Résumé
Les forêts tropicales, couvrant seulement 7% de la surface terrestre, jouent un rôle vital et disproportionnel dans la biosphère. Ils recyclent environ un tiers des précipitations par évapotranspiration, contribuant ainsi à générer et à maintenir un climat humide régional, avec des effets positifs s'étendant bien au-delà des tropiques. Cependant, la variabilité saisonnière des flux entre les forêts tropicales et l'atmosphère est encore insuffisamment étudié. Mieux comprendre les processus fondamentaux au flux saisonnier dans les forêts tropicales est donc crucial pour améliorer notre capacité de prédiction de cycle biogéochimique mondial. L'indice de surface foliaire (LAI), un paramètre crucial régulant les flux d'eau et de carbone, nécessite une étude plus approfondie en utilisant les avancées dans les technologies de surveillance telles que la télédétection aérienne et terrestre (LiDAR). Dans cette thèse, nous abordons les principaux défis de la quantification de la surface foliaire dans les forêts tropicales en utilisant la technologie LiDAR.De nombreux facteurs introduisent des biais dans les méthodes existantes de LiDAR pour l'estimation du LAI, y compris la présence du bois, la distribution de l'angle des feuilles, l'agglomération, la taille des feuilles, l'occlusion, la censure, la taille des voxels, etc. Lors de l'utilisation des données UAV Laser Scanning (ULS) pour l'estimation du LAI, le composant du bois est le problème principal à résoudre. Le premier article se concentre sur le développement d'une nouvelle approche de apprentissage profond nommée SOUL (Semantic Segmentation On ULs) pour la séparation des feuilles et du bois des données ULS. L'approche repose exclusivement sur les coordonnées des points, afin de faciliter l'application à d'autres données et d'autres capteurs. Une nouvelle approche de prétraitement des données, la décomposition par géodésie des voxels (GVD), est introduite pour relever les défis de l'entraînement des réseaux de neurones à partir de nuages de points clairsemés. L'approche a également été testée qualitativement sur des ensembles de données open-source enregistrées en Australie et en Allemagne, montrant une généralisation potentielle à d'autres forêts et capteurs LiDAR.Après avoir surmonté la difficulté de la segmentation sémantique, le deuxième article se concentre sur l'analyse des autres biais qui affectent l'estimation du LAI à partir des données LiDAR. Comme il n'existe actuellement aucune méthode efficace pour obtenir le vrai LAI au niveau de la forêt, la simulation est la seule approche réalisable pour obtenir des données de validation. Nous utilisons le modèle DART pour simuler les caractéristiques des données ULS basées sur deux maquettes forestières : Wytham Woods et Järvselja Birch Stand de RAMI-V. Les données simulées fournissent des détails complets sur la structure de la forêt: le LAI, l'angle des feuilles, l'étiquette des feuilles/bois, etc. Parmi les divers biais, les composants du bois posent un problème distinct car la structure des organes du bois est naturellement différente des autres biais. Par conséquent, le deuxième article donne la priorité à traiter ce biais pour isoler et analyser les contributions individuelles des autres facteurs à l'estimation du LAI. En appliquant SOUL pour supprimer le biais introduit par le composant du bois, puis en utilisant AMAPVox, un modèle de ray tracing, pour effectuer une analyse quantitative des biais restants, une estimation plus précise du LAI forestier est obtenue.En résumé, cette thèse contribue à l'avancement de notre compréhension de la dynamique des écosystèmes forestiers tropicaux et propose des méthodologies pratiques pour une estimation précise et fiable de la surface foliaire. En relevant les défis critiques de la quantification du LAI, ces méthodologies promettent d'améliorer notre capacité à prédire les cycles biogéochimiques mondiaux et à gérer durablement les forêts.