Cartographie·18 janvier
Cartographie à grande échelle : exploiter le potentiel du LiDAR HD

Historiquement, l'Institut national de l'information géographique et forestière (IGN) a toujours fourni des fonds de carte de référence, comme le célèbre SCAN 25, extrêmement riche pour la randonnée et l'analyse territoriale. Cependant, dès lors que l'on souhaite zoomer à très grande échelle (au 1/5 000 ou 1/10 000), ces représentations classiques montrent leurs limites. Les anciennes données altimétriques (comme le RGE ALTI) étaient parfois hétérogènes et peu précises, notamment en zone de montagne.
Aujourd'hui, le programme national LiDAR HD change la donne. Avec la production de Modèles Numériques de Terrain (MNT) et de Surface (MNS) à très haute résolution (50 cm, voire 20 cm par pixel), une opportunité technique inédite s'offre à nous : générer une cartographie 2D quasi automatisée, d'une précision redoutable, pour compléter nos orthophotographies et révéler les détails cachés dans les zones d'ombre.

Deux nouveaux styles pour deux visions du territoire
Pour répondre à la diversité des usages, nous avons développé deux prototypes de fonds de carte exploitant directement le nuage de points classés du LiDAR HD.
1. Le style « Sursol » : le réalisme à l'état pur
L'objectif du style Sursol est de proposer un rendu quasi photoréaliste qui met en évidence l'élévation des bâtiments et de la végétation, sans pour autant masquer l'information du relief sous-jacent. Il est particulièrement adapté aux zones urbaines denses ou aux forêts.

2. Le style « Terrain » : la topographie de précision
À l'inverse, le style Terrain « nettoie » la carte de tous les éléments hors-sol (bâtis, arbres) pour se concentrer sur la topographie pure. C'est l'outil idéal pour les zones de montagne. Il intègre de nouvelles courbes de niveau générées spécifiquement à partir du LiDAR HD et met en valeur les falaises et les ruptures de pente.

La recette technique : assemblage algorithmique et SIG
Générer ces cartes ne consiste pas simplement à superposer des images. C'est un assemblage complexe d'algorithmes et de géotraitement de données massives.
Ombres portées et encrage (Rayshading)
Pour donner cet effet « semi-3D » saisissant au style Sursol, nous utilisons un algorithme de rayshading (avec la bibliothèque Python Rasterio). En simulant un éclairage artificiel (azimut 315°, angle 20°), nous calculons les ombres portées des bâtiments et des arbres. À cela s'ajoute l'encrage : l'algorithme détecte les ruptures de pente supérieures à 65 degrés pour dessiner un contour sombre autour des bâtiments et des barres rocheuses.

Le défi de la superposition géométrique
L'un des défis majeurs rencontrés concerne la cohérence géométrique. Si l'on superpose les bâtiments de la base de données vectorielle classique (BD Topo) sur le Modèle Numérique de Surface issu du LiDAR, de légers décalages apparaissent, rendant le rendu inesthétique.
Pour pallier cela, nous n'utilisons pas la BD Topo pour dessiner les bâtiments ou les forêts, mais directement la carte des classes issue du nuage de points LiDAR. Ainsi, l'emprise du bâtiment sur la carte correspond parfaitement au relief ombré détecté par le laser. L'IA de l'IGN (produit Cosia) vient ensuite affiner la distinction entre les types de cultures et de végétation.

Le traitement de l'eau
Le laser du LiDAR rebondit mal sur l'eau. Les surfaces hydrographiques sur les MNT sont donc souvent des zones de triangulation (interpolation) qui génèrent des artefacts visuels très parasites. La méthode consiste à croiser les données avec les surfaces hydrographiques vectorielles pour « découper » et lisser ces zones d'eau de manière esthétique, tout en préservant la végétation ripisylve (les arbres qui surplombent les rivières).
Perspectives : Vers une offre nationale
Ces travaux, initiés sur des zones tests complexes comme l'Île de La Réunion ou la Savoie, démontrent le potentiel immense des données LiDAR HD pour renouveler l'offre cartographique de l'IGN.
La génération de ces tuiles raster (images) demande des temps de calcul et des capacités de stockage colossaux. La question qui se pose aujourd'hui pour l'IGN est celle du modèle de diffusion : devons-nous calculer et stocker ces cartes sur l'ensemble de la France entière de manière systématique, ou proposer des outils permettant aux utilisateurs de générer ces cartes « à la demande » sur leurs territoires d'intérêt ?
Nous mettons actuellement ces premiers flux (WMS/WMTS) à disposition sur la Géoplateforme afin de recueillir les retours de la communauté. L'objectif est d'affiner nos algorithmes, de tester différentes résolutions (50 cm vs 20 cm) et de construire ensemble les standards de la cartographie de demain.
0 commentaire
Loading...
En savoir plus
Bioéconomie·3 mars
Prélèvements et récolte de bois en France : plusieurs façons de compter qui convergent vers une même histoire

Dans le débat public et les analyses de la filière forêt-bois, deux termes sont souvent utilisés de manière interchangeable, générant parfois de la confusion : les prélèvements et la récolte de bois. Pourtant, ces deux concepts recouvrent des réalités physiques et des méthodes d'évaluation profondément différentes.
Bioéconomie·22 février
Projet PANOPTÈS : Quand l'IA et la Télédétection Veillent sur nos Forêts

La géographie des risques naturels est en plein bouleversement. Historiquement cantonnés à l'arc méditerranéen, les grands feux de forêt frappent désormais des territoires jusqu'alors épargnés, comme le Jura ou la Sologne. Face à des incendies aux comportements de plus en plus violents et imprévisibles, les acteurs de la sécurité civile font un constat lucide : aujourd’hui, ils "courent après le feu". Il n'existe à ce jour aucun outil de détection automatisée fiable déployé à l'échelle nationale.
Cartographie, Géographie·18 février
L'Intelligence Artificielle au Service de l'Intelligence Territoriale

L’Institut national de l'information géographique et forestière (IGN), établissement public placé sous la double tutelle du Ministère de la Transition écologique et du Ministère de l'Agriculture et de la Souveraineté alimentaire, traverse aujourd'hui une transformation numérique en profondeur. L'époque de la simple production de cartes historiques statiques est révolue.