Nuage de points LiDAR: choisir la bonne densité.

Un nuage de points LiDAR, ou point cloud, est une représentation numérique en trois dimensions d’un environnement. Chaque point correspond à une mesure positionnée dans l’espace et contribue à reconstruire la géométrie du terrain, de la végétation, des bâtiments ou des infrastructures.

Au-delà de la visualisation 3D, le nuage de points constitue une donnée géospatiale mesurable. Il permet notamment de déterminer des élévations, de générer des modèles de terrain, de calculer des volumes et d’étudier la structure d’un environnement.

La quantité de points est importante, mais elle ne suffit pas à déterminer la qualité d’un relevé. Leur distribution, leur précision, leur classification et leur position par rapport aux surfaces recherchées comptent tout autant.

Un système LiDAR émet des impulsions laser et mesure leur temps de trajet après leur interaction avec une surface. En combinant la distance obtenue avec la position et l’orientation du système, il est possible de calculer les coordonnées tridimensionnelles de chaque mesure.

Dans un fichier LiDAR, un point possède des coordonnées X, Y et Z. Selon le format et le système d’acquisition, il peut aussi contenir l’intensité du signal, son numéro de retour, une classification et des valeurs de couleur.

Ces informations permettent ensuite de distinguer, par exemple, les points correspondant au sol, à la végétation ou à certaines structures.

La géométrie représente le premier niveau de lecture. Une coloration selon l’élévation permet rapidement de visualiser le relief et de distinguer les objets situés au-dessus du terrain.

L’intensité constitue une information complémentaire. Elle représente la magnitude du signal retourné au capteur. Sa valeur dépend notamment du système utilisé et des conditions de mesure. Elle ne doit donc pas être interprétée comme une valeur universelle de réflectivité permettant de comparer directement tous les relevés LiDAR.

Les retours laser apportent une autre dimension à l’analyse. Une impulsion peut générer plusieurs retours lorsque son énergie rencontre différents éléments le long de sa trajectoire. En milieu forestier, des mesures peuvent ainsi provenir de la canopée, de branches intermédiaires et du sol.

Cette capacité multi-retours permet de décrire la structure verticale de la végétation et d’obtenir des mesures de la sous-canopée lorsque suffisamment d’énergie atteint le sol.

Cette distinction est importante au moment de comparer deux jeux de données. Différentes méthodes de calcul de densité peuvent produire des résultats sensiblement différents. Il est recommandé de préciser la méthode utilisée pour mesurer et communiquer cette information.

La densité moyenne ne décrit pas non plus parfaitement la distribution. Deux nuages affichant 100 points/m² peuvent présenter une qualité d’échantillonnage très différente si l’un est relativement uniforme tandis que l’autre comporte des concentrations de points et des zones peu couvertes.

Une façon simple d’interpréter la densité consiste à la convertir en espacement théorique.

Avec une distribution parfaitement régulière, 25 points/m² correspondent à environ 20 cm entre deux points. À 100 points/m², l’espacement est d’environ 10 cm.

Cette relation est importante : l’espacement diminue selon la racine carrée de la densité. Augmenter fortement le nombre de points apporte donc progressivement des gains moins importants en matière d’échantillonnage horizontal.

Il est toutefois préférable de parler d’espacement théorique plutôt que de résolution. La capacité à distinguer un objet dépend aussi de sa forme, de son orientation, de la géométrie de scan, de la taille de l’empreinte laser et de la répartition réelle des mesures.

La densité obtenue au sol dépend du capteur, mais aussi de la manière dont le relevé est effectué.

L’altitude et la vitesse de vol ont un effet direct sur l’échantillonnage. À paramètres de scan comparables, augmenter la hauteur ou la vitesse tend à réduire le nombre d’impulsions par unité de surface.

La fréquence d’impulsion, de balayage et le champ de vision interviennent également dans la distribution. Le résultat ne doit toutefois pas être résumé par le seul nombre de mesures par seconde annoncé pour un capteur. La largeur de la bande, la trajectoire et la géométrie propre au mécanisme de scan déterminent où ces mesures seront réellement placées.

Le recouvrement entre les lignes de vol peut augmenter la densité totale et permettre d’observer certaines surfaces sous différents angles. Cette diversité de points de vue peut être utile dans les environnements complexes. Il faut néanmoins distinguer cette densité agrégée de la densité obtenue dans une seule bande de vol.

Enfin, le terrain et les objets présents dans la scène modifient fortement la densité utile. Les bâtiments créent des zones d’ombre et la végétation intercepte une partie des impulsions. Les études sur les nuages LiDAR aéroportés montrent ainsi que les points classifiés comme sol sont généralement moins nombreux et plus irrégulièrement répartis dans les secteurs végétalisés que dans les zones dégagées.

Cette distinction devient particulièrement importante en forêt.

Un relevé peut contenir une très grande quantité de points dans la canopée tout en offrant relativement peu de points sur le terrain. Les branches et le feuillage interceptent une partie de l’énergie laser avant qu’elle n’atteigne le sol, ce qui rend la distribution des retours plus irrégulière.

Augmenter la fréquence d’acquisition peut accroître les chances d’obtenir des mesures supplémentaires, mais les gains ne sont pas nécessairement proportionnels. Dans certains cas, les nouvelles impulsions rencontrent principalement la végétation plutôt que de nouveaux espaces permettant d’atteindre le sol.

Pour produire un modèle numérique de terrain sous-canopée, il est donc plus pertinent d’évaluer la quantité et la répartition des points au sol que le nombre total de points contenus dans le nuage.

Cette logique rejoint une bonne pratique utilisée chez Balko : définir la donnée réellement nécessaire avant d’optimiser la mission. Une densité élevée dans les mauvaises parties de la scène n’améliore pas nécessairement le livrable.

Il n’existe pas de valeur universelle.

La densité requise dépend d’abord de l’objectif du relevé. Un modèle topographique général ne demande pas nécessairement le même niveau d’échantillonnage qu’une analyse détaillée d’infrastructures ou de végétation.

Les spécifications publiques peuvent fournir un ordre de grandeur. Par exemple, le Guide d’orientation fédéral sur l’acquisition de données par lidar aéroporté, publié par Ressources naturelles Canada et Sécurité publique Canada, établit des niveaux de qualité et des pratiques communes pour les projets réalisés au pays. Il souligne toutefois que les exigences d’acquisition doivent être adaptées aux besoins du projet, au type de terrain et à l’usage prévu des données, notamment en foresterie, en cartographie des inondations et en milieu urbain.

La densité doit donc être définie à partir du besoin, plutôt qu’à partir de la capacité maximale du capteur.

Après géoréférencement, contrôle et classification, le nuage de points peut servir à produire un modèle numérique de terrain, analyser des pentes ou calculer des volumes.

En foresterie, la distribution verticale des retours permet d’étudier la hauteur et la structure de la végétation, tandis que les points atteignant le sol servent à reconstruire le terrain sous la canopée.

Pour les infrastructures, la géométrie d’acquisition devient particulièrement importante. Les façades, poteaux et autres surfaces verticales sont mieux décrits lorsqu’ils sont observés sous des angles adaptés.

La bonne pratique consiste à partir du résultat recherché : modèle de terrain, calcul de volume, inventaire forestier, inspection d’infrastructure ou autre produit géospatial.

Il devient ensuite possible de déterminer le niveau de détail nécessaire et les surfaces qui doivent réellement être échantillonnées. Le choix du LiDAR, l’altitude, la vitesse, le recouvrement et les paramètres d’acquisition peuvent alors être adaptés à cet objectif.

Cette approche évite de maximiser la quantité de données sans bénéfice mesurable. Elle réduit aussi les volumes à transférer et à traiter tout en concentrant l’acquisition sur l’information réellement utile.

La densité est un indicateur essentiel pour comprendre un nuage de points LiDAR, mais elle doit toujours être replacée dans son contexte.

La densité totale, la densité d’impulsions et la densité de points au sol peuvent représenter des réalités très différentes. L’altitude, la vitesse, le balayage, le recouvrement, la végétation et les occlusions influencent également la distribution finale.

Un relevé performant ne cherche donc pas seulement à produire davantage de points. Il cherche à obtenir suffisamment de mesures, correctement distribuées et positionnées sur les surfaces nécessaires au livrable.