INRETS (Institut National de REcherche sur les Transports et leur Sécurité). Dans ce cadre, je m'intéresse à un système de perception conduisant, et ceci dans une grande variété de situations, à la définition d'une carte de l'environnement à l'avant du véhicule intelligent : chaque obstacle y est décrit par sa position absolue, son état cinématique et un certain nombre de caractéristiques qui peuvent être déterminantes pour définir l'aide à apporter au conducteur. Cette perception s'appuie sur le développement d'un système de fusion de données appliqué à la détection et au suivi des obstacles. Plusieurs capteurs, dont les complémentarités et redondances ont été soulignées, ont ainsi été installés à l'avant de notre véhicule démonstrateur : VELAC (VEhicule du Lasmea pour l'Aide à la Conduite) ; un capteur RADAR (développé au sein de notre laboratoire) dont l'objectif prioritaire est de fournir une information de vitesse relative des obstacles, un capteur LIDAR (Riegl) permettant une représentation en 3D de la scène routière, un capteur thermique (SAGEM) dont l'objectif était de détecter et de suivre les différents obstacles quelques soient les conditions atmosphériques. Les données de ces différents capteurs sont traitées indépendamment afin de détecter, et de suivre les obstacles à l'avant du véhicule. La problématique de fusion est ainsi vue comme une combinaison de pistages (estimations à l'aide du filtre de Kalman ou à particules). Il devient donc possible, après cette fusion, de représenter une carte précise de l'environnement à l'avant du véhicule intelligent : chaque obstacle y est décrit par sa position absolue, et son état cinématique qui sont déterminants pour définir l'aide à apporter au conducteur. Des résultats ont été validés à bord de notre véhicule démonstrateur VELAC