[Job] [STAGE M2/Ingenieur] Workflow analyse de donnees LIDAR drone (13)

Annonce postée par : Maxime Cailleret (maxime.cailleret(a)inrae.fr) ---------------------------------------- Contexte Afin d’estimer la vulnérabilité des écosystèmes forestiers dans le contexte du changement climatique et de quantifier les services écosystémiques rendus comme la production de bois, la protection contre l’érosion et le maintien de la biodiversité, il est essentiel de mieux caractériser la biomasse, structure et vitalité des peuplements forestiers actuels avec des approches méthodologiques robustes applicables à l’échelle du massif tout en gardant une résolution spatiale fine. Les protocoles et analyses des inventaires dendrométriques et de la santé des peuplements sont bien établis (par exemple, inventaires de l’Institut Géographique National; Charru et al., 2017), mais coûteux en temps et difficilement réalisables sur de grands échantillonnages. Pour pallier à ces difficultés, les données issues de capteurs embarqués sur drone offrent des informations de l’échelle de l’individu à celle du massif (e.g., Lechner et al., 2020), à une résolution très fine (ex : ~500 points/m2 pour un LiDAR drone), et avec la possibilité d’effectuer des séries de vols pour le suivi de l’évolution de la structure et santé d’un peuplement et de sa canopée (e.g., Bergmüller and Vanderwel 2022 ; Ecke et al., 2022). Cependant, les méthodes d’analyse des images et nuages de points acquis par drone sont encore en développement, et peu automatisées, ce qui limite leur utilisation en routine pour effectuer des suivis spatio-temporels sur plusieurs sites. Aussi, des validations et des développements supplémentaires sont nécessaires pour pouvoir généraliser l’utilisation du drone dans les forêts méditerranéennes qui présentent de larges gammes de densité forestière, de composition, et une strate arbustive conséquente. Ces techniques doivent ainsi être testées puis insérées dans des chaines de traitement avant d’être utilisées à plus large échelle. Objectifs du stage L’objectif du stage est de développer une méthodologie de traitement de données multispectrales et LiDAR issues de capteurs embarqués sur drone, afin de caractériser la structure, la biomasse, et la santé de peuplements forestiers méditerranéens. Afin que la méthode soit applicable pour une variété d’espèces méditerranéennes, de densités, et de taux de dépérissement, elle sera calibrée et validée avec des données terrain à haute résolution provenant d’une dizaine de sites expérimentaux situés en Provence où la forêt est dominée par le pin d’Alep, le chêne vert, ou le chêne pubescent. Travail demandé L’étudiant.e devra développer un ‘work-flow’ semi-automatisé pour (1) extraire et prétraiter les données (ex : recalage des images et filtrage du bruit et des artefacts) ; (2) traiter les nuages LiDAR avec les packages R LidR et aRchi pour isoler et estimer les caractéristiques de chaque individu (ex : sa hauteur, diamètre du houppier, distribution 3D de la végétation), et des densités foliaires à l’échelle de la placette ; (3) calculer divers indices de végétation à partir des images multispectrales (e.g., NDVI, NDRE, GLI…). Afin de valider l’approche, l’étudiant.e utilisera différentes données déjà prélevées sur le terrain par l’équipe d’accueil, comme les inventaires de diamètre et de hauteur des arbres, des mesures de taille de houppier des arbres, des estimations de surface foliaire (LAI), et des notations de déficit foliaire. Pour toutes ces étapes, l’étudiant.e bénéficiera des compétences de l’équipe d’accueil en traitement des données télédétection ainsi que des collaborations avec l’UMR TETIS L’étudiant.e participera aussi aux vols drone (DJI Matrice 300 RTK avec capteur LiDAR L1 et capteur multi-spectral MicaSense RedEdge-MX 5 bandes) qui seront réalisés dans le cadre de ce projet Profil recherché Etudiant.e en école d’ingénieur ou en master 2 dans le domaine de la programmation informatique ou du traitement des données de télédétection. - Bonne maitrise des logiciels et librairies utilisés en télédétection (R, Python), en photogrammétrie et exploitation de données 3D (TerraSolid, Metashape, CloudCompare) - Maitrise des outils de SIG (QGis en particulier) - Un attrait pour l'écologie végétale sera appréciée - Autonomie - Bonne capacité rédactionnelle Conditions du stage Durée : 6 mois Date de démarrage souhaitée : début 2024 – à déterminer avec l’étudiant.e Gratification de stage : selon la réglementation en vigueur. (~600€ par mois) Lieu : Unité Mixte de Recherche RECOVER, INRAE Centre PACA, Site Aix-Le Tholonet, 3275 Route Cézanne, CS 40061, 13182 Aix en Provence Cedex 5. Contacts et Candidature à envoyer : Maxime Cailleret (Chargé de Recherches, UMR RECOVER, INRAE, Université d’Aix-Marseille) : maxime.cailleret(a)inrae.fr Maxime Soma (Ingénieur de Recherches, UMR RECOVER, INRAE, Université d’Aix-Marseille) : maxime.soma(a)inrae.fr Références citées Bergmüller, K. O., & Vanderwel, M. C. (2022). Predicting tree mortality using spectral indices derived from multispectral UAV imagery. Remote Sensing, 14(9), 2195. Charru, M., Seynave, I., Hervé, J. C., Bertrand, R., & Bontemps, J. D. (2017). Recent growth changes in Western European forests are driven by climate warming and structured across tree species climatic habitats. Annals of Forest Science, 74(2), 1-34. Ecke, S., Dempewolf, J., Frey, J., Schwaller, A., Endres, E., Klemmt, H. J., ... & Seifert, T. (2022). UAV-based forest health monitoring: A systematic review. Remote Sensing, 14(13), 3205. Lechner, A. M., Foody, G. M., & Boyd, D. S. (2020). Applications in remote sensing to forest ecology and management. One Earth, 2(5), 405-412 ---------------------------------------- L'annonce est située https://georezo.net/forum/viewtopic.php?pid=364738#p364738 Pour vous désabonner connectez-vous sur le forum puis Profil / Abonnement -- Association GeoRezo - le portail géomatique https://georezo.net (Message généré automatiquement. Ne pas répondre à ce message, utiliser les coordonnées contenues dans l'annonce)