Traitement de données LiDAR pour la modélisation d’indicateurs de biodiversité forestière

Les chercheurs en écologie du paysage essaient de comprendre l’effet de la structure et de la composition des habitats sur les espèces. La technologie LiDAR est encore peu utilisée dans ce domaine mais fournit des données précises sur de grandes zones. Nous cherchons ici à évaluer l’apport des données LiDAR en milieu forestier. La but est de voir si des métriques LiDAR pertinentes peuvent être extraites afin d’expliquer et prédire des indicateurs de biodiversité. Les résultats obtenus à partir de modèles linéaires généralisés (GLM) permettent d’expliquer entre 14 et 63% des variables de biodiversité étudiées (Indice de Biodiversité Potentielle, taux de prédation des défoliateurs, indice de consommation du chevreuil, richesse de la strate herbacée, richesse de différentes catégories d’oiseaux) à partir d’une combinaison d’une quinzaine de variables LiDAR. Dans un second temps, nous explorons l’apport de données LiDAR pour extraire automatiquement les cimes et couronnes des arbres. L’analyse est effectuée par extraction des maximas locaux ou par l’utilisation de la méthode de ligne de partage des eaux, sur le modèle numérique de hauteur issu des données LiDAR. Les algorithmes ont été testés sur une zone d’étude simplifiée présentant des arbres alignés avec un écart assez fixe. Il en ressort que la détection des cimes d’arbres est, dans ce cas d’étude, précise après un filtrage gaussien 3*3 du raster analysé. Les résultats obtenus demandent à être confirmés en raison du faible nombre d’observations. Cette étude ouvre toutefois des perspectives intéressantes sur l’apport du LiDAR en écologie.
Landscape ecology researchers are trying to understand the effect of habitat structure and composition on species. LiDAR technology is still not widely used in this domain but provides accurate data over large areas. In this report, we try to assess the contribution of LiDAR data in forest environments. The aim is to see if relevant LiDAR metrics can be extracted to explain and predict biodiversity indicators. The results obtained from generalized linear models (GLM) allow to explain between 14 and 63% of the biodiversity variables studied (Potential Biodiversity Index, defoliator predation rate, deer consumption index, richness of the herbaceous stratum, richness of different categories of birds) from a combination of about fifteen LiDAR variables. In a second step, we explore the contribution of LiDAR data to automatically extract treetops and crowns from trees. The analysis is carried out by extracting local maxima or by using the watershed method on the digital height model derived from LiDAR data. The algorithms were tested on a simplified study area with trees aligned with a rather fixed gap. It appears that the detection of tree tops is, in this case of study, accurate after a 3*3 Gaussian filtering of the raster analyzed. The results obtained need to be confirmed due to the low number of observations. However, this study opens interesting perspectives on LiDAR’s contribution to ecology.