Soutenance mémoire
Étude des éléments, des lieux et des technologies exploitables
Caractérisation des éléments et des sites potentiels à l’étude
Étude des éléments à déceler
Dans un premier temps, il est indispensable de définir le type de configuration qui sera étudié avant de rentrer dans le détail du phénomène lui-même, le projet étant porté sur la chute d’élément provenant des falaises, aussi nommées parois rocheuses.
Une falaise est un escarpement vertical ou sub vertical abrupt, avec un angle supérieur à 30 ° ou 50 °, caractérisée par sa nature, sa lithologie, sa structure géologique, sa hauteur et son processus d’érosion (Feldmann 2017). Cependant, le terme de falaise sera employé de manière générique comme mentionnée dans la thèse de J. D’Amato (2017), nous désignerons ici « une paroi rocheuse indépendamment de son environnement (montagneux ici, et non pas côtier) », l’étude étant portée sur des parois rocheuses présentes à travers le paysage préalpin et jurassien.
Les phénomènes naturels à déceler dans le cadre de ce projet sont de type « chute de pierres et blocs » (cf. Figure 1) et « éboulements » (cf. Figure 2), il convient donc d’étudier leurs caractéristiques. Cette analyse servira à l’élaboration d’une « taille » minimum devant être détectée par la technologie qui sera employée. Il faut donc qualifier ces dangers gravitaires dont les composantes principales permettant de classer ces éléments sont le diamètre et le volume des éléments éboulés ou ayant chuté. Plusieurs définitions peuvent être trouvées, se sont celles provenant du lexique général servant à l’équipe de l’UDN qui seront appliquées, définitions aussi utilisées dans la thèse de J. D’Amato (2017).
Les chutes de pierres et blocs forment des composants isolés dont le volume peut atteindre plusieurs mètres cubes (cf. Figure 1). Le mouvement s’effectue par chute, rebond et roulement, et la vitesse des éléments peut atteindre 110 km/h. Ces mouvements de masses rocheuses sont très rapides, discontinus et brutaux, résultant de l’action de la pesanteur et affectant des matériaux rigides et fracturés tels que le calcaire, le grès ou encore les roches cristallines.
Les éboulements sont formés par un paquet de roche dévalant une montagne (cf. Figure 2).
Le volume total mobilisé durant un événement est compris entre 100 et 100 000 m , et la vitesse de déplacement varie entre 35 et 145 km/h. Les écroulements quant à eux, aussi appelés« éboulement en grande masse », correspondent à un volume total supérieur au million de m3.
Aspect théorique des techniques de photogrammétrie
Par définition, « La photogrammétrie est la mesure géométrique des objets (leur forme, leur dimension et leur position) à partir d’images », ceci génère alors plusieurs conditions pour réaliser des mesures 3D à partir d’image. L’objet doit tout d’abord être vu depuis deux images, prises depuis des points de vue différents. Les photographies doivent aussi posséder un recouvrement entre elles, ce qui permet de détecter des points homologues entre les images (c’est-à-dire des points correspondant à un même détail). Depuis 2007, plusieurs logiciels commerciaux ou libres ont vu le jour et donnent lieu à la génération de modèle numérique 3D de manière quasi automatisée, ceci au moyen de la détection automatique des points homologues, servant de points de liaison entre les images avec recouvrement.
La Figure 12 présente une chaîne de traitement classique menant à la production de nuage de points par corrélation d’images. Après avoir effectué l’acquisition des données, la deuxième étape consiste en la détection des points de liaison entre les images grâce aux techniques de corrélation épipolaire dense. La troisième étape de ce processus est d’effectuer l’orientation d’un groupe d’images de manière automatique, en utilisant uniquement les points de liaison. Ceci est réalisé par exemple, grâce au détecteur de Harris ou la méthode SIFT.
Enfin, après cette partie de post-traitement, la génération d’un nuage de points dense peut être réalisée et s’appuie sur les propriétés de géométrie épipolaire des images (Rose 2012).
Inventaire des méthodes et réflexion sur celles exploitables
Après avoir procédé à un court rappel théorique sur les méthodes de la sergrammétrie et de photogrammétrie, il faut désormais évaluer l’aspect pratique de ces dernières grâce aux contraintes émises lors du constat des environnements ainsi que l’analyse des besoins.
Il existe différentes façons de mettre en œuvre les techniques précédemment citées, de manière terrestre, aérienne, ou encore embarquée sur sac à dos, ou sur véhicule. Ces dernières vont être étudiées de manière plus détaillée grâce à un tableau de confrontation basé sur les diverses thématiques émises précédemment (cf. Tableau 2). Un code couleur est utilisé ici : les cases en vertes sont des atouts, celles en rouge présentent un désavantage, et celles laissées en blanc sont neutres
Le géoréférencement des techniques
Une fois les acquisitions réalisées, par la sergrammétrie ou photogrammétrie, il faut intégrer celles-ci dans un système de référence, national ou local pour permettre la comparaison temporelle des futurs nuages de points et réaliser la détection des instabilités.
Pour géoréférencer un nuage de points, il est primordial de procéder à la mesure des points de référence (ou encore appelé des « points de calage »), dont la position est connue dans le nuage (ou dans l’image) et dans l’espace terrain, ainsi que des points de contrôle, dont la position est connue uniquement dans l’espace terrain, servant à valider le calcul du géoréférencement. Dans les règles de l’art et préalablement à l’acquisition elle-même, il est important de procéder à la mise en place de cibles, le plus souvent composée d’un damier noir et blanc. Elles peuvent être placées au sol et relevées au GNSS ou au tachéomètre avec prisme dans le but d’une acquisition aérienne, et le long des parois ou sur trépied et relevé au tachéomètre avec la fonction laser dans le but d’une acquisition terrestre. La mise en place pouvant être réalisée de manière pérenne ou non.
En se servant des éléments à disposition sur le site, la mise en place de cibles artificielles sur les lieux sera évitée avec l’utilisation de cibles naturelles telles que des pierres apparentes le long de la paroi, ou encore des points « durs » tels que des angles de bâtiment. Le temps passé sur le terrain se verra optimisé. Dans le cas de zones dangereuses, cela peut aussi être un réel atout puisqu’il n’y a pas de contact direct avec la zone, et la sécurité des personnes est donc assurée.
Pour la réalisation de mesure de précision, des cibles artificielles peuvent être disposées le long de la façade, comme dans les travaux réalisés sur la falaise de Hauterive (Barras, Cannelle, et Chapotte 2017), suivie depuis 2014. Avec ce type de mise en œuvre, les coûts peuvent se voir très nettement augmentés en faisant appel à des personnes expérimentées.
D’autant plus que la suppression d’une partie ou de la totalité des cibles peut avoir lieu dans l’hypothèse qu’un événement extrême puisse survenir.
La manière de géoréférencement spécifique pour chacune des méthodes sera vue dans la suite de ce rapport.
Génération du nuage de points
Préalablement à tous traitements, il faut utiliser un logiciel de restitution photogrammétrique, tel que Pix4D, disponible au sein de l’entreprise HKD Géomatique Vaud SA, et développé par l’EPFL (Lausanne, Suisse). Sur les conseils de M. B. Cannelle professeur à la HEIG-VD, pour l’utilisation d’un bras motorisé et donc des acquisitions selon la méthode « panoramique », il faudra avoir recours au logiciel Agisoft PhotoScan.
Celui-ci est développé par Agisoft LLC (Saint-Pétersbourg, Russie) et possède la particularité de pouvoir « grouper » les images par station. Les deux cas seront traités ici.
Pix4D
Chaque nuage de points a été généré sur le logiciel Pix4D avec des paramètres optimaux. Le choix du paramétrage est une étape préalable essentielle pour la détection des points homologues et la génération du nuage de points. Différents paramètres sont à renseigner, et les traitements pouvant être assez longs, il s’agit donc de définir au mieux ces derniers pour obtenir un nuage de points acceptable et complet.
Pour une densité de point élevé et un nuage constitué de peu de bruit et d’artefact, il est recommandé d’utiliser une taille d’image de 1, une densité de point haute et un nombre minimum de correspondances supérieures à 3, 6 étant recommandé pour les nuages à recouvrement élevé. Sur la base de ces paramètres optimaux, différents nuages de points ont été générés, à savoir ceux acquis par photographies terrestres « à main levée » et « panoramique », ainsi que par drone.
À l’aide des Annexes 4 et 6, il peut être remarqué que la génération des nuages 2,3 et 4 prend beaucoup de temps, ceci principalement dû à un nombre d’images très élevé. Le nuage 2 (cf. Figure 23) avec une densité optimale de points et un nombre de correspondances égales à 4 est généré avec énormément de points pour une durée de plus de 3 h. Le nuage 3 (cf. Figure 24) avec une densité de points haute et un nombre de correspondances égales à 6 génère un nuage de plus de 6 millions de points, et le temps de traitement par rapport au nuage précédent et presque doublé. Le nombre élevé de photographies (soit 340) servant à la restitution photogrammétrique impacte totalement le temps de post-traitement pour la recherche d’éléments homologues entre les images. Quant au nuage 4, combinaison des photos acquises par voie aérienne et terrestre « à main levée », le temps de post-traitement est excessivement long, toujours dû au nombre élevé de photographies (soit 497), et ce malgré le paramétrage de la densité en « faible ».
Géoréférencement des nuages de points
Le géoréférencement des nuages de points acquis par photogrammétrie a été réalisé avec des visées de points sur des pierres nettement visibles le long de la paroi, ceci pour les techniques terrestres et aériennes. Le nuage de points est géoréférencé directement sur la zone à étudier, ce qui permet de minimiser les erreurs de calage du nuage. Pour faciliter la recherche des points relevé une fois revenus au bureau, un tachéomètre combiné à un appareil photo (dans le cas présent, un TS15 imagerie de marque Leica Geosystem) fut utilisé, ce qui permet la prise de photo du point venant d’être mesuré.
Il est vivement conseillé de lever un nombre conséquent de points le long de la falaise, avec une géométrie correctement distribuée pour éviter des erreurs RMS trop élevées (cf. Tableau 3). Selon l’angle de prise de vue, même si la pierre est visée de manière rigoureuse lors de la sortie terrain, des erreurs peuvent être commises, que cela soit dû à un mauvais pointé lors de l’acquisition ou à un mauvais pointage sur les photos (cf. Figure 29), peu importe le logiciel de restitution utilisé.
Traitements des nuages de points
Après avoir généré les nuages de points acquis par lasergrammétrie ou photogrammétrie, de manière terrestre ou aérienne, il reste à procéder à une détection de changement entre les nuages d’époques différentes.
Plusieurs outils existent pour la mise en œuvre d’une détection d’éléments ayant chuté tel que le logiciel 3D Reshaper permettant une inspection 3D (www.3dreshaper.com), ou encore le logiciel Coltop 3D de Terranum donnant lieu à une analyse de la structure géologique, et dédié expressément aux géosciences (www.terranum.ch). Cependant, le choix final fut orienté vers un logiciel gratuit, CloudCompare, très souvent étudié dans le cadre de la détection de changement et de corrélation diachronique sur la base unique des nuages de points (Fadili 2015; Feldmann 2017).
Outils de traitement
Détection de changement : CloudCompare et l’Algorithme M3C2
Le logiciel CloudCompare développé par Daniel Girardeau-Montaut (Girardeau-Montaut 2006) permet principalement le traitement des nuages de points, de maillages triangulaires, ainsi que la comparaison directe de données tridimensionnelles. Ce dernier fut peu à peu amélioré et implémenté par différents plugins, bon nombre d’entre eux sont disponibles en téléchargement open source sur la plateforme GitHub (www.github.com). Il est aujourd’hui implémenté de différentes fonctions telles que l’alignement de nuages à nuage (avec l’utilisation de la méthode ICP), d’algorithme de génération de surface, ou encore de classification. Le fonctionnement de ces outils est aussi très largement documenté et n’est pas une « boîte noire » en comparaison d’autre logiciel.
Parmi les outils permettant une détection de changement entre deux nuages de points, deux méthodes existent : la distance « Cloud-to-Cloud » utilisant par défaut la recherche au plus proche voisin entre le nuage de référence et le nuage comparé (Fadili 2015), et l’algorithme M3C2 de l’anglais « Multiscale Model to Model Cloud Comparison » basé sur le calcul de la distance selon la direction normale à la surface. Cet algorithme est intégré en tant que plugin dans le logiciel CloudCompare et a été développé par Nicolas Brodu et Dimitri Lague (Brodu et Lague 2012; Lague, Brodu, et Leroux 2013).
Cette deuxième méthode permet de s’affranchir des données manquantes, des changements de densité, des nuages de points bruités, et dont la topographie du milieu peut être complexe, ce qui est notamment le cas des acquisitions en milieu naturel (Fadili 2015). L’avantage clé de cet outil est de détecter des petits changements de surface et d’évaluer s’ils sont statistiquement significatifs (Lague, Brodu, et Leroux 2013). De ce fait, c’est cette deuxième méthode qui sera utilisée par la suite.
Distances M3C2 : Nuage complet nettoyé de la végétation
De manière générale, les courbes affichent à peu près la même tendance (cf. Figure 38), ce qui se retrouve sur les éléments gaussiens avec les valeurs moyennes et sigma, qui n’apportent pas de valeurs aberrantes.
Cependant, le nuage du Rodéon généré sur Agisoft ne présente pas comme les autres méthodes, de pic de maxima remarquable. La courbe est beaucoup plus étalée, ce qui est observable avec la valeur sigma la plus élevée de 22 cm, provenant certainement d’un géoréférencement moins fin, et donc d’un calcul des distances erroné.
La courbe du scanner est quant à elle translatée par rapport aux autres méthodes. Ceci provient certainement d’un géoréférencement réalisé différemment (avec des points durs). Cependant, la valeur sigma est la plus faible (16 cm) et reste cohérente avec les méthodes de photogrammétrie. Sur cette base-ci, l’analyse de l’emplacement du pic maximal fut effectuée.
Analyse via la méthode ICP
C’est sur les conseils de M. A. Mancini de la HEIG-VD qu’il fut décidé de mettre en pratique le recalage ICP. Cette méthode est employée sur divers logiciels et notamment par le logiciel CloudCompare.
La technique de recalage de « nuage à nuage » est aussi appelée méthode ICP qui, par des itérations successives, permet d’aligner un nuage sur un autre, servant de référence. Pour mettre en œuvre cette méthode, les deux principales hypothèses suivantes doivent être valables : les deux nuages sont recalés à peu près, et ils doivent représenter le même objet ou posséder au moins la même forme.
La méthode ICP est plus robuste qu’un simple alignement par paires de points sélectionnées manuellement, et dont la valeur RMS est calculée seulement sur ceux-ci. Elle permet le calcul d’un RMS global, à l’aide de toutes les paires de points homologues mis en correspondance entre les deux nuages, permettant une meilleure appréciation de la qualité du géoréférencement. Ces étapes peuvent aussi être effectuées l’une à la suite de l’autre pour effectuer un recalage préalable, puis un recalage fin.
Concernant les paramètres principaux, il est à définir soit le nombre d’itérations successives (par défaut 20), soit la différence RMS entre chaque itération successive (par défaut 1 e-5).
Plus le nombre d’itérations est grand, ou plus la différence RMS est faible, plus le calcul lié à la convergence sera long, mais le résultat s’avérera plus fin. Il est aussi possible de contraindre l’alignement selon un seul axe. Dans le cas où les nuages ne représentent pas exactement le même objet, ou que les nuages sont bruités, l’activation du paramètre de retrait du point le plus éloigné peut s’avérer utile : à chaque itération seront supprimés les points des nuages dont les données sont trop éloignées des nuages modèles.
Distances M3C2 : Nuage complet nettoyé de la végétation
Grâce à la mise en œuvre de la méthode ICP, les courbes sont parfaitement superposées, ce qui est affirmé avec les valeurs des moyennes gaussiennes. En comparaison avec l’étude via le géoréférencement (cf. Figure 42), la moyenne gaussienne varie ici au plus de 2 cm entre la valeur minimum et maximum, qui était auparavant de 7 cm entre la valeur la plus basse, de l’Olympus et du Rodéon sur Agisoft, et la plus haute pour le Scan.
La valeur sigma la plus haute est émise pour le Rodéon Pix4D, ce qui est étonnant, car les valeurs sigma les plus hautes étaient auparavant relevées pour le Rodéon Agisoft.
Cependant, il a été montré que le nuage généré au Rodéon sur Pix4D engendre plus d’artefacts que celui généré sur Agisoft. De plus, les erreurs dues au géoréférencement n’ont plus lieu cette fois-ci, il est donc normal d’observer de meilleurs résultats.
Distances M3C2 : Zone sans mouvement
Dans un premier, temps, il apparait (cf. Figure 43) que les courbes se superposent toujours d’une meilleure manière que dans le cas d’un géoréférencement classique à chaque époque.
Les moyennes gaussiennes des distances calculées sont quasiment identiques. Celle de l’Albris diffère de 1 cm, mais ceci est négligeable en vertu des résultats étudiés auparavant qui étaient compris dans un intervalle de 0 à 9 cm.
Les valeurs sigma sont aussi identiques et ne fluctue plus, hormis pour le Rodéon généré sur Pix4D. Comme expliqué précédemment, cette petite dispersion provient certainement de la qualité du nuage puisqu’en effet, le calcul sous Pix4D produit un nuage acceptable, mais qui contient quelques artefacts.
Enfin, il peut être remarqué sur cette zone avec peu de changement que les courbes sont positionnées dans un intervalle certain de -10 cm à + 10 cm, sans translation de celle-ci, seuil dont l’hypothèse fut émise précédemment.
|
Table des matières
Remerciements
Liste des abréviations
Glossaire
Table des matières
Introduction
I ÉTUDE DES ELEMENTS, DES LIEUX ET DES TECHNOLOGIES EXPLOITABLES
I.1 CARACTERISATION DES ELEMENTS ET DES SITES POTENTIELS A L’ETUDE
I.1.1 Étude des éléments à déceler
I.1.2 Constats des environnements et analyse des besoins
I.2 LES TECHNIQUES EXPLOITABLES
I.2.1 Aspect théorique des techniques de lasergrammétrie
I.2.2 Aspect théorique des techniques de photogrammétrie
I.2.3 Inventaire des méthodes et réflexion sur celles exploitables
I.2.4 Le géoréférencement des techniques
II APPLICATION DES METHODES EN SITE « TEST » : LA FALAISE DE BURSINS
II.1 PRESENTATION DU SITE
II.2 ACQUISITION DES DONNEES ET GENERATION DU NUAGE DE POINTS
II.2.1 Lasergrammétrie
II.2.1.1 Acquisition des données
II.2.1.2 Génération du nuage de points et géoréférencement
II.2.2 Photogrammétrie
II.2.2.1 Acquisition des données
II.2.2.2 Génération du nuage de points
II.2.2.3 Géoréférencement des nuages de points
III TRAITEMENTS DES NUAGES DE POINTS
III.1 OUTILS DE TRAITEMENT
III.1.1 Détection de changement : CloudCompare et l’Algorithme M3C2
III.1.1.1 Principe de calcul
III.1.1.2 Application de l’algorithme
III.1.2 Volumétrie
III.1.3 Explications des analyses
III.2 ANALYSE VIA LE GEOREFERENCEMENT
III.2.1 Distances M3C2 : Nuage complet nettoyé de la végétation
III.2.2 Distances M3C2 : Zone sans mouvement
III.2.3 Distances M3C2 : Zone de chute de bloc
III.2.4 Volumétrie : Nuage complet nettoyé de la végétation
III.2.5 Volumétrie : Zone de chute de bloc
III.2.6 Volumétrie : Zone de plus grande envergure pour confirmer la marge d’erreur
III.3 ANALYSE VIA LA METHODE ICP
III.3.1 Distances M3C2 : Nuage complet nettoyé de la végétation
III.3.2 Distances M3C2 : Zone sans mouvement
III.4 VALIDATION DE L’OUTIL ET DE LA METHODE
IV APPLICATION EN CAS REEL
IV.1 PRESENTATION DU SITE
IV.2 PREPARATION ET ACQUISITION DES DONNEES
IV.3 GENERATION DU NUAGE DE POINTS
IV.4 DETECTION DE CHANGEMENT M3C2
IV.5 BILAN
V PERSPECTIVES
V.1 AMELIORATION DE LA SIMPLICITE DE LA METHODE
V.2 PROPOSITION D’UN FLUX DE TRAVAIL OPTIMAL
V.3 LE RENDU DES DONNEES
Conclusion
Bibliographie
Table des annexes
Annexe 1 Fiche des sites étudiés
Annexe 2 Calcul de photogrammétrie
Annexe 3 Feuille de calcul réalisé sur un tableur Excel
Annexe 4 Visualisation des nuages générés sur Pix4D
Annexe 5 Visualisation des nuages générés sur Agisoft
Annexe 6 Tableau de comparaison des nuages générés sur Pix4D et Agisoft
Liste des Figures
Liste des tableaux
Résumé
Télécharger le rapport complet
