Résumé Technique : Cadre ASND-DEM pour la Cartographie Optimale de la Résolution des MNT

1. Énoncé du Problème

La sélection d'une résolution appropriée pour les Modèles Numériques de Terrain (MNT) générés à partir de nuages de points photogrammétriques dans les mines à ciel ouvert demeure un défi critique non résolu. Une résolution trop grossière ne parvient pas à capturer les caractéristiques techniques essentielles telles que les bords de banquettes, les ruptures de pente et les motifs d'érosion, compromettant ainsi l'analyse de la stabilité des pentes et les calculs volumétriques. À l'inverse, une résolution trop fine amplifie le bruit des capteurs, gonfle le volume de données et augmente les coûts de calcul de manière quadratique.

La difficulté fondamentale réside dans le fait qu'il n'existe aucune résolution fixe universelle. La résolution optimale dépend à la fois de la densité locale des points et de la rugosité de la surface. Les terrains miniers sont particulièrement hétérogènes, contenant des pistes de transport lisses (nécessitant une résolution grossière) aux côtés de parois de banquettes accidentées (nécessitant une résolution fine). Les méthodes existantes reposent souvent sur des approches à grille fixe ou des filtrages simples qui ne peuvent pas simultanément préserver les discontinuités critiques et compresser les données efficacement à travers des paysages aussi variables.

2. Méthodologie : Le Cadre ASND-DEM

L'étude propose l'ASND-DEM (Adaptive Spatial Nyquist Decomposition for Digital Elevation Models), un cadre en quatre étapes conçu pour répondre à deux questions : (1) Quelle résolution fixe est appropriée pour un ensemble de données donné ? et (2) Comment la résolution peut-elle varier spatialement pour correspondre à la complexité locale ?

Étape 1 : Analyse de Nyquist Spatiale

Cette étape dérive les échelles de résolution théoriquement admissibles basées sur le théorème d'échantillonnage de Nyquist-Shannon adapté au domaine spatial.

• Processus : Le cadre calcule les distances des $k$-plus proches voisins ($k=3$) pour le nuage de points d'entrée afin d'estimer la densité d'échantillonnage locale. Un modèle de mélange gaussien (GMM) identifie le mode d'échantillonnage dominant, produisant la distance médiane entre voisins les plus proches ($P_{50}$).
• Résultat : Une table d'échelles de résolutions admissibles est générée, allant de $0,5 \times P_{50}$ à $2,0 \times P_{50}$. La limite de Nyquist spatiale est définie comme $R_{Nyquist} = 2 \times P_{50}$, représentant la résolution la plus grossière évitant l'aliasing spatial.

Étape 2 : Caractérisation de la Rugosité Multivariée

Cette étape quantifie la complexité de la surface locale à l'aide de trois descripteurs géométriques : l'écart-type de l'élévation ($r_{std}$), le gradient de pente ($r_{slope}$) et le résidu de courbure ($r_{curv}$).

• Pondération Adaptative : Quatre schémas de pondération (Égal, PCA, Entropie, Spectral) sont évalués pour fusionner ces descripteurs. Un score de décision automatique (équilibrant l'entropie de l'information, la préservation des détails et la stabilité) sélectionne la méthode de pondération optimale.
• Résultat : Dans le cas d'étude, la méthode basée sur l'Entropie a été sélectionnée, attribuant des poids quasi égaux à la pente et à la courbure tout en écartant l'écart-type de l'élévation en raison de sa redondance.

Étape 3 : Cartographie Rugosité-Résolution

Cette étape associe les valeurs de rugosité normalisées à la résolution locale optimale ($R_{best}$) au sein de l'ensemble d'échelles admissibles.

• Fonctions de Cartographie : Trois familles de fonctions (Polynomiale, Exponentielle, Logarithmique) sont testées.
• Sélection : Un score composite fondé sur la théorie de l'information (incorporant l'entropie, la préservation des détails fins et la stabilité) sélectionne la fonction optimale. L'étude a constaté qu'une cartographie exponentielle ($\alpha=5$) capturait le mieux la relation, où même une rugosité modérée déclenche un passage rapide à des résolutions plus fines.
• Résolution Fixe : Pour les applications nécessitant des grilles uniformes, une résolution fixe optimale ($R_{opt}$) est dérivée comme étant la médiane de la carte de $R_{best}$ spatialement variable, déterminée via une analyse de compromis coût-qualité.

Étape 4 : Pavage par Octree Adaptatif

La dernière étape construit une partition spatiale hiérarchique (référée comme un octree adaptatif, fonctionnant comme un quadtree pour les champs de hauteur 2.5D) pilotée par la carte $R_{best}$.

• Critères de Division : Les nœuds sont divisés selon deux conditions dérivées des statistiques de résolution locale : (1) la taille du pavé dépasse un seuil par rapport à la résolution moyenne locale, et (2) l'hétérogénéité de la résolution locale dépasse un seuil.
• Compression : Ce processus compresse le nuage de points en pavés où la résolution est proportionnelle à la complexité de la surface locale. Les zones lisses sont représentées par des pavés grossiers, tandis que les zones rugueuses conservent des pavés fins.

3. Contributions Clés

1. Adaptation Théorique : Adapte le théorème de Nyquist-Shannon au domaine spatial pour les MNT dérivés de nuages de points, établissant une table d'échelles physiquement contraintes ($0,5\times$ à $2,0\times P_{50}$).
2. Fusion de Rugosité Multivariée : Introduit une caractérisation de la rugosité multivariée avec une sélection automatique de la pondération (via l'Entropie, la PCA, etc.), éliminant le réglage manuel des paramètres.
3. Cartographie Fondée sur l'Information : Développe une stratégie de cartographie rugosité-résolution qui sélectionne la forme fonctionnelle optimale (polynomiale, exponentielle ou logarithmique) basée sur des métriques de la théorie de l'information.
4. Compression par Octree Adaptatif : Implémente un octree adaptatif piloté par la rugosité qui atteint une compression de données proportionnelle à la douceur de la surface locale, plutôt que d'utiliser des tailles de voxels fixes.
5. Validation à Grande Échelle : Valide le cadre sur un ensemble de données réelles à grande échelle (96,5 millions de points) provenant d'une mine à ciel ouvert, démontrant une mise à l'échelle quasi linéaire et une compression significative.

4. Résultats

Le cadre a été appliqué à un nuage de points photogrammétriques de 96 555 133 points provenant d'une mine à ciel ouvert en Iran.

• Analyse de Résolution : L'espacement dominant des points ($P_{50}$) était de 0,264 m, établissant une limite de Nyquist de 0,528 m. La résolution adaptative variait spatialement de 0,132 m (sur les bords de banquettes rugueux) à 0,528 m (sur les pistes de transport lisses), soit une plage de facteur 4.
• Résolution Fixe Optimale : L'analyse a identifié 0,396 m (1,5× $P_{50}$) comme la résolution fixe optimale pour les MNT à grille uniforme, représentant le "point de rupture" (knee point) où un grossissement supplémentaire produit des rendements décroissants en termes de réduction de données par rapport à l'augmentation de l'erreur.
• Performance de Compression : L'octree adaptatif a compressé les 96,5 millions de points en 542 443 pavés (moyenne de ~178 points/pavé). Cela a permis d'atteindre un taux de compression de stockage de 0,56 % (soit une réduction d'environ 178×) par rapport au volume du nuage de points original.
• Préservation des Caractéristiques : Les caractéristiques topographiques critiques (bords de banquettes, ruptures de pente) ont été préservées dans les pavés à haute résolution, tandis que les zones lisses ont été agressivement compressées.
• Généralisation : Le cadre a été appliqué avec succès à un second site minier indépendant (20,2 millions de points), atteignant des taux de compression similaires (0,62 %) et adaptant automatiquement la résolution fixe optimale (0,240 m) à la topographie spécifique du site.
• Comparaison : Comparé au sous-échantillonnage à espace fixe et aux bases de comparaison du Cloth Simulation Filter (CSF), l'ASND-DEM a offert une efficacité de stockage supérieure tout en conservant tous les points structurels (contrairement au CSF, qui rejette les objets hors-sol) et en préservant mieux les détails fins que le sous-échantillonnage uniforme.

5. Signification et Revendications

L'article affirme que l'ASND-DEM fournit une solution pilotée par les données et physiquement contrainte pour la génération de MNT à résolution variable dans des paysages hétérogènes. Sa signification réside dans :

• Élimination du "Essai et Erreur" : Il remplace la sélection de résolution ad hoc par un critère théoriquement fondé basé sur la densité de points et la rugosité de la surface.
• Efficacité vs Fidélité : Il démontre qu'une cartographie à résolution variable peut réduire les besoins de stockage de deux ordres de grandeur tout en préservant des caractéristiques à l'échelle du centimètre, essentielles pour la sécurité minière et les calculs de volume.
• Scalabilité : La mise à l'échelle computationnelle quasi linéaire ($O(N \log N)$) rend le cadre adapté aux opérations minières à grande échelle où les nuages de points dépassent régulièrement les 100 millions de points.
• Généralisabilité : Le cadre est conçu pour être applicable à n'importe quel nuage de points photogrammétriques ou LiDAR, et pas seulement aux environnements miniers, bien qu'il ait été spécifiquement validé sur des terrains miniers artificiels.

Les auteurs notent que le cadre nécessite un nuage de points complet en entrée et ne supporte pas actuellement le traitement incrémental en temps réel, mais offre une solution robuste hors ligne pour optimiser la génération de MNT dans des terrains techniques complexes.