Développement d’une méthodologie de génération de MDT de cours d’eau utilisant SfM par UAV et nuage de points LiDAR

Pourquoi cartographier les fonds des rivières est important

Les rivières font bien plus que transporter de l’eau. Leurs chenaux, bancs de sable et berges contrôlent les crues, créent des habitats pour la faune et influent sur le transport de la pollution en aval. Pourtant, obtenir une carte précise du lit et des terrains adjacents est étonnamment difficile, notamment dans les ruisseaux peu profonds et encombrés de végétation où bateaux, sonars et opérateurs avec perches topographiques peinent à accéder. Cette étude montre comment des drones volant bas, des scanners laser et des filtres informatiques astucieux peuvent s’associer pour produire des cartes détaillées du « sol nu » d’un cours d’eau coréen, offrant une vue plus sûre, plus rapide et plus complète de la forme cachée des rivières.

De nouveaux yeux dans le ciel au‑dessus d’un cours d’eau complexe

Les chercheurs se sont concentrés sur un tronçon de 2,8 kilomètres du ruisseau Bokha à Icheon, en Corée du Sud, un paysage de chenaux sinueux, bancs de sable, plaines inondables et grands arbres ripicoles. Les relevés traditionnels y seraient lents, dangereux et incapables de capturer chaque courbe et dépression. L’équipe a utilisé deux types de drones. L’un portait un scanner laser (LiDAR) qui émet des impulsions lumineuses et mesure leur retour, produisant un nuage dense de points 3D capable de percer le feuillage jusqu’au sol. L’autre embarquait une caméra multispectrale et employait une technique appelée structure from motion (SfM), assemblant de nombreuses photos recouvrantes en un autre nuage de points 3D. Ensemble, ces vues complémentaires offraient une couverture dense des berges végétalisées et du chenal peu profond, relativement clair.

Séparer l’eau de la terre et le sol du désordre

Les nuages de points 3D bruts enregistrent tout : feuilles, branches, bâtiments, bruit atmosphérique et reflets sur l’eau ondulée. Pour ne modéliser que le terrain réel, ces points superflus doivent être éliminés. L’équipe a d’abord distingué l’eau de la terre en utilisant un indicateur simple basé sur la couleur appelé Indice de Différence Normalisé de l’Eau (NDWI), qui compare la luminosité des pixels dans les bandes verte et proche infrarouge du spectre. Les pixels au‑dessus d’un seuil choisi étaient étiquetés comme eau. Dans les zones terrestres, les points LiDAR ont été privilégiés parce que les impulsions laser peuvent se faufiler entre les feuilles jusqu’au sol. Dans les zones aquatiques, où le LiDAR reflète principalement à la surface sans « voir » la profondeur, les chercheurs se sont appuyés sur les données photo‑basées SfM, qui peuvent parfois suivre des éléments du lit à travers une eau peu profonde et relativement claire.

Tester trois « brosses numériques »

Vint ensuite l’étape la plus délicate : éliminer la végétation et les autres objets non‑sol tout en conservant la forme réelle des berges et du lit. L’équipe a comparé trois filtres de sol largement utilisés, ou « brosses numériques ». Le filtre par simulation de drap imagine une nappe flexible posée sur un nuage de points renversé, considérant la nappe comme le sol. Le filtre TIN progressif construit progressivement une surface maillée à partir des points bas, ajoutant des points s’ils respectent des règles de hauteur et de pente. Le filtre morphologique simple (SMRF) érode et dilate successivement la surface, élaguant les objets élevés comme les buissons et les arbres. Pour chaque méthode, les chercheurs ont testé de nombreux réglages de paramètres, adaptés au LiDAR sur terre et au SfM en eau, puis ont vérifié le terrain obtenu par rapport à 11 profils transversaux soigneusement mesurés avec des instruments d’arpentage traditionnels.

Trouver la meilleure correspondance avec la rivière réelle

L’exactitude a été évaluée en utilisant les différences moyennes et quadratiques moyennes entre les altitudes modélisées et relevées. Lorsque LiDAR et SfM ont été utilisés séparément, la méthode photo s’est montrée globalement meilleure car elle pouvait partiellement capter le lit submergé que le LiDAR manquait. Mais l’image la plus nette est apparue lorsque les deux jeux de données ont été combinés : LiDAR pour la terre, SfM pour l’eau, les deux nettoyés par des filtres optimisés. Parmi les trois algorithmes, le SMRF a donné la meilleure performance globale, avec des erreurs de l’ordre de seulement 16 à 21 centimètres sur l’ensemble de la zone. Il excellait à supprimer les buissons denses et les grands arbres tout en préservant des éléments marqués comme de petites terrasses et des berges abruptes, cruciaux pour des modèles réalistes d’inondation et d’habitat, même s’il sous‑estimait parfois légèrement les hauteurs dans les zones aquatiques.

Ce que cela signifie pour les rivières et leurs voisins

Concrètement, l’étude fournit une recette éprouvée pour transformer des mesures drone désordonnées en cartes précises du sol nu de petits cours d’eau peu profonds. En séparant automatiquement l’eau de la terre et en combinant intelligemment données laser et photo, la méthode surmonte de nombreux angles morts des relevés classiques depuis bateau ou depuis le sol. Les auteurs identifient le SMRF comme le filtre polyvalent le plus fiable pour ce type de corridor fluvial mixte, tout en notant que le filtre par simulation de drap reste particulièrement stable dans les zones aquatiques difficiles contenant des points erratiques. Ensemble, ces enseignements peuvent aider ingénieurs et écologues à construire de meilleurs modèles d’inondation, planifier des projets de restauration et suivre l’évolution des rivières dans le temps, le tout avec moins de risques et de coûts sur le terrain. À mesure que les systèmes laser plus écologiques et les traitements améliorés se répandent, cette approche pourrait faire de la cartographie du lit des rivières à haute résolution un outil standard de gestion des voies d’eau.

Citation: Gou, J., Lee, H., Park, J. et al. Development of a stream DTM generation methodology using UAV-based SfM and LiDAR point cloud. Sci Rep 16, 5178 (2026). https://doi.org/10.1038/s41598-026-35473-x

Mots-clés: cartographie fluviale, levés par drone, LiDAR, modèle numérique de terrain, écologie des cours d’eau