La classification d’un nuage de points constitue le cœur du travail sur les données LiDAR aérien. C’est elle qui transforme un ensemble de mesures géométriques en information exploitable, et c’est d’elle que dépendent tous les produits dérivés.
Cet article expose la nomenclature standard, les difficultés propres à cet exercice et la méthode qu’il demande. Il prolonge l’article consacré au comparatif avec la photogrammétrie.
Ce que classifier signifie en LiDAR aérien
Une différence avec l’annotation d’images mérite d’être posée d’emblée. Annoter une image consiste à délimiter des régions par un contour. Classifier un nuage de points consiste à attribuer une étiquette à chaque point, sans notion de contour ni de région. Trois conséquences en découlent. La frontière entre deux classes n’est pas une ligne mais une zone de transition où les points appartiennent à l’une ou l’autre. La notion d’objet n’est pas donnée, un bâtiment étant un ensemble de points partageant une étiquette plutôt qu’une entité délimitée. Et la granularité est fixée par la donnée, un point constituant l’unité indivisible. Une conséquence pratique importante en découle. Les métriques et les conventions de l’annotation d’images ne se transposent pas directement, ce que la section consacrée à l’évaluation développe.La nomenclature standard
Un référentiel existe dans le format d’échange du LiDAR aérien. Sa connaissance constitue un prérequis. Les classes de base couvrent les besoins courants. Le sol désigne la surface topographique. La végétation se subdivise généralement en trois strates selon la hauteur. Le bâti désigne les constructions. L’eau désigne les surfaces d’eau libre. Le pont désigne les ouvrages franchissant, distingués du bâti pour des raisons de traitement du terrain. Et une classe de points aberrants recueille les échos parasites. Deux catégories complémentaires méritent d’être signalées. Les points non classés, qui constituent l’état initial d’un relevé brut. Et les classes réservées à des usages spécifiques, réseaux et infrastructures notamment, qu’un projet peut définir selon ses besoins. Une observation importante accompagne ce référentiel. Il définit des étiquettes et non des critères, ce qui laisse entièrement ouverte la question de savoir où passe la limite entre deux classes, difficulté que la section suivante traite.Les difficultés aux interfaces
Cette famille concentre l’essentiel du désaccord en classification LiDAR aérien. Cinq interfaces posent régulièrement problème et chacune demande une convention explicite. Sol contre végétation basse, une herbe rase produisant des points dont l’appartenance dépend d’un seuil de hauteur à fixer. Sol contre bâti, la jonction entre un mur et le terrain naturel comportant une zone où les deux interprétations se défendent. Végétation contre bâti, un arbre débordant sur une toiture produisant un mélange que la seule géométrie ne sépare pas. Bâti contre structures annexes, un auvent, une serre ou un abri relevant d’une convention plutôt que d’une évidence. Et sol contre ouvrages linéaires, un talus, un mur de soutènement ou un remblai posant la question de savoir ce qui relève du terrain naturel. Une observation traverse ces cinq interfaces. Aucune ne se tranche par l’observation, toutes demandant une décision documentée avant la production, principe que les séries précédentes ont établi pour l’annotation d’images et qui vaut identiquement ici.La classification automatique
Cette étape précède presque toujours le travail humain. Il vaut la peine d’en connaître les capacités. Des algorithmes classifient automatiquement une part importante des points et leur qualité varie selon les classes. Le sol est correctement identifié dans la plupart des configurations, les algorithmes de filtrage morphologique étant matures et robustes. Le bâti est identifié avec une qualité moyenne, les confusions portant sur les structures atypiques et les interfaces avec la végétation. La végétation est identifiée grossièrement, la subdivision en strates étant souvent approximative. Et les classes spécifiques, réseaux et ouvrages, échappent largement à l’automatisation. Trois configurations mettent en défaut ces algorithmes et elles concentrent le travail de correction. Les terrains à forte pente, où le filtrage du sol confond relief et objets. Les zones urbaines denses, où les interfaces se multiplient. Et les couverts végétaux denses, où le sol est faiblement échantillonné.La correction comme mode de travail
Elle définit la prestation dominante du LiDAR aérien. Cette conséquence économique découle de ce qui précède. Le travail consiste rarement à classifier depuis zéro. Il consiste à corriger une classification automatique existante, opération dont la nature diffère nettement. Quatre opérations le composent. La détection des erreurs, qui suppose de savoir où les chercher. La reclassification des points mal attribués, par sélection de groupes. Le traitement des zones non classées, que l’automatisme n’a pas su trancher. Et l’affinement des interfaces, selon les conventions établies. Une observation importante en découle pour l’organisation du travail. La détection des erreurs domine le temps passé, la correction elle-même étant rapide une fois l’erreur repérée, ce qui déplace la compétence vers l’inspection plutôt que vers la manipulation. Une conséquence pour l’outillage s’ensuit. Un outil facilitant l’inspection, coupes, profils et filtres d’affichage, apporte davantage qu’un outil facilitant la sélection.Les méthodes de sélection
Quatre approches permettent de désigner des groupes de points. Leur pertinence varie selon le cas. La sélection géométrique délimite une emprise en plan et retient les points qu’elle contient, méthode simple et qui ignore la dimension verticale. La sélection par section retient les points contenus dans une tranche verticale, ce qui permet de travailler dans un plan de coupe et convient aux interfaces. La sélection par critère retient les points satisfaisant une condition, hauteur, intensité ou numéro d’écho, ce qui automatise partiellement le travail. Et la sélection par connexité retient les points formant un ensemble contigu, ce qui convient aux objets isolés. Une combinaison mérite d’être signalée. L’emploi d’un critère suivi d’une correction manuelle constitue le mode de travail le plus productif, l’automatisme traitant la masse et l’humain traitant les cas limites.Le rôle des attributs
Cette ressource propre au LiDAR aérien est sous-employée. Elle facilite considérablement le travail de classification. Les attributs portés par chaque point renseignent au delà de sa position. Le numéro d’écho distingue les points de surface des points intérieurs, un premier écho signalant le sommet de ce qui a été rencontré et un dernier écho signalant souvent le sol. Le nombre total d’échos indique la pénétration, une impulsion à écho unique ayant rencontré une surface opaque et une impulsion à échos multiples ayant traversé un couvert. L’intensité renseigne imparfaitement sur la nature de la surface, avec les réserves d’interprétation que l’article d’ouverture a posées. Et l’angle de balayage permet de repérer les points acquis en bord de bande, généralement moins précis. Une conséquence pratique en découle. Un critère combinant hauteur relative et attributs d’écho sépare efficacement sol, végétation et bâti dans la plupart des configurations, ce qui réduit sensiblement le travail manuel.Les configurations difficiles
Sept situations concentrent l’essentiel du travail de correction et il vaut la peine de les identifier avant de commencer. Les terrains à forte pente, où le filtrage du sol confond une rupture de relief avec un objet posé. Les couverts végétaux denses, où le sol reçoit peu de points et où l’interpolation devient hasardeuse. Les zones urbaines denses, où les interfaces entre bâti, végétation et sol se multiplient sur de faibles distances. Les structures de faible hauteur, murets, haies taillées et véhicules, dont la distinction avec le sol relève du seuil retenu. Les toitures végétalisées, qui présentent simultanément les caractéristiques du bâti et de la végétation. Les ouvrages d’art, ponts et passerelles, dont le traitement conditionne la cohérence du modèle de terrain sous-jacent. Et les zones de recouvrement entre bandes de vol, où deux passages produisent des points légèrement décalés. Une conséquence pratique en découle pour l’organisation d’un projet de LiDAR aérien. Repérer ces sept configurations sur la zone avant la production permet d’estimer la charge réelle, deux dalles de même surface pouvant demander des temps très différents selon leur composition.La classification du sol, cas particulier
Une classe mérite un traitement séparé car elle conditionne l’ensemble des produits dérivés du LiDAR aérien. Le modèle de terrain se produit en retenant les seuls points classés sol, ce qui fait de cette classe le déterminant direct de sa qualité. Le principe des méthodes automatiques consiste à identifier les points les plus bas localement puis à faire croître une surface en agrégeant les points compatibles avec une pente et une variation d’altitude plausibles. Quatre configurations les mettent en défaut. Les ruptures de pente franches, talus et falaises, où le critère de continuité écarte à tort des points de sol légitimes. La végétation basse dense, où aucune impulsion n’atteint le sol, ce qui produit une surface interpolée au dessus du sol réel. Les bâtiments étendus et bas, dont la toiture peut être prise pour du sol. Et les zones de forte pente, où un paramétrage adapté au terrain plat écarte systématiquement des points valides. Une conséquence pratique importante en découle. Le paramétrage doit être adapté au relief de la zone, un réglage unique sur un territoire varié produisant des défauts localisés que seul un contrôle par secteur révèle.Les conventions à fixer
Six décisions doivent être tranchées avant la production et documentées avec des exemples. Le seuil de hauteur séparant sol et végétation basse. Les seuils séparant les strates de végétation entre elles. Le traitement de la jonction entre bâti et terrain naturel. Le traitement des structures annexes, auvents, serres, abris et clôtures. Le traitement des ouvrages de terrassement, talus, remblais et murs de soutènement. Et le traitement des points ambigus, attribués à la classe la plus probable ou laissés non classés selon une règle explicite. Une observation traverse ces six décisions. Chacune se tranche en quelques minutes avec un expert et produit, si elle est omise, une variabilité que rien ne permet ensuite de distinguer d’une erreur.L’évaluation d’une classification
Quatre particularités la distinguent en LiDAR aérien. Elles compliquent la transposition des méthodes de l’imagerie. L’unité d’évaluation est le point, ce qui produit des effectifs considérables et rend les métriques globales peu discriminantes. Le déséquilibre entre classes est extrême, le sol et la végétation représentant l’essentiel des points quand les classes utiles peuvent en représenter une fraction infime. Les erreurs aux interfaces dominent numériquement sans nécessairement importer, un point de bordure mal attribué ayant rarement une conséquence. Et l’échantillonnage doit être spatial plutôt qu’aléatoire, des points voisins étant fortement corrélés. Une conséquence en découle pour la méthode. Une matrice de confusion par classe, complétée par une évaluation ciblée sur les configurations difficiles, renseigne davantage qu’un taux global, ce qu’un article de cette série développe.L’organisation d’une production
Cinq dispositifs soutiennent un travail à plusieurs. Ils diffèrent de ceux d’une production d’images. Le découpage en dalles, un nuage entier dépassant les capacités d’un poste de travail, avec un recouvrement pour traiter les objets à cheval. La gestion des bordures de dalles, un bâtiment coupé entre deux lots devant recevoir un traitement cohérent. Le référentiel de cas illustré, montrant en trois dimensions les configurations tranchées, ce qui suppose des captures sous plusieurs angles. Le suivi de cadence, exprimé en points ou en surface traitée par heure selon la densité. Et les sessions de calibration, où plusieurs opérateurs traitent la même dalle et confrontent leurs résultats. Une difficulté propre mérite d’être signalée. La revue d’un travail tridimensionnel est plus lente qu’en imagerie, un contrôleur devant naviguer plutôt que balayer, ce qui pèse sur le coût du contrôle.L’apprentissage automatique sur nuages de points
Une évolution modifie ce travail et elle mérite d’être située sans exagération. Des architectures traitant directement les nuages de points existent et elles produisent des classifications supérieures aux méthodes algorithmiques classiques sur plusieurs classes. Trois apports sont réels. La classification du bâti s’améliore nettement, les architectures apprenant des formes que les règles géométriques ne capturent pas. Les classes spécifiques deviennent accessibles, réseaux et mobilier urbain notamment. Et la cohérence spatiale s’améliore, ces méthodes exploitant le voisinage plutôt que de traiter chaque point isolément. Trois limites les accompagnent et elles rejoignent celles que les séries précédentes ont documentées. Le besoin en corpus annoté est important, ce qui déplace le coût plutôt que de le supprimer. Le transfert entre territoires est limité, un modèle appris sur un type de paysage se dégradant sur un autre. Et l’évaluation reste dépendante d’une référence annotée manuellement. Une conséquence pratique en découle pour un prestataire de LiDAR aérien. Ces méthodes créent une demande de corpus annotés là où il n’en existait pas, ce qui constitue une opportunité plutôt qu’une menace pour un fournisseur de données.Les erreurs les plus fréquentes
- Classifier sans avoir fixé les seuils de hauteur entre classes.
- Traiter la classification automatique comme un acquis plutôt que comme un point de départ.
- Négliger les zones à forte pente, où le filtrage du sol échoue.
- Ignorer les attributs d’écho, qui automatisent une part du travail.
- Employer une nomenclature standard sans définir les critères associés.
- Découper en dalles sans recouvrement ni traitement des bordures.
- Évaluer par un taux global sur un jeu fortement déséquilibré.
- Échantillonner aléatoirement des points fortement corrélés.
- Employer des annotateurs d’images sans formation à la navigation tridimensionnelle.
- Sous-estimer le temps de contrôle, plus lent qu’en imagerie.
