177 research outputs found
GEDI footprints with corrected geolocation with DEM
No full textData set from Schleich Anouk, Durrieu Sylvie, Maxime Soma and Cédric Vega, "Improving GEDI Footprint Geolocation using a High Resolution Digital Elevation Model"
We proposed a geolocation correction method for Global Ecosystem Dynamics Investigation (GEDI) data. The method, called GeoGEDI, is only based on high-resolution digital elevation models (DEMs) and GEDI derived ground elevations.
The method does not need any other input, except for a DEM and GEDI Level 2A data.
For each footprint, an error map between GEDI ground estimates and reference DEM
is computed, and a flow accumulation algorithm is used to retrieve the optimal footprint position.
GeoGEDI was tested on footprints in Landes and Vosges, two french forests.
The method was applied to GEDI versions 1 (v1) and 2 (v2), by either a single or four full-power laser beam tracks.
This dataset is composed of 157 977 GEDI footprints whith positions of unchanged GEDI v1 and v2 releases and the optimal position calculated with our GeoGEDI algorithm.
<br
Apport du lidar spatial pour le développement de méthodes d'inventaire forestier multisource adaptées à la gestion durable des forêts dans un contexte de changement global
No full textThe thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an error map according to X and Y offsets. Using a flow accumulation algorithm on this error map, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500 IFN plots and over 100,000 GEDI footprints.The first approach is a double sampling for stratification (2SS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. 2SS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI's sampling pattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, was also verified. Compared with estimates based only on NFI data, the 2SS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to "densify" NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. The volume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting dense sample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented.En France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés
Contribution of spaceborne lidar to the development of multisource forest inventory methods adapted to sustainable forest management in a context of global change
No full textEn France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés.The thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an error map according to X and Y offsets. Using a flow accumulation algorithm on this error map, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500 IFN plots and over 100,000 GEDI footprints.The first approach is a double sampling for stratification (2SS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. 2SS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI's sampling pattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, was also verified. Compared with estimates based only on NFI data, the 2SS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to "densify" NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. The volume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting dense sample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented
Apport du lidar spatial pour le développement de méthodes d'inventaire forestier multisource adaptées à la gestion durable des forêts dans un contexte de changement global
No full textThe thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an error map according to X and Y offsets. Using a flow accumulation algorithm on this error map, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500 IFN plots and over 100,000 GEDI footprints.The first approach is a double sampling for stratification (2SS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. 2SS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI's sampling pattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, was also verified. Compared with estimates based only on NFI data, the 2SS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to "densify" NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. The volume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting dense sample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented.En France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés
Apport du lidar spatial pour le développement de méthodes d’inventaire forestier multisource adaptées à la gestion durable des forêts dans un contexte de changement global
No full textThe thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an errormapaccording to X and Y offsets. Using a flowaccumulation algorithm on this errormap, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500NFI plots and over 100,000 GEDI footprints.The first approach is a double sampling for post-stratification (DSPS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. DSPS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI’s samplingpattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, wasalso verified. Compared with estimates based only on NFI data, the DSPS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to "densify" NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. Thevolume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting densesample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented.En France, la méthode de l’Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d’inventaire et des données de télédétection. La thèse vise à améliorer la précision de l’IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l’absence de correspondance spatiale entre les échantillons sur le terrain (placettes d’inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d’IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d’amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI,les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d’écarts en fonction des décalages en X et Y. En utilisant un algorithme d’accumulation de flux sur cette carte, une position améliorée qui minimise l’écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d’utilisation des données GEDI avec les données de l’IFN ont été élaborées. Les zones d’étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d’échantillonnage double pour la post-stratification (DSPS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches DSPS reposent généralement sur des échantillons de donnéesprobabilistes, ce qui n’est a priori pas le cas de l’échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l’échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l’approche DSPS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s’agit de propager l’information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI,bien corrélées aux attributs forestiers d’intérêt (ex. le volume de bois). Tout d’abord, en utilisant un kNNbagging,oncherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentairede hauteur. Onestime ainsi l’ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l’étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutesles empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, desméthodes standards d’estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés
Apport du lidar spatial pour le développement de méthodes d'inventaire forestier multisource adaptées à la gestion durable des forêts dans un contexte de changement global
No full textThe thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an error map according to X and Y offsets. Using a flow accumulation algorithm on this error map, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500 IFN plots and over 100,000 GEDI footprints.The first approach is a double sampling for stratification (2SS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. 2SS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI's sampling pattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, was also verified. Compared with estimates based only on NFI data, the 2SS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to "densify" NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. The volume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting dense sample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented.En France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés
Apport du lidar spatial pour le développement de méthodes d'inventaire forestier multisource adaptées à la gestion durable des forêts dans un contexte de changement global
No full textThe thesis focuses on the contribution of spaceborne lidar to the development of Multisource Forest Inventory (MFI) methods. In France, the National Forest Inventory (NFI) method addresses the requirements of public policies at regional and national levels. However, on smaller territories, precision is often insufficient to meet the needs of management activities. MFI methods better address these needs by combining inventory data with remote sensing data. This thesis aims to improve NFI accuracy at sub-regional to local scales by integrating data from the spaceborne lidar GEDI into multisource approaches.Unfortunately, this integration is complicated due to the lack of spatial correspondence between field samples (inventory plots) and GEDI footprints. Additionally, GEDI data are poorly georeferenced, making them difficult to integrate into certain MFI approaches. This thesis focuses on these issues and is divided into three main parts.As a first step, a method for improving GEDI georeferencing, based on a high-resolution reference digital elevation model (DEM) was developed. This method compares, for a series of positions around the location indicated in the GEDI products, the ground elevations of the GEDI footprints with those of the reference DEM, generating an error map according to X and Y offsets. Using a flow accumulation algorithm on this error map, an improved position minimizing the distance from the DEM is proposed for each GEDI footprint.Next, two approaches for using GEDI data with NFI data were developed. The study sites are located in the Vosges and use ∼ 500 IFN plots and over 100,000 GEDI footprints.The first approach is a double sampling for stratification (2SS) approach, based on common variables between GEDI and NFI, without requiring spatial correspondence of the two data sources. 2SS approaches are generally based on probabilistic data samples, which is not a priori the case for GEDI's sampling pattern. Thus, a preliminary analysis was required to understand the characteristics of the spatial distribution of the GEDI sample. The relevance of the chosen common variable, i.e. the maximum tree height, was also verified. Compared with estimates based only on NFI data, the 2SS approach improved the variance of growing stock volume estimates by up to 56%.The second approach is based on a link between GEDI data and NFI data, established indirectly by using spatially exhaustive data sources, the Sentinel-2 and Sentinel-1 images. To establish the model linking the different data sources, we chose to use the k-nearest neighbor (kNN) method combined with bagging (bootstrap aggregation). The aim is to propagate information from field plots to GEDI footprints in order to "densify" NFI plots by taking advantage of GEDI forest structure measurements, which are well correlated with the forest attributes of interest (e.g. growing stock volume). First, for each NFI plot, we looked for the GEDI footprints with the characteristics of the Sentinel link variables, supplemented or not with a height link variable, that are closest to those of the NFI point. Using a kNN-bagging approach, the set of GEDI variables is therefore estimated for each NFI plot. Next, a regression model is established by kNN-bagging to estimate the volume using the best predicted GEDI variables from the previous step and the Sentinel variables. The volume is estimated at the level of all GEDI footprints. The strategy supplemented by a height link variable performed best and reached a coefficient of determination of 58%. Subsequently, using the resulting dense sample of volume plots, standard methods for small area estimation (scale of the municipality or district) or high-resolution volume mapping can be implemented.En France, la méthode de l'Inventaire Forestier National (IFN) répond à des besoins de politique publique aux échelles nationales et régionales. Sur des plus petits territoires, la précision est souvent insuffisante pour répondre aux besoins des activités de gestion. Les méthodes IFM peuvent répondre à ce besoin en combinant des données d'inventaire et des données de télédétection. La thèse vise à améliorer la précision de l'IFN à des échelles subrégionales à locales en intégrant les données du système lidar spatial GEDI dans des approches multisources.Cependant, cette intégration se heurte à un verrou majeur, lié à l'absence de correspondance spatiale entre les échantillons sur le terrain (placettes d'inventaire) et les empreintes GEDI. Par ailleurs, les données GEDI sont mal géoréférencées, ce qui complexifie leur intégration dans certaines approches d'IFM. Cette thèse se concentre sur ces problématiques et est divisée en trois parties principales.Premièrement, une méthode d'amélioration du géoréférencement de GEDI a été développée en se basant uniquement sur un modèle numérique de terrain (MNT) de référence à haute résolution spatiale. Cette méthode compare, pour une série de positions autour de la localisation indiquée dans les produits GEDI, les élévations du terrain des empreintes GEDI avec celles du MNT de référence, générant une carte d'écarts en fonction des décalages en X et Y. En utilisant un algorithme d'accumulation de flux sur cette carte, une position améliorée qui minimise l'écart avec le MNT est proposée pour chaque empreinte GEDI.Ensuite, deux approches d'utilisation des données GEDI avec les données de l'IFN ont été élaborées. Les zones d'étude se situent dans les Vosges et utilisent environ 500 placettes IFN et plus de 100,000 empreintes GEDI. La première approche est une approche d'échantillonnage double pour la stratification (2SS), reposant sur des variables communes entre GEDI et IFN, sans nécessiter de coïncidence spatiale entre les deux sources de données. Les approches 2SS reposent généralement sur des échantillons de données probabilistes, ce qui n'est a priori pas le cas de l'échantillonnage de GEDI. Ainsi, une analyse préliminaire a été nécessaire pour comprendre les caractéristiques spécifiques de l'échantillon des mesures GEDI. La pertinence de la variable commune choisie, la hauteur maximale des arbres, a également été vérifiée. Par rapport aux estimations basées uniquement sur les données IFN, l'approche 2SS a amélioré la variance des estimations de volume de 56%.La deuxième approche utilise un lien entre données GEDI et données IFN établi indirectement en utilisant les images Sentinel-2 et Sentinel-1, avec la méthode des k-plus proches voisins (kNN) combinée avec du bagging (bootstrap aggregation). Il s'agit de propager l'information des placettes terrain au niveau des empreintes GEDI pour densifier les placettes IFN en tirant parti des mesures de structure forestière GEDI, bien corrélées aux attributs forestiers d'intérêt (ex. le volume de bois). Tout d'abord, en utilisant un kNN-bagging, on cherche pour chaque placette IFN les empreintes GEDI ayant les caractéristiques les plus proches de celles du point IFN pour des variables de lien Sentinel, complétées ou non avec une variable de lien supplémentaire de hauteur. On estime ainsi l'ensemble des variables GEDI pour chaque placette IFN. Ensuite, un modèle de régression est établi par kNN-bagging pour estimer le volume de bois à partir des variables GEDI les mieux prédites à l'étape précédente et les variables Sentinel. Le volume est estimé au niveau de toutes les empreintes GEDI. La stratégie complétée par une variable de lien de hauteur a atteint un coefficient de détermination de 58%. Par la suite, sur la base du réseau dense de placettes avec volume ainsi obtenu, des méthodes standards d'estimation sur de petites surfaces (small area estimation) ou de cartographie haute résolution, pourront être implémentés
Towards Self-Reliant Development: Inhabitant Housing Capacity Gap of Rural Inhabitants on Mt. Elgon
No full textRural communities in developing countries show a socially inclusive, resilient, and self-reliant model for their housing, despite the lack of individual capacities. However, due to scarce opportunities, many people move to the cities, often returning to challenging living conditions. As a result, both urban and rural inhabitants struggle to reach the desired living standards and well-being. This article explores general capacities of rural inhabitants in Kenya and identifies what shortages prevent inhabitant well-being within their housing. Outcomes of the interviews performed on two hundred families (four communities) evaluate whether the different communities still build housing by themselves, if they would like to continue this ‘self-reliant model’, or would prefer professionals ro realize their housing. The conclusion indicates that inhabitants would prefer to build housing by themselves and exposes why these communities change to ‘external’, housing solutions. Housing alternatives which lie within their capacities, play a crucial role in sustaining the communities’ self-reliance in relation to their housing.Green Open Access added to TU Delft Institutional Repository 'You share, we take care!' - Taverne project https://www.openaccess.nl/en/you-share-we-take-care Otherwise as indicated in the copyright section: the publisher is the copyright holder of this work and the author uses the Dutch legislation to make this work public.Situated Architectur
Using structural class pairing to address the spatial mismatch between GEDI measurements and NFI plots
No full textInternational audienceThe Global Ecosystem Dynamics Investigation (GEDI) mission can significantly enhance Multi-Source National Forest Inventories (MSNFI) by improving the spatio-temporal resolution of forest attributes while preserving the statistical relevance of the design-based inference approach. The main challenge is the lack of systematic spatial alignment between GEDI footprints and NFI plots, which is necessary to accurately link in situ forest measurements with GEDI data. In this study, we aim to tackle the aforementioned issue by introducing a methodology for interpolating GEDI measurements to NFI plots, enabling the calibration of GEDI data using localized NFI estimates. Our proposed method incorporates clustering,classification, and regression techniques, and utilizes GEDI and NFI data, along with Sentinel-2 images, land-use information, and topographic data. Beginning with the prediction of profile structural classes and shapes on NFI plots, the proposed method ultimately projects actual measurements onto the NFI plot sites through profile pairing within the predicted structural classes. The method is conceived and validated using the data acquired across the mountainous area of ∼ 500 kha, covered by > 500 NFI plots. Our validation framework shows that the method is able to project relative height profiles at NFI plots, allowing to partly interpolate the lower part of the profile and not only the canopy top height. This enables the construction of models that efficiently relate GEDI profiles and wood volume, demonstrating the importance of incorporating lower relative height values when linking forest attributes and lidar measurements (R2 = 0.65, M BE = 2.31 m3/ha)
The Total Cost of Living in Relation to Energy Efficiency Upgrades in the Dutch, Multi-Residential Building Stock
No full textDecarbonizing the housing stock is one of the largest challenges in the built environment today, and is getting attention not only from policymakers, but also from social housing corporations, financial and tenants’ organisations. In line with the international Paris-Climate-Change-Conference 2015, Dutch cities and housing associations have embraced this challenge with the ambitions to become carbon neutral in 2050. To reach such ambitious goals, both the rate and depth of renovation need to increase significantly. In the Netherlands, the Energy Agreement for Sustainable Growth, indicates that 300.000 dwellings have to be renovated annually, in accordance with the Energy Performance of Buildings Directive adopted by the European Union, to improve the Dutch building stock towards energy neutrality. Several technical solutions to eliminate the energy demand in dwelling have been developed and tested. Nevertheless, the intake rate of deep retrofitting is low. Currently, most improvements in residential buildings consist of basic maintenance and shallow renovation, but broader or deeper energy renovation measures are required. Despite more recent developments, there are still significant barriers related to financing, lack of information, and user acceptance. Complex technical characteristics are not always taken into account by tenants; the focus is usually on the ease of use, comfort and living expenses.To this end, the present study sets of to investigate the relationship between energy efficiency upgrade measures and cost of living. Focusing on the post-war, multi-family social housing in the Netherlands, a framework of refurbishment measures that affect the energy efficiency were identified, and their performance was simulated. The variations refer to the façade design, thermal envelope upgrade, winter-garden addition and reviewable energy. The energy efficiency indicator is the energy cost reduction, as well as the carbon footprint of the energy use. Furthermore, the rental price adjustment was estimated, taking into account the refurbishment investment and the operation cost of the renovated dwellings. All tested combination of variables resulted in significant energy savings, up to 70%, while energy generation was proven to be cost-effective, as it has a considerable positive effect on the energy use and the energy cost, without increasing the rental price.The results aim at supporting the decision-making discussion between the stakeholders, primarily housing associations and tenants. The relation between the energy consumption and rental price for the different options identifies the effect of design variation and demonstrated the attractive solutions that the tenants are more likely to accept, taking into account the overall cost of living and sustainability benefits.Green Open Access added to TU Delft Institutional Repository 'You share, we take care!' - Taverne project https://www.openaccess.nl/en/you-share-we-take-care Otherwise as indicated in the copyright section: the publisher is the copyright holder of this work and the author uses the Dutch legislation to make this work public.Building Product InnovationHousing Institutions & GovernanceHousing ManagementDesign & Construction ManagementArchitectural Engineerin
- …
