Utilisation de la technique du scanner laser

• Acquisitions :

a. Levés LiDAR aériens (ALS) :

Dans le cadre de ce travail, deux levés ALS ont été acquis en Octobre 2007 et Juillet 2009 respectivement par les compagnies Sintegra (levé aéroporté) et Hélimap (levé héliporté).

Le scanner laser utilisé par l’acquisition de 2007 est de type Riegl LMS-Q560 à fréquence maximale de 111’000 pts.s^-1 permettant une densité de points brutes (sol et végétation) d’environ 3 pts.m^-2 (Table 5.2). Le vol a été opéré en lignes parallèles aux courbes de niveau à une hauteur d’environ 600 m au dessus de la surface topographique. La technique de géoréférencement direct GPS-IMU utilisée fournit une précision 3D d’environ 12 cm au sol. Après filtrage de la végétation, la densité moyenne de points au sol sur les sites de Super-Sauze et de La Valette est respectivement de 0.9 pts.m^-2 (écart-type de 0.2 pts.m^-2) et 0.7 pts.m^-2 (écart-type de 0.3 pts.m^-2) (Figure 5.7). Le levé aéroporté n’a pas pu couvrir la totalité de la coulée de La Valette à cause d’une couverture nuageuse importante au-dessus de la zone d’ablation au moment du levé.

Le scanner laser utilisé pendant le levé de 2009 est de type Riegl VQ480 mesurant un semi de points à fréquence maximale de 150’000 pts.s^-1 (Table 1). Cette fréquence permet une densité de points brutes (sol et végétation) d’environ 40 pts.m^-2. La technique de géoréférencement direct GPS-IMU utilisée fournit une précision 3D d’environ 7 cm au sol. Le vol a été opéré en lignes parallèles aux courbes de niveau à une hauteur d’environ 300 m au-dessus de la surface topographique en adaptant l’obliquité du système de manière à épouser les changements de pentes. Cette méthode permet de garder une précision constante dans les zones aval de chaque ligne de vol. Elle permet aussi de garder une information détaillée dans les escarpements où la déclivité est forte, ce qui n’a pas été possible pour le levé aéroporté de 2007. Après filtrage de la végétation, la densité moyenne de points au sol sur les sites de Super-Sauze et de La Valette est respectivement de 3.2 pts.m^-

2 (écart-type de 12.2 pts.m^-2) et 7.2 pts.m^-2 (écart-type de 12.1 pts.m^-2) (Figure 5.7).

Table 5.2- Caractéristiques techniques des scanners laser utilisés dans ce travail.

Caractéristique des scanners laser ALS TLS

Type de scanner laser Laser Riegl VQ480 Riegl LMS-Q560 Optech ILRIS-3D

Technique de mesure de distance Temps de vol Temps de vol Temps de vol

Longueur d’onde (nm) 1500 1500 1500

Champ de vue (en largeur et

hauteur) (°) 60 60 40

Diamètre du faisceau laser à 100 m

(cm) ~3 ~3 ~3

Fréquence maximale de mesure

(Hz) 150'000 111'000 2'500

Caractéristiques des acquisitions

Distance des acquisitions (m) ~ 300 ~ 600 ~130

Mode d’enregistrement Dernier échos Dernier échos Dernier échos

Fréquence de mesures GPS (Hz) 5 5

levé à partir d’une station de base

Figure 5.7- Carte de densité de points au sol après filtrage de la végétation pour les acquisitions LiDAR de 2007 et 2009 sur les glissements-coulées de Super-Sauze et de La Valette (système de coordonnée Lambert III Sud).

b. Levé terrestres

Dans ce travail de recherche, un scanner laser de type Optech ILRIS 3D a été utilisé (Optech, 2010) (Figure 2.3 B, Table 5.2). Son poids (13 kg) et sa taille (32 x 32 x 22 cm) en font un outil parfaitement manipulable sur le terrain par une seule personne. Il est caractérisé par une longueur d’onde de 1535 nm (proche infrarouge), une fréquence d’acquisition de 2500 Hz, une portée minimale de 3 m et maximale de 800 m dans les conditions de terrain. La technique d’orientation du faisceau est basée sur la technologie des miroirs oscillants offrant une ouverture de champ de vue de 40°. Le diamètre D de l’emprunte lumineuse au sol (en mètre) dépend de la distance d (en mètre) et l’angle d’incidence α défini comme l’angle entre la ligne de vue et la normale à la surface. Le diamètre D s’exprime la relation D = (1.7 10^-4 d + 0.012)/cos(α) (Optech, 2010) (Figure 5.8). Dans les

conditions optimales d’acquisition, la précision est d’environ 0.7 cm à 100 m. Les positions des points dans l’espace sont tout d’abord exprimées en coordonnées sphériques puis converties directement par le système d’acquisition en coordonnées Cartésiennes.

Pour obtenir une vue tridimensionnelle complète, il est nécessaire de scanner la zone d’intérêt à partir de plusieurs vues afin de minimiser la présence de zones d’ombre. Pour cela, un chevauchement des acquisitions d’au moins 20% a été systématiquement réalisé pour optimiser l’alignement des semis de points dans un système de coordonnée commun. Les zones stables ont été inclues dans les acquisitions TLS consécutives pour faciliter la procédure d’alignement sans l’utilisation de points de contrôle. Toutefois, lorsque la zone d’intérêt est relativement restreinte, des points de contrôle mesurés par GPS différentiel sont répartis dans la zone pour permettre un géoréférencement direct (Vosselman & Maas, 2010).

Trois paramètres d’acquisition sont spécifiés à chaque acquisition : la zone d’intérêt, le pas angulaire d’orientation du faisceau laser et le choix entre l’enregistrement du premier ou du dernier écho.

Figure 5.8- Diamètre du faisceau laser en fonction de la distance et de l’angle d’incidence. L’aire en pointillé indique la configuration générale des levés TLS acquis dans ce travail.

• Stratégie de traitement :

Le traitement des données aéroportées et héliportée a suivi la procédure classique synthétisée dans le chapitre

§ 2.1.1. Le traitement des données laser terrestres a nécessité le développement d’une procédure adaptée dont les étapes sont présentées ci-après.

a) Filtrage :

Le traitement et l’alignement des semis de points sont réalisés à l’aide du logiciel Polyworks v 11 (Innovmetric, 2010). Les acquisitions sont tout d’abord filtrées des points réfléchis sur de la végétation ou situés hors de la zone d’étude. Etant donné la faible couverture végétale sur les glissements, une technique simple de filtrage similaire à celle de Prokop & Panholzer (2009) a été utilisée. Cette technique consiste à générer un modèle numérique de terrain basse résolution interpolé à partir du nuage de points brutes. La maille est suffisamment grossière pour que les changements abrupts et locaux de pente dus à la présence de végétation ne soient pas reproduits. Les points dont l’élévation dépasse d’une certaine tolérance le modèle numérique de terrain sont classés en points ‘’non terrain’’. Cette procédure permet de détecter et de supprimer rapidement la végétation arborée isolée. Un contrôle et un affinement manuel du filtrage est ensuite effectué.

b) Alignement :

L’algorithme ICP (Iterative Closest Point) est ensuite utilisé pour aligner les nuages de points dans un système de référence commun (Besl et McKay, 1992). L’algorithme ICP est fondé sur l’hypothèse que deux nuages de points (un nuage de référence yiet un second nuage xi) sont liés par une transformation rigide (Vosselman &

Maas, 2010):

0 i

i

Rx y

y = +

Où R est la matrice de rotation et y0 est le vecteur de translation. L’objectif est de trouver R et y0 qui minimisent la somme des carrés e² des distances Euclidiennes entre xi et yi,:

2

min

→

− +

= ∑

2

Rx y y

e

En pratique, un premier alignement est effectué manuellement pour approximer les paramètres initiaux de transformation par sélection de points homologues dans les différents nuages de points (Figure 5.9 A).

L’alignement est ensuite affiné à l’aide de l’algorithme ICP (Figure 5.9 B). L’algorithme ICP disponible dans le module IMAlign du logiciel Polyworks (Innovmetric, 2010) est une variante de l’algorithme classique ICP (Besl et McKay, 1992). Il requiert, tout d’abord, la création d’un MNT 2.5D à mailles triangulaires (triangulation de Delaunay) interpolé dans un plan perpendiculaire à la direction de chaque prise de vue. L’algorithme ICP minimise la distance entre les mailles triangulaires du MNT de référence (nuage de points de référence) et les mailles triangulaires d’un second MNT (nuage de points à aligner). La procédure s’opère de manière itérative de façon à diminuer l’écart résiduel entre les surfaces des MNTs. Par rapport à l’algorithme ICP classique, cette technique a l’avantage d’être plus robuste et de converger plus rapidement (Bergevin et al., 1996 ; Vosselman

& Maas, 2010). Les semis de points adjacents sont d’abords alignés consécutivement. Une fois l’ensemble des acquisitions aligné, l’algorithme ICP est appliqué sur tous les nuages de points simultanément pour améliorer la qualité globale de l’alignement. La moyenne et l’écart-type des décalages résiduels servent à déterminer l’erreur d’alignement. Pour des semis de points d’un même levé, l’erreur moyenne d’alignement est généralement inférieure au centimètre, avec un écart-type de 2 à 3 cm (Figure 5.9 B).

Cette procédure d’alignement est également utilisée pour aligner les levés TLS acquis à différentes périodes et permettre des comparaisons temporelles (e.g. calcul de volumes, caractérisation des déplacements). Une fois les semis de points d’une acquisition assemblés, l’ensemble de l’acquisition est aligné en bloc sur les parties stables de l’acquisition TLS de référence. L’alignement est ensuite affiné en excluant les zones dans les parties stables où l’alignement n’est pas satisfaisant (dû à la présence de changements morphologiques locaux non identifiés avant la procédure d’alignement). L’erreur moyenne d’alignement est généralement de quelques centimètres voire parfois inférieure au centimètre, l’écart-type étant de 2 à 3 cm.

Figure 5.9 - Procédure d’alignement des nuages de points, A) identification manuelle de points homologues entre une acquisition TLS de mai 2008 (à droite) et l’acquisition ALS d’octobre 2007 (à gauche), B) exemple d’alignement de différentes acquisitions de mai 2008 avec l’algorithme ICP et C) histogramme de l’erreur d’alignement associé.

c) Géoréférencement :

La procédure de géoréférencement est réalisée selon deux méthodes en fonction de la configuration du site dépendant de la présence ou non de zones stables.

o La première méthode utilise les levés géoréférencés ALS comme références (Oppikofer et al., 2009). L’ensemble d’une acquisition TLS est aligné en bloc sur les parties stables des levés ALS de 2007 ou de 2009 (Figure 5.9 A). La moyenne et l’écart-type des décalages résiduels sur les parties stables de chaque nuage de points TLS et de l’ALS déterminent l’erreur de géoréférencement. L’erreur moyenne du géoréférencement pour les données acquises durant ce travail de recherche est très souvent de l’ordre du centimètre, l’écart-type pouvant varier de 7 à 20 cm.

o Lorsque le recouvrement entre les semis de points n’est pas suffisant, la méthode par géoréférencement direct a été utilisée (Vosselman & Maas, 2010). Elle consiste à utiliser des points de contrôle sur le terrain (cibles circulaires) dont la position des centres est déterminée par GPS différentiel. Lors du traitement, le centre des cibles est ensuite déterminé en ajustant une primitive (disque) sur les semis de points correspondant. Les coordonnées des centres sont ensuite remplacées par leurs coordonnées locales de manière à ce que l’écart entre la position déterminée par GPS différentiel et la position des centres des cibles soit minimal. La moyenne et l’écart-type de l’erreur du géoréférencement sont généralement de 1 à 3 cm.

• Analyse thématique :

Plusieurs techniques d’analyses thématiques ont été utilisées pour caractériser la cinématique de glissements- coulées.

a) Caractérisation des familles de discontinuités :

Afin d’identifier les mécanismes cinématiques de rupture affectant l’escarpement principal de la coulée de Super-Sauze, les familles de discontinuités ont été analysées directement dans les nuages de points. Leur orientation est déterminée en ajustant des plans avec la méthode des moindres carrés sur les semis de points appartenant à des discontinuités. Chaque plan est caractérisé par sa normale dont l’orientation dans l’espace permet de calculer l’azimut et le pendage de chaque famille. Ces mesures sont ensuite reportées dans un stéréonet (canevas de Wulff, hémisphère inférieur). L’erreur correspond à un écart-type de l’orientation de l’ensemble des normales d’une même famille. Elle correspond à l’angle d’ouverture d’un cône centré sur l’orientation moyenne et comprend 68% des données.

La présence de zones d’ombre et la résolution des nuages de points sont les facteurs affectant le plus la qualité d’identification des discontinuités (Sturzenegger & Stead, 2009).

b) Détermination des volumes des zones d’ablation et d’accumulation par interpolation de MNTs : L’interpolation de MNTs puis l’élaboration de MNTs différentiels permettent de déterminer les volumes des zones d’ablation et d’accumulation (Bitelli et al., 2004 ; Pesci et al., 2004 ; Prokop & Panholzer, 2009). Le MNT le plus ancien est soustrait au MNT le plus récent. Si la masse volumique du matériau ne varie pas dans le temps, une différence positive indique une accumulation tandis qu’une différence négative indique une perte.

Dans une zone stable, les différences d’altitude sont théoriquement nulles. Par conséquent, l’erreur peut être définie par le décalage résiduel moyen µ et de l’écart-type σ dans les zones stables. Dans la zone de glissement, la différence est considérée significative lorsqu’elle égale ou dépasse µ ± 2σ.

Différents algorithmes d’interpolation exacte ont été testés. Etant donné la quantité importante de points par acquisition (plusieurs millions), trois algorithmes exactes simples ont été comparés : Triangulation de Delaunay (Triangulated Irregular Network TIN), Plus proche Voisin (Nearest Neighbour NN) et Distance Inverse Pondérée (Inverse Distance Weighted IDW, poids n = 4) (Arnaud & Emery, 2000). La méthode ‘‘Jacknife’’ consistant à diviser le jeu de données en deux jeux (A1 et A2) de taille égale et définis aléatoirement a été utilisée. Le premier jeu A1 est interpolé, le second jeu A2 sert à vérifier la qualité de prédiction de l’interpolateur (Arnaud

et Emery, 2000). Les jeux sont ensuite inversés, A2 et interpolé et A1 est utilisé pour vérifier l’exactitude de l’interpolateur. Une acquisition de l’escarpement principal du glissement-coulée de Super-Sauze a été sélectionnée pour le test (juillet 2009). Comme la densité moyenne des points est supérieure à 100 pts.m², une maille carrée de 0.10 m a été choisie.

Les résultats sont présentés dans la Table 5.3. Les prédictions des trois algorithmes testés sont comparables.

Les erreurs moyennes et les écart-types déterminés pour chaque algorithme sont de l’ordre du millimètre.

L’interpolation est effectivement bien contrainte par la très forte densité de points. Par conséquent, l’interpolateur le plus rapide (TIN) a été utilisé pour interpoler l’ensemble des MNTs.

Table 5.3- Analyse de la performance des algorithmes d’interpolation Triangulation de Delaunay (TIN), Proche Voisin (NN) et Distance Inverse Pondérée (IDW) par la méthode ''Jacknife''.

A1 µ (m) σ (m) Nombre de points

TIN 0.004 0.055 8124271

NN 0.004 0.056 8124284

IDW 0.003 0.055 8124330

A2 µ (m) σ (m) Nombre de points

TIN 0.004 0.055 8124270

NN 0.004 0.054 8124270

IDW 0.003 0.054 8124329

c) Détermination du champ de déplacements :

La détermination du champ de déplacement 3D de glissements de terrain argileux à partir de données LiDAR constitue une tâche délicate due à leur déformation visco-plastique souvent hétérogène. Par conséquent, l’exploitation de la donnée géométrique contenue dans les nuages de points n’est que très rarement exhaustive et quantitative (e.g. Teza et al., 2008 ; Monserrat & Crosetto, 2008). Différentes méthodes ont été utilisées en fonction des objectifs poursuivis, elles sont présentées succinctement ci-après. A l’exception d’une nouvelle technique fondée sur la corrélation de MNTs hautes résolutions, ces méthodes sont décrites dans Oppikofer (2009) :

o Détermination manuelle de points homologues dans les nuages de points ou dans les MNTs :

La détermination manuelle de points homologues est la méthode la plus simple pour définir les vecteurs déplacements. Cependant, il est difficile d’atteindre une précision centimétrique car cette méthode dépend fortement de la densité du nuage de points (souvent variable entre deux levés), de la résolution du MNT et de la difficulté à identifier exactement le même point dans deux levés consécutifs (Oppikofer et al., 2009). La technique peut être améliorée dans le cas d’objets à géométrie simple en ajustant des primitives (e.g. cylindre, sphère) sur les semis de points (Travelletti et al., 2008). Cette technique permet de comparer les mêmes points entre deux levés consécutifs (e.g. centre des sphères, extrémité de l’axe de cylindres) en tenant compte de la densité de points importante des levés au scanner laser. La comparaison des dimensions de la primitive avec ses dimensions réelles permet de calculer l’erreur d’ajustement. Toutefois, cette méthode ne permet pas d’exploiter exhaustivement la totalité de l’information géométrique contenue dans les nuages de points.

o Recherche automatique des points les plus proches :

Le calcul de la distance minimale (Hausdorff distance) séparant un point d’une acquisition de référence du point le plus proche d’une seconde acquisition permet de détecter des modifications géomorphologiques dans toutes les directions (Jaboyedoff et al., 2009 ; Innovmetric, 2010). Très utile dans l’identification de mouvement de compartiments rocheux (Oppikofer et al., 2009), cette technique permet d’exploiter l’ensemble de l’information géométrique. Une distance positive indique que les points de la seconde acquisition sont

situés au-dessus ou devant l’acquisition de référence, ce qui permet de différencier les zones d’ablation des zones d’accumulation. Toutefois, dans le cas de glissements développés dans les sols, l’information dérivée n’est pas toujours représentative du déplacement réel. Par conséquent, son interprétation reste globalement qualitative surtout lorsque les déplacements sont parallèles à la surface du terrain.

o Détermination des transformations rigides (matrices de roto-translation) : L’application de transformations rigides 3D permet de déterminer les composantes translationnelles et rotationnelles d’un objet déplacé (Montserrat & Crosetto, 2008 ; Oppikofer et al., 2009). Cette méthode a l’avantage de tenir compte de la densité de points importante des levés au scanner laser. Elle est fondée sur l’algorithme ICP permettant de retrouver les composantes de la matrice de roto-translation en minimisant par la méthode des moindres carrés l’écart entre les points d’un objet de l’acquisition de référence et les points du même objet déplacé dans la seconde acquisition. De cette manière, l’ensemble de l’information contenue dans les nuages de points est exploité. L’application de cette technique aux glissements de terrain est illustrée par Teza et al. (2008) et par Monserrat &

Crosetto (2008).

o Corrélation de MNTs :

L’utilisation de la fonction de corrélation croisée normalisée permet de dériver le champ de déplacement 2D et 3D à partir de données altimétriques. Pour une description de cette fonction, le lecteur est prié de se référer aux chapitres § 2.1.2 et § 5.2.2. L’application de la fonction de corrélation sur des données altimétriques a été pour la première fois illustrée par Duffy et al. (2004) pour caractériser la migration de dunes sous-marines en corrélant des valeurs d’ombrage artificiel créées à partir de MNTs. Toutefois, très peu d’exemples ont illustré son applicabilité à des nuages de points TLS pour le suivi de processus géomorphologiques à cinématique lente (déplacements de quelques centimètres à quelques mètres par année) (e.g. Schwalbe et al. 2008). Aucune méthodologie adaptée aux glissements de terrain n’existe à ce jour, ce qui confère à ce travail de recherche un intérêt particulier.

Plusieurs techniques permettent ainsi de décrire le champ de déplacement de glissements de terrain à partir de nuages de points. Toutefois, l’utilisation systématique du scanner laser, relativement onéreuse, est difficilement justifiable pour le suivi en continu (i.e. installation permanente) de glissements de terrain ne représentant pas un réel danger pour la population. C’est pourquoi ce travail de thèse s’est aussi consacré à la photogrammétrie optique terrestre, une technique beaucoup plus accessible et intuitive du fait de la comparaison visuelle qualitative entre deux images. L’utilisation conjointe de la photogrammétrie optique et du scanner laser offre une bonne complémentarité du fait de leur sensibilité à des longueurs d’ondes de la lumière différentes (le scanner laser possède des capteurs actifs sensibles aux longueurs d’onde du proche infrarouge alors que la photogrammétrie optique utilise des capteurs passifs sensibles au spectre du visible).

Les nuage de points acquis par scanner laser peuvent également être utilisés pour orthorectifier les photographies optiques (Travelletti et al., soumis b).