Soutenance de thèse de Maxime SOMA

Pour mieux comprendre le fonctionnement des écosystèmes forestiers à des échelles fines, les modèles écophysiologiques cherchent à intégrer localement les flux d’énergie et de matière. Ces échanges dépendent directement de la distribution de la végétation. Leur modélisation nécessite donc une description de la structure de la végétation en trois dimensions (3D) à un niveau de détail que seule la télédétection est en mesure de produire à haut débit. Les LiDAR terrestre (Light Detection And Ranging) possèdent un fort potentiel pour caractériser en 3D les éléments de végétation au sein des canopées. De précédents travaux qui relient la densité de points à la quantité de végétation ont montré des résultats prometteurs. Ces approches visent à calculer des estimateurs à partir du nuage de points dans des volumes d’intérêts (voxels). Elles diffèrent des approches architecturales et peuvent s’appliquer sur du matériel fin, comme le feuillage, impossible à reconstruire géométriquement. Cette thèse développe ces approches statistiques, en ciblant les diverses sources d’erreurs. Les biais systématiques sont graduellement analysés et corrigés à l’échelle de la branche, de l’arbre et de la placette. Ce travail s’appuie à la fois sur des travaux théoriques et expérimentaux, ce qui a permis d’identifier et de corriger des biais théoriques dans les formulations des estimateurs, mais aussi des biais empiriques associés à l’hétérogénéité de la végétation et à son interaction avec les impulsions lasers. Dans un premier temps, nous avons évalué des estimateurs théoriques validés numériquement (TBC, pour « theoretically-bias corrected ») sur des branches au laboratoire. Sur cette végétation réelle, les estimateurs TBC se sont révélés sensibles à la taille de voxel utilisée, ainsi qu’à la distance de mesure pour le LiDAR à décalage de phase. Les corrections apportées sont demeurées robustes avec des voxels de 50 cm dans le cas d’expériences de terrain sur des arbres entiers. Cependant, l’échantillonnage au LiDAR terrestre est limité par l’occlusion végétale et par le patron de tir des impulsions, ce qui engendre des erreurs supplémentaires dans les zones denses. Un travail spécifique a été conduit pour mieux comprendre ces erreurs et optimiser les estimations. Une autre approche, d’ordre statistique, a été développée en tirant avantage des corrélations spatiales présentes dans la végétation. Cette approche, baptisé LAD-kriging, permet d’améliorer les estimations locales et de limiter les sous-estimations systématiques liées à l’occlusion. L’ensemble des outils présentés offrent la possibilité de dresser des cartes de végétation à l’échelle de la placette en fournissant des estimateurs non biaisés de la surface foliaire. Une partie de ces outils est en cours d’implémentation dans la plateforme Computree.

To better understand functioning of forest ecosystems at fine scale, ecophysiological model attempt to include energy and material fluxes. Such exchanges depend directly on the distribution of vegetation. Hence, these models require a tridimensional (3D) description of vegetation structure, at a level of detail which can only be retrieve with remote sensing at large scale. Terrestrial LiDAR (Light Detection And Ranging) have a great potential to provide 3D description of vegetation elements in canopy. Previous studies established promising relations between the point density and quantity of vegetation. Such methods aims at providing estimators from point clouds within volumes of interest (voxels). They differ from architectural methods and they can be applied on fine material, as leaves, impossible to rebuild. This work develop these statistical methods, focusing on source of errors. Systematic biases are successively analyzed and corrected at branch, tree and plot scales. This study relies on both numerical simulations and field experiments, allowing to identify and correct for theoretical biases in estimators, but also for empirical biases related to vegetation heterogeneity and laser interaction with vegetation elements. First, we test theoretical estimator validated in simulations (TBC, for “theoretically-bias corrected”) on branches in laboratory conditions. On this natural vegetation, TBC estimators are sensitive to voxel size and distance from instrument with phase-shift LiDAR. Developed corrections from this branch experiment are valid at tree scale with 50 cm voxel size. However, difficulties arising from sampling limitations due to occlusion and instrument sampling pattern cause negative biases in dense areas. Specific investigations are conducted to identify source of errors and to optimize multiscan estimations. A statistical method called LAD-krigin, based on spatial correlation within vegetation, improves local accuracy of estimations and limits underestimations due to occlusion. The tools produced in this work allow to map vegetation at plot scale by providing unbiased estimator of leaf area. Some of these tools are currently implemented within open access Computree software.