Modéliser la hauteur, biomasse et composition floristique des prairies : comparaison de données LiDAR, photogrammétriques et spectrales acquises par différents drones

Abstract

Grasslands are fundamental ecosystems whose management can require time-consuming measurements. In this context, remote sensing using Unmanned Aerial Vehicles (UAVs) can provide a variety of high-resolution photogrammetric (3D), spectral and LiDAR information in a short time. Combined within predictive models, this information can be used to spatially estimate variables of interest in grassland, such as sward height, biomass and botanical composition. Nowadays, these technologies are evolving and becoming more widely available, but the models developed remain highly specific to their calibration environment. The aim of this work was to develop robust models by applying good practices identified in the literature, and to compare the performance of different equipment ranging from low-cost to top-of-the-range. For this purpose, ground reference and aerial data were taken at two dates on a pasture. Numerous models were compared, depending on the equipment used, the DTM source exploited, and the type of model developed. Their performance was assessed using an independent dataset. Concerning good practices, geometric correction using GCPs, even with on-board RTK, radiometric calibration and diversification of the dataset have led to partial transferability of certain types of models, such as RF and PCR. This work also highlighted a similar sward height estimation performance from LiDAR and photogrammetry of mid- and top-of-the range sensors (RMSE LiDAR = 0.0824 m; RMSE SfM = 0.0902 m). This performance wasn’t achieved by "low-cost" equipment. Despite better performances of some models in estimating biomass (RMSE PCR= 932 kgDM/ha), none reached the performance of the rising plate meter (RPM) (RMSE RPM= 770 kgDM/ha), equipment commonly used by farmers. In terms of botanical composition, the "low-cost" also performed less well than the more expensive equipment, some of whose classifiers correctly distinguished grasses from the rest of the vegetation (KAPPA PLS-DA= 0.75). In conclusion, despite the modest performances of the models developed here, which could certainly be improved by optimizing certain aspects of the workflow, this work has demonstrated the ability to obtain robust models suitable on an independent grassland with affordable mid-range equipment.

Les prairies sont des écosystèmes fondamentaux dont la gestion peut exiger des prises de mesures chronophages. Dans cette optique, la télédétection par drone permet d’obtenir diverses informations photogrammétriques (3D), spectrales ou encore LiDAR à haute résolution, en un temps réduit. Ces dernières, combinées dans des modèles prédictifs, permettent d’estimer spatialement des variables d’intérêt sur les prairies telles que la hauteur du couvert, la biomasse ou encore la composition floristique. A l’heure actuelle, ces technologies évoluent et se démocratisent mais les modèles développés demeurent très spécifiques à leur environnement de calibration. L’objectif de ce travail était de développer des modèles robustes via l’application des bonnes pratiques recensées dans la littérature et de comparer les performances de différents équipements allant du « low-cost » au haut de gamme. Pour ce faire, des données de référence au sol et des données aériennes ont été prises à deux dates sur une prairie. De nombreux modèles ont été comparés selon le matériel employé, la source de MNT utilisée et le type de modèle développé. Leurs performances ont été évaluées grâce à un jeu de données indépendant. En termes de bonnes pratiques, une correction géométrique via des GCP, et ce même en cas de module RTK embarqué, une calibration radiométrique ainsi qu’une diversification du jeu de données ont permis d’obtenir une transférabilité partielle de certains types de modèles tels que des RF et des PCR. Ce travail a aussi permis de conclure à des performances similaires d’estimation de la hauteur de la part du LiDAR et de la photogrammétrie avec certains capteurs de milieu et haut de gamme (RMSE LiDAR = 0,0824 m ; RMSE SfM = 0,0902 m), que le matériel « low-cost » n’a pas réussi à atteindre. Malgré de meilleures performances de certains modèles dans l’estimation de la biomasse (RMSE PCR = 932 kgMS/ha), aucun n’a tout de même atteint les performances de l’herbomètre (RMSE HERBO = 770 kgMS/ha), matériel couramment utilisé par les praticiens. En termes de composition floristique, le « low-cost » a aussi présenté des performances inférieures au matériel plus onéreux, dont certains classificateurs distinguaient de façon satisfaisante les graminées du reste de la végétation (KAPPA PLS-DA = 0,75). En conclusion, malgré les performances modestes des modèles développés, qui pourraient être améliorées de façon certaine en optimisant certains aspects du flux de traitement, ce travail a démontré qu’il était possible d’obtenir des modèles robustes, utilisables sur une prairie indépendante, et ce, avec du matériel de milieu de gamme, accessible financièrement.