🔬 applied physics

Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna

Cette étude compare les algorithmes de segmentation par bassin versant et de croissance de région pour segmenter les arbres urbains individuels à partir de données LiDAR aéroportées à Bologne, révélant des profils de détection distincts pour chaque méthode tout en soulignant les limites des registres municipaux existants en tant que vérité terrain et démontrant un pipeline modulaire pour dériver des indicateurs de végétation tels que la biomasse et la production de pollen.

Auteurs originaux : Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

Publié 2026-07-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un détective essayant de résoudre un mystère dans une forêt géante et invisible. Mais ce n'est pas une forêt de terre et de feuilles que l'on peut toucher ; c'est une forêt de faisceaux lumineux. Les scientifiques utilisent un outil spécial appelé LiDAR (Light Detection and Ranging) pour projeter des lasers depuis le ciel. Ces lasers rebondissent sur tout — les bâtiments, les voitures et les arbres — et reviennent pour nous dire exactement quelle est leur hauteur. C'est comme si la ville portait un costume 3D fait de millions de petits points.

Maintenant, imaginez que vous ayez un énorme tas de ces points, et que votre travail soit de déterminer quels points appartiennent à quel arbre. C'est ce qu'on appelle la segmentation. C'est délicat car les arbres dans une ville poussent souvent les uns près des autres, leurs branches s'entremêlent comme un bol de spaghettis, et certains sont hauts tandis que d'autres sont courts. Si vous ne pouvez pas distinguer un arbre d'un autre, vous ne pouvez ni les compter, ni mesurer leur santé, ni deviner la quantité de carbone qu'ils absorbent de l'air. Cela importe car les villes deviennent de plus en plus chaudes, et les arbres sont les climatiseurs de la nature. Pour les gérer, nous devons savoir exactement qui est qui dans cette foule verdoyante.

Ce document traite de deux détectives différents essayant de résoudre ce casse-tête à Bologne, en Italie. Le premier détective utilise une méthode appelée Watershed (ligne de partage des eaux), qui est comme verser de l'eau sur un paysage accidenté. L'eau coule vers les vallées, et là où l'eau de deux vallées différentes se rencontre, c'est la limite entre deux arbres. Le second détective utilise la Croissance de Région (Region Growing), qui ressemble davantage à un jeu de « relier les points ». Il commence au sommet même d'un arbre et s'accroche aux points voisins qui semblent appartenir à la même famille, faisant croître l'arbre vers l'extérieur jusqu'à ce qu'il rencontre un voisin.

Les chercheurs ont testé les deux détectives sur 12 tranches différentes de la ville. Voici ce qu'ils ont trouvé : le détective Watershed a trouvé plus d'arbres — 7 589 ! Mais il semblait un peu trop zélé. Il a découpé de grands arbres en de nombreuses petites pièces, trouvant un énorme nombre de minuscules arbres qui ne mesuraient qu'environ 5 mètres de haut. C'était comme voir un chêne géant et penser qu'il s'agissait en fait d'une forêt de jeunes plants parce que l'« eau » s'est coincée dans les petits creux des feuilles.

Le détective Croissance de Région était plus conservateur. Il a trouvé moins d'arbres — 6 432 — mais il était meilleur pour repérer les géants. Il a réussi à identifier des arbres de plus de 40 mètres de haut, que l'autre méthode avait manqués. Cela s'explique par le fait que la Croissance de Région n'a pas lissé les données ; elle a conservé les points hauts et nets des plus grands arbres.

L'équipe a également essayé de vérifier son travail par rapport à la liste officielle des arbres de la ville, une base de données appelée Alberi in manutenzione. Ils espéraient utiliser cette liste comme une « vérité » pour voir qui avait raison. Mais la liste s'est avérée être un peu désordonnée. Environ la moitié des arbres que le LiDAR a vus n'étaient pas du tout sur la liste. Certains endroits de la liste contenaient des arbres qui n'étaient plus là, et les relevés de hauteur dataient principalement d'il y a 20 ans. C'était comme essayer de vérifier vos devoirs par rapport à un manuel scolaire d'il y a dix ans dont la moitié des pages manquerait. À cause de cela, les auteurs ne pouvaient pas affirmer avec certitude quel détective était parfait, mais ils pouvaient voir que la vieille liste de la ville n'était pas assez bonne pour servir d'arbitre.

Malgré la confusion, l'équipe a utilisé ses nouvelles cartes d'arbres pour calculer des chiffres intéressants. Ils ont estimé la quantité de carbone que chaque arbre stocke (ce qui aide à lutter contre le changement climatique) et la quantité de pollen qu'ils pourraient produire (ce qui peut faire éternuer les gens). Ils ont transformé toutes ces données en une carte interactive où l'on peut cliquer sur un arbre pour voir sa hauteur, sa taille et son « pouvoir pollinique ».

La grande conclusion ? La vieille liste d'arbres de la ville est obsolète et peu fiable. Les nouvelles méthodes LiDAR fonctionnent, mais elles doivent être ajustées avec soin. La méthode « Watershed » est rapide mais peut voir trop de petits arbres, tandis que la « Croissance de Région » est excellente pour repérer les géants mais peut manquer certains détails. Les auteurs suggèrent qu'à l'avenir, nous devrions combiner ces scans aériens avec des scans au niveau du sol et des relevés de terrain actualisés pour obtenir l'image parfaite. En attendant, ce nouveau processus offre à la ville un moyen puissant et actualisé de visualiser sa verdure, même si les vieilles cartes sont encore à la traîne.

Résumé technique : Watershed vs. Croissance de régions pour la segmentation d'arbres individuels à Bologne

Énoncé du problème
L'article traite du défi que représente la segmentation et la caractérisation des arbres urbains hauts et individuels à Bologne, en Italie, en utilisant des nuages de points LiDAR aéroportés. Un obstacle majeur identifié est l'absence de données de vérité terrain fiables pour la validation. Le catalogue de données ouvertes de la municipalité (Alberi in manutenzione) s'avère être considérablement obsolète (avec des enregistrements remontant à environ deux décennies), incomplet (manquant environ 50 % des arbres détectés par LiDAR dans les zones échantillonnées) et incohérent (contenant des géopoints où aucun arbre n'existe). Par conséquent, une validation standard par rapport aux registres municipaux existants est jugée inappropriée, nécessitant une analyse comparative des algorithmes de segmentation basée sur leurs sorties structurelles plutôt que sur une vérité terrain externe.

Méthodologie
L'étude propose un pipeline modulaire de bout en bout commençant par des nuages de points LiDAR aéroportés pré-classifiés comme « haute végétation » à l'aide d'un modèle de Forêt Aléatoire (Random Forest). Le cœur de la méthodologie consiste à implémenter et comparer deux stratégies distinctes de segmentation d'arbres individuels (ITS) :

Algorithme Watershed (Ligne de partage des eaux) :
- Entrée : Un Modèle de Hauteur de Canopée (CHM) dérivé en soustrayant le Modèle Numérique de Terrain (DTM) du Modèle Numérique de Surface (DSM) restreint aux points de végétation.
- Processus : Le CHM est traité comme une surface topographique. Les maxima locaux (sommets des arbres) servent de points de départ pour une simulation d'inondation. Les lignes de partage des eaux, représentant les limites où les eaux de bassins adjacents se rejoignent, délimitent les couronnes des arbres.
- Sortie : Des limites de couronnes polygonales en 2D utilisées pour filtrer spatialement le nuage de points 3D original.
Algorithme de Croissance de Régions (Region Growing) :
- Entrée : Le nuage de points LiDAR 3D classifié comme haute végétation.
- Processus : Une stratégie d'assignation itérative point par point. Les points sont triés par élévation par ordre décroissant. Le point le plus élevé initie un nouvel arbre. Les points suivants sont assignés à l'arbre actuel s'ils satisfont à des critères de proximité et de continuité structurelle (par exemple, se situant sous un point précédemment analysé et héritant de son étiquette, ou formant une structure de type branche près du sommet de l'arbre actuel). Si un point ne correspond pas, il reste non assigné pour la passe suivante.
- Sortie : Des clusters de points 3D assignés à des arbres spécifiques, sans frontière polygonale 2D intrinsèque nécessitant une reconstruction supplémentaire.

Contributions clés et résultats
L'étude analyse 12 tuiles spatiales couvrant le quartier de Talea (Montagnola, Via Indipendenza, zone de la Stazione Centrale) pour comparer les performances des deux méthodes :

Comptage de la segmentation et distribution de la hauteur :
- Watershed : A détecté 7 589 arbres. La distribution est dominée par des arbres courts, avec un pic de hauteur autour de 5 mètres. Les auteurs attribuent cela au lissage du CHM, qui peut fragmenter les canopées continues en plusieurs maxima locaux, entraînant une sur-segmentation.
- Croissance de régions : A détecté 6 432 arbres. Cette méthode conserve les retours LiDAR les plus élevés, identifiant avec succès des individus dépassant 40 mètres de hauteur. Elle évite la fragmentation artificielle des arbres hauts observée dans l'approche watershed car elle opère directement sur les points 3D sans étape de lissage.
- Accord : Les deux méthodes concordent sur le nombre d'arbres de plus de 10 mètres de hauteur et sur le pic de la distribution du rayon de la couronne (2–3 mètres). Les divergences se concentrent dans la partie basse de la distribution de la hauteur.
Validation des données :
Une comparaison avec le jeu de données municipal Alberi in manutenzione a révélé qu'environ la moitié des arbres détectés par LiDAR étaient absents du catalogue, tandis que certains points répertoriés correspondaient à des emplacements sans arbres. Cela confirme l'inaptitude de ce jeu de données comme référence de vérité terrain pour l'entraînement ou l'évaluation des algorithmes ITS.
Indicateurs de végétation :
En utilisant les arbres segmentés (spécifiquement la sortie watershed, qui fournit des polygones prêts pour l'assignation des espèces), les auteurs ont calculé deux indicateurs préliminaires :
1. Stockage de carbone : Estimation de la Biomasse Aérienne (AGB) en utilisant un modèle allométrique ( $AGB = \alpha \cdot [H \cdot \ln(\pi R^2)]^\beta$ ) basé sur la hauteur de l'arbre ( $H$ ) et le rayon de la couronne ( $R$ ). Le carbone a été dérivé en utilisant les coefficients standards du GIEC. Les auteurs notent qu'il s'agit d'une approximation de premier ordre en raison de l'utilisation de coefficients calibrés sur des plantations de cryptomérias plutôt que sur la forêt urbaine de feuillus de Bologne.
2. Potentiel allergène : Estimation de la production annuelle de pollen ( $P = D \cdot V_{crown} \cdot E$ ) en utilisant des coefficients d'inflorescence spécifiques à l'espèce. Le volume de la couronne a été approximé par un sphéroïde avec un ratio de profondeur de couronne fixe ( $L = H/2$ ), une hypothèse conservatrice étant donné l'incapacité du LiDAR aéroporté à détecter la base de la couronne dans les canopées urbaines denses.
Visualisation :
Tous les résultats, y compris les métadonnées (espèce, hauteur, rayon de couronne, carbone, pollen), ont été intégrés dans une carte interactive par arbre utilisant la bibliothèque folium.

Signification et revendications
Le papier se positionne comme un travail fondateur plutôt que comme une solution définitive, reconnaissant explicitement les limites en matière de validation et de calibration des paramètres. Sa signification réside dans :

Démonstration d'un pipeline évolutif : Il fournit un cadre modulaire qui peut être recalibré à mesure que de meilleures classifications, des données de terrain ou des technologies de détection (ex: LiDAR terrestre) deviennent disponibles.
Mise en évidence des lacunes de données : Il documente rigoureusement l'insuffisance des données ouvertes municipales actuelles pour la gestion de la forêt urbaine, préconisant l'utilisation périodique du LiDAR aérien pour mettre à jour les inventaires concernant la présence, la hauteur et l'étendue des couronnes.
Comparaison algorithmique : Il offre une comparaison pratique des techniques de watershed et de croissance de régions dans un contexte urbain, notant que si le watershed est peu coûteux en calcul et fournit des polygones 2D, la croissance de régions préserve mieux la structure verticale des arbres hauts.
Indicateurs préliminaires : Il établit la faisabilité de dériver des indicateurs écologiques (carbone et pollen) à partir de données LiDAR, servant de base à des stratégies futures plus raffinées pour la verdure municipale.

Les auteurs concluent que le pipeline est conçu pour évoluer parallèlement aux priorités stratégiques municipales, les travaux futurs se concentrant sur l'amélioration des contrôles de la structure des branches dans la croissance de régions, la création de jeux de données de référence organisés via des campagnes de terrain, et l'affinement des indicateurs basés sur des calibrations spécifiques aux espèces.

Articles similaires