Avec l'expansion des zones urbaines, la pollution de l'air et l'effet d'îlot de chaleur augmentent, entraînant des problèmes de santé pour les habitants et des changements climatiques mondiaux. Dans ce contexte, les arbres urbains sont une ressource précieuse pour améliorer la qualité de l'air et promouvoir les îlot de fraîcheur. D'autre part, les canopées sont soumises à des conditions spécifiques dans l'environnement urbain, causant la propagation de maladies et la diminution de l'espérance de vie parmi les arbres. Cette thèse explore le potentiel de la télédétection pour la cartographie automatique des arbres urbains, de la détection des couronnes d'arbres à l'estimation des espèces, une tâche préliminaire essentielle pour la conception des futures villes vertes, et pour une surveillance efficace de la végétation. Fondé sur des données hyperspectrales aéroportées, panchromatiques et un modèle numérique de surface, le premier objectif de cette thèse consiste à tirer parti de plusieurs sources de données pour améliorer les cartes d'arbres urbains existants, en testant différentes stratégies de fusion (fusion de caractéristiques et fusion de décision). La nature des résultats nous a conduit à optimiser la complémentarité des sources. En particulier, le deuxième objectif est d'étudier en profondeur la richesse des données hyperspectrales, en développant une approche d'ensemble classifier fondée sur des indices de végétation, où les "classifier" sont spécifiques aux espèces. Enfin, la première partie a mis en évidence l'intérêt de distinguer les arbres de rue des autres structures d'arbres urbains. Dans un cadre de Marked Point Process, le troisième objectif est de détecter les arbres en alignement urbain. Par le premier objectif, cette thèse démontre que les données hyperspectrales sont le principal moteur de la précision de la prédiction des espèces. La stratégie de fusion au niveau de décision est la plus appropriée pour améliorer la performance en comparaison des données hyperspectrales seules, mais de légères améliorations sont obtenues (quelques %) en raison de la faible complémentarité des caractéristiques texturales et structurelles en plus des caractéristiques spectrales. L'approche d'ensemble classifier développée dans la deuxième partie permet de classer les espèces d'arbres à partir de références au sol, avec des améliorations significatives par rapport à une approche standard de classification au niveau des caractéristiques. Chaque classifieur d'espèces extrait reflète les attributs spectraux discriminants de l'espèce et peut être relié à l'expertise des botanistes. Enfin, les arbres de rue peuvent être cartographiés grâce au terme d'interaction des MPP proposé qui modélise leurs caractéristiques contextuelles (alignement et hauteurs similaires). De nombreuses améliorations doivent être explorées comme la délimitation plus précise de la couronne de l'arbre, et plusieurs perspectives sont envisageables après cette thèse, parmi lesquelles le suivi de l'état de santé des arbres urbains. / With the expansion of urban areas, air pollution and heat island effect are increasing, leading to state of health issues for the inhabitants and global climate changes. In this context, urban trees are a valuable resource for both improving air quality and promoting freshness islands. On the other hand, canopies are subject to specific conditions in the urban environment, causing the spread of diseases and life expectancy decreases among the trees. This thesis explores the potential of remote sensing for the automatic urban tree mapping, from the detection of the individual tree crowns to their species estimation, an essential preliminary task for designing the future green cities, and for an effective vegetation monitoring. Based on airborne hyperspectral, panchromatic and Digital Surface Model data, the first objective of this thesis consists in taking advantage of several data sources for improving the existing urban tree maps, by testing different fusion strategies (feature and decision level fusion). The nature of the results led us to optimize the complementarity of the sources. In particular, the second objective is to investigate deeply the richness of the hyperspectral data, by developing an ensemble classifiers approach based on vegetation indices, where the classifiers are species specific. Finally, the first part highlighted to interest of discriminating the street trees from the other structures of urban trees. In a Marked Point Process framework, the third objective is to detect trees in urban alignment. Through the first objective, this thesis demonstrates that the hyperspectral data are the main driver of the species prediction accuracy. The decision level fusion strategy is the most appropriate one for improving the performance in comparison the hyperspectral data alone, but slight improvements are obtained (a few percent) due to the low complementarity of textural and structural features in addition to the spectral ones. The ensemble classifiers approach developed in the second part allows the tree species to be classified from ground-based references, with significant improvements in comparison to a standard feature level classification approach. Each extracted species classifier reflects the discriminative spectral attributes of the species and can be related to the expertise of botanists. Finally, the street trees can be mapped thanks to the proposed MPP interaction term which models their contextual features (alignment and similar heights). Many improvements have to be explored such as the more accurate tree crown delineation, and several perspectives are conceivable after this thesis, among which the state of health monitoring of the urban trees.
| Identifer | oai:union.ndltd.org:theses.fr/2018ESAE0021 |
| Date | 25 October 2018 |
| Creators | Aval, Josselin |
| Contributors | Toulouse, ISAE, Briottet, Xavier, Zenou, Emmanuel |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0021 seconds