Les forêts recouvrent 30,8 % de la surface de la Terre, rendant leur suivi indispensable pour la gestion des ressources, le stockage du carbone et la biodiversité. Alors que les inventaires reposent historiquement sur des mesures manuelles bidimensionnelles au ruban, l'usage de capteurs 3D stationnaires (TLS) a réduit le besoin en main-d'œuvre, mais impose des repositionnements fastidieux de l'appareil. L'intégration de capteurs sur des plateformes robotisées mobiles (terrestres ou drones) ouvre la voie à une cartographie et un inventaire autonomes.
Applications de la robotique forestière :
Inventaire de la ressource en bois : l'estimation de la valeur économique du bois d'œuvre repose sur le calcul de la hauteur des arbres et de leur diamètre à hauteur de poitrine (DHP). Les systèmes embarqués effectuent ces calculs via des drones ou des plateformes terrestres autonomes.
Suivi de la biodiversité : des drones équipés de caméras et de GPS collectent des données topographiques, des informations édaphiques (caractéristiques du sol) et des indicateurs de biodiversité pour orienter les politiques de conservation.
Gestion des risques d'incendie : La recherche développe des solutions de détection précoce des feux par drones avec caméras, ainsi que la coordination de flottes de robots par apprentissage par renforcement pour aider à la lutte contre les incendies.
Performances des technologies de télédétection :
LiDAR (Light Detection and Ranging) : ce capteur mesure la distance par impulsion laser pour générer des nuages de points 3D. Des systèmes portatifs ou embarqués intègrent désormais des algorithmes (comme RANSAC) pour extraire les paramètres structuraux et le DHP en temps réel (avec une précision d'environ 7 cm dans les forêts denses).
Couplée au LiDAR sur drone, elle permet de classifier les espèces d'arbres dans les forêts complexes. Intégrer la distinction des espèces dans les modèles de prédiction réduit l'erreur d'estimation des coefficients de composition sous la barre des 20 %.
En analysant la disparité des pixels entre deux optiques, la stéréoscopie crée des cartes de profondeur. Des alternatives économiques basées sur des caméras 360° grand public couplées à de l'IA sémantique (SAM) et de la reconstruction 3D affichent une erreur médiane de 5 à 9 % par rapport aux mesures manuelles, offrant une solution moins précise que le LiDAR mais beaucoup moins coûteuse.
Innovation : la fusion de capteurs LiDAR et stéréoscopie :
Si la combinaison des données LiDAR et des caméras stéréoscopiques est courante pour affiner les cartes de profondeur des véhicules routiers autonomes, son efficacité en milieu forestier restait jusqu'alors incertaine. Cette recherche (version enrichie de travaux présentés au Symposium latino-américain de robotique - LARS 2024) introduit une méthode de fusion inédite adaptée aux robots forestiers. Elle intègre les mesures de profondeur initiales des images stéréoscopiques aux données du nuage de points LiDAR, puis applique un réseau de neurones pour affiner l'ensemble.
Résultat d'expérimentation : cette méthode de fusion de capteurs a permis de réduire l'erreur d'estimation du diamètre à hauteur de poitrine (DHP) des arbres d'environ 33 % par rapport aux approches monocapteurs, confirmant le gain de précision en forêt dense.
Par : Amador Marcelino de Souza Neto, Roseli Aparecida Francelin Romero
Lien :