Université d’Etat d’Haïti

(UEH)

Faculté d’Agronomie et de Médecine Vétérinaire

(FAMV)

Département de Génie Rural

(DGNR)

Utilisation de la photogrammétrie par drone pour la construction de

Modèle Numérique de Terrain : Validation de la méthode sur le site

de Dubreuil »

Mémoire

Préparé par : Géthro DAUPHIN

Pour l’obtention du diplôme d’Ingénieur-Agronome

Promotion : Luminescence (2014-2019)

Février 2022
ii
 iii

Ce mémoire intitulé :

Utilisation de la photogrammétrie par drone pour la construction de

Modèle Numérique de Terrain : Validation de la méthode sur le site de

Dubreuil »

a été soutenu le 22 Février par devant le jury composé de :

Nom et Prénom Signature Date

Nyankona GONOMY …………………….. ………….......

Président du jury, directeur du département
De Génie Rural

Hans GUILLAUME ……………………… ………………

Membre du jury, directeur du département
Des sciences de base

Rotchild LOUIS ………………………. ………………

Membre, encadreur scientifique
 iv

Dédicaces
Je dédie ce mémoire à :
 Ma famille principalement à mon père Dieumérite DAUPHIN et à ma défunte
mère Edith JOSEPH
 Mes anciens professeurs du Lycée Faustin Soulouque de Petit-Goâve
 Mes anciens professeurs de la FAMV
 Ma Fiancée Allisah Netza JEAN-FELIX
 Mes amis camarades de la FAMV/GNR
 Mon ancien guide de Préfac Mackson Nacius
 v

Remerciements
Un remerciement spécial aux responsables du programme ARES, grâce à leur
financement j’ai pu réaliser mon stage de fin d’études en Belgique.
Je remercie les différents personnels de l’Université Catholique de Louvain,
particulièrement professeure Sandra Soares Frazão, le professeur Emérite Yves
Zech pour l’accueil au sein du laboratoire de la faculté et les encadrements nécessaires.
Je remercie mes camarades de bureau Robin Meurice et Masoumeh Ebrahimi
pour leur soutien.
Je remercie les responsables de la Faculté d’Agronomie et de Médecine
Vétérinaire (FAMV) particulièrement ceux du Département de Génie Rural
(DGNR) qui m’ont donné l’opportunité de réaliser ce stage de mémoire en Belgique.
Je veux remercier mon encadreur scientifique Rotchild LOUIS pour ses conseils.
Il m’a aidé à faire les premiers pas depuis dans la collecte des données de terrain, dans
le traitement et l’analyse des données et dans la mise en forme de ce document.
Je remercie mon ami Ing-Agr Louis Raymond ASIE pour son aide lors de la
collecte des données sur le terrain et pour son encadrement tout au long du traitement
des données.
Je remercie le professeur Arlette BONHOMME pour ses conseils et ses appuis
lors mes études à la FAMV.
Je veux remercier également mes camarades du GNR de la promotion
Luminescence pour leur support depuis la faculté jusqu’à la réalisation de ce travail.
Je veux aussi remercier mes amis : Rodney TOUSSAINT, Sainfort VITAL,
Wilson SYLAIN, Alixthon MAINVIEL et Dieuvenson DIEUDONNE.
Merci à tous ceux qui ont contribué à la réalisation de mon mémoire de près ou de
loin.
 vi

RESUME
Ce mémoire, réalisé en Belgique, s’inscrit dans le cadre d’un projet de recherche
et de développement, le PRD 2020, financé par ARES. L’objectif général de ce travail
est de valider une méthodologie sur un site complexe (Dubreuil situé dans le
département du Sud) pour la construction de modèle numérique de terrain et d’ortho
photo en utilisant la photogrammétrie à partir des images aériennes d’un drone. Les
données des principales rivières du pays, principalement celles de la rivière l’Acul, ne
sont pas actualisées. D’où l’importance de ce travail qui vise à rendre disponibles des
données bathymétriques et topographiques actualisées.
Ces données servent à alimenter la base de données topographiques et
bathymétriques de la rivière Acul. Dans ce sens, ces dernières (Metashape) et celles du
CNIGS sont comparées aux données mesurées (DGPS).
Deux catégories de données ont été utilisées pour la production de données,
celles du CNIGS (MNT et ortho photo) et celles de terrain (les images et les points du
DGPS). Les logiciels Metashape et Qgis ont été utilisés pour le traitement des données.
Les comparaisons sont effectuées suivant plusieurs critères : des graphiques, un calcul
numérique (MSE, RMSE et MAE) et l’appréciation visuelle.
Ces différentes comparaisons ont permis d’obtenir pour le RMSE sur le profil en
long, une valeur de 0.0583 mètre entre le DGPS et le Metashape, et une valeur de
1.7438 mètres entre le DGPS et le CNIGS. Sur le profil en travers, le RMSE donne
0.0628 mètre entre le DGPS et le Metashape, et 0.2603 mètre entre le DGPS et le
CNIGS. Pour les sections Aval 1, 2 et 3, le RMSE obtenu entre le DGPS et le
Metashape est plus petit que celui obtenu entre le DGPS et le CNIGS.
Plus loin, les deux ortho photos (Metashape et CNIGS) ont été comparées à la
même échelle, soit 1/602. Le barrage est plus visible sur l’ortho photo du Metashape
que sur celle du CNIGS.
Ces résultats montrent que partout sur le terrain le traitement photogrammétrique à partir
du logiciel de Metashape donne de meilleurs résultats que les données officielles du
CNIGS.
 vii

Table des matières

1 introduction ........................................................................................ 1
1.1 Généralité .......................................................................................................... 1
1.2 Contexte et problématique................................................................................. 2
1.3 Objectifs ............................................................................................................ 3
1.3.1 Objectif général ............................................................................................ 3
1.3.2 Objectifs spécifiques .................................................................................... 3
1.4 Hypothèse de travail .......................................................................................... 3
1.5 Limitations du travail. ....................................................................................... 4
2 Revue de littérature ........................................................................... 5
2.1 Photogrammétrie ............................................................................................... 5
2.1.1 Les types de photogrammétrie ..................................................................... 5
2.1.2 L’évolution de la photogrammétrie .............................................................. 6
2.1.3 Etape de traitement des images par Metashape............................................ 8
2.2 Les MNT ........................................................................................................... 9
2.2.1 Les différents types de MNT...................................................................... 10
2.2.2 Les méthodes de génération du MNT ........................................................ 12
[Link] Génération du MNT par la photogrammétrie ......................................... 12
2.2.3 Les erreurs possibles d’un MNT ................................................................ 16
2.2.4 La qualité d’un MNT ................................................................................. 18
2.3 Plan de vol ....................................................................................................... 18
2.3.1 Auteur de vol .............................................................................................. 19
2.3.2 Recouvrement ............................................................................................ 19
2.3.3 GCPs .......................................................................................................... 22
2.3.4 Distorsion ................................................................................................... 22
3 Méthodologie .................................................................................... 26
3.1 Présentation de la zone d’étude ....................................................................... 26
3.1.1 Localisation de Dubreuil et zone d’intérêts de l’étude............................... 26
3.1.2 Topographie et relief .................................................................................. 27
3.1.3 Présentation des données............................................................................ 27
[Link] Les données de terrain ............................................................................ 27
[Link] Les données du CNIGS .......................................................................... 28
3.2 Méthode de travail ........................................................................................... 28
 viii

3.2.1 Recherche bibliographique......................................................................... 28

3.2.2 Visite exploratoire ...................................................................................... 29
3.2.3 Collecte de données.................................................................................... 29
[Link] Les données du CNIGS .......................................................................... 29
[Link] Les données de terrain ............................................................................ 29
[Link].1 Plan de vol......................................................................................... 29
3.2.4 Matériel utilisé ........................................................................................... 31
3.3 Processus de traitement des données ............................................................... 31
3.3.1 Sélection des images .................................................................................. 31
3.3.2 Traitement sur Metashape .......................................................................... 32
3.3.3 L’alignement des photos ............................................................................ 32
3.3.4 Placement des GCP sur Metashape ............................................................ 33
3.3.5 Génération du nuage de points dense ......................................................... 34
3.3.6 Création des classes de points .................................................................... 34
3.3.7 Génération du MNT ................................................................................... 35
3.3.8 Génération de l’ortho photo ....................................................................... 35
3.3.9 Extraction des altitudes du mnt sur qgis .................................................... 36
3.3.10 Description du calcul du MAE, MSE et du RMSE.................................... 36
4 Résultats et discussion ..................................................................... 38
4.1 Analyse et comparaison pour le barrage ......................................................... 38
4.1.1 Analyse et comparaison du profil en long.................................................. 38
[Link] Analyse et comparaison par mesure numérique ..................................... 40
4.1.2 Analyse et comparaison du profil en travers .............................................. 41
[Link] Comparaison par une analyse numérique pour la crête du barrage. ....... 43
4.2 Analyse et comparaison du profil en travers de la section Aval 1 .................. 44
4.2.1 Calcul du MSE, du RMSE et du MAE ...................................................... 45
4.1.1 Calcul du MSE, du RMSE, du MAE et du critère de NASH .................... 48
4.2 Analyse et comparaison visuelles (comparaison des orthophotos) ................. 47
4.2.1 Discussion autour de l’hypothèse d’étude.................................................. 54
5 Conclusion et recommandations .................................................... 55
5.1 Recommandations ........................................................................................... 56
6 Bibliographie .................................................................................... 57
 ix

Liste des tableaux

Tableau 1 : Paramètres de vol ................................................................................. 29
Tableau 2 : Présentation du MSE, du RMSE et du MAE pour le profil en long
du Barrage ................................................................................................................. 41
Tableau 3 : Présentation du MSE, du RMSE et du MAE pour le profil en
travers du Barrage. ................................................................................................... 44
Tableau 4 : Présentation du MSE, du RMSE et du MAE pour la section Aval
1 ................................................................................................................................... 46
Tableau 5 : Présentation du MSE, du RMSE et du MAE pour la section Aval
2 ................................................................................................................................... 49
 x

Liste des figures

Figure 1: Maillage triangulaire quelconque aux nœuds mi = (xi,yi) .................... 11

Figure 2: maillage rectangulaire régulier ............................................................... 11
Figure 3: Maillage carré irrégulier .......................................................................... 12
Figure 4: Recouvrement frontal et latéral ............................................................. 19
Figure 5: Recouvrement frontal .............................................................................. 20
Figure 6: Recouvrement ........................................................................................... 21
Figure 7: Les principales distorsions ....................................................................... 24
Figure 8 : Localisation de Dubreuil ......................................................................... 26
Figure 9 : Zone d’intérêts (rivière Acul) ................................................................. 27
Figure 10 : Le DGP .................................................................................................. 28
Figure 11: Points de passage et fixe du plan de vol autour du Barrage ............... 30
Figure 12 : Pose des GCPs sur le terrain ................................................................ 30
Figure 13 : Image au décollage Figure 14 : Image à l'atterrissage ................... 32
Figure 15 : Alignement des photos .......................................................................... 33
Figure 16 : Répartition spatiale des GCPs sur la scène ......................................... 33
Figure 17 : Nuage de points denses .......................................................................... 34
Figure 18 : Classe de points de terrain .................................................................... 35
Figure 19 : MNT résultants ...................................................................................... 35
Figure 20 : Orthophoto résultant............................................................................. 36
Figure 21 : Crête du Barrage ................................................................................... 38
Figure 22: Profil en long du seuil du barrage pour les données (DGPS, Metashape
et CNIGS)................................................................................................................ 39
Figure 23: Présentation graphique des biais du profil en long du barrage ......... 40
Figure 24: Profil en travers de la crête du barrage................................................ 42
Figure 25: Présentation des biais pour le profil en travers du barrage ............. 42
Figure 26 : Superposition des courbes pour la section Aval 1 .............................. 44
Figure 27 : Représentation graphique des biais pour la section Aval 1 ............... 45
Figure 28 : Superposition des courbes pour les données du DGPS, du CNIGS et
du Metashape sur la section 2 .................................................................................. 47
Figure 29 : Représentation graphique des biais pour la section Aval 2 ............... 48
Figure 30: Zoom à l’échelle de 1/602 sur l’Ortho photo du CNIGS ..................... 53
Figure 31 : Zoom à l’échelle de 1/602 sur l’Ortho photo du Metashape .............. 54
 xi

Liste des sigles et abréviations

CNIGS : Centre National de l’Information Géospatial

DGPS : Système de Positionnement Mondial Différentiel

DSLR: Digital Single-Lens Reflex

GCP : Ground Control Point

ISO : International Organization for Standardization

LiDAR ; Light Detection And Rangging

MAE : Erreur Moyenne Absolue

MNE : Modèle Numérique d’Elévation

MNT: modèle numérique de terrain

MSE : Erreur Quadratique Moyenne

RMSE : Racine de l’Erreur Quadratique Moyenne

VNP : Véhicule Non Piloté

VP : Validation Point
 1

1 INTRODUCTION

1.1 GENERALITE
Le modèle numérique de terrain (MNT) est une représentation numérique et
même mathématique de la topographie d’une zone dans un système référentiel bien
défini (Christian. P et al, 2009). Même si le MNT représenté sous forme de triangles
irréguliers présente certains avantages (Peucker et al, 1978), cependant, dans la
majorité des cas il est présenté par des mailles régulières qui, en chaque point, ont une
valeur d’altitude spécifique. Ces dernières permettent de faciliter leur utilisation et
manipulation, et leur stockage en mémoire d’ordinateur au moment des différents
calculs. Le modèle numérique de terrain reste jusqu’à présent la meilleure et la plus
importante source de données pour l’extraction des paramètres comme : la direction de
l’écoulement, la pente, le réseau hydrographique, l’indice de la topographie pour ne
citer que ceux-là (Mahamad. E, 2013). Pourtant, en dépit de tous ces avantages, le MNT
reste en tout cas une représentation spatiale de la réalité. De plus Carter (1998) a montré
qu’un MNT même de meilleure exactitude, reste une approximation de la réalité du
terrain et, par conséquent, il a toujours des erreurs de toute sorte qui peuvent être
propagées dans les domaines d’application du MNT et influencent totalement ou
partiellement la finalité des résultats attendus.
Pour générer un modèle numérique de terrain, il est un impératif d’avoir des
données spatiales qui se présentent soit sous forme de données altimétriques soit sous
forme de données d’imageries spatiales. Une compréhension globale sur les différentes
sources d’erreur lors de la génération du MNT est relaté et certains paramètres sont
estimés pour l’analyse des résultats. La précision d’un MNT est donc impossible à
formaliser et ne peut être évaluée que globalement en fonction du processus
photogrammétrique utilisé pour le générer (J.B. Henry et al, 2008).
De ce fait, certains paramètres comme l’échelle, le nombre et la distribution des
points de contrôle au sol (GCPs) et la qualité de l’appareil photographique influencent
grandement la précision (Krauss et Waldhaeusl, 1998). Aussi, faut-il définir au début
la précision recherchée ce qui orientera le choix de la méthode photogrammétrique
utilisée pour chaque étude.
 2

D’un autre côté, le calcul photogrammétrique utilise des informations contenues

dans les pixels que constitue la photographie numérique. Ces dernières ne doivent pas
être dénaturées et, pour optimiser le résultat, la qualité des prises de vue doit être
impeccable le plus que possible. A côté de cela, un temps clair est un facteur important
qui permet de mieux photographier la scène en question, le diaphragme et la vitesse
sont plus confortables et la profondeur de champ facilement maitrisable.

1.2 CONTEXTE ET PROBLEMATIQUE

Le manque de données en Haïti est l’un des problèmes majeurs qui entravent
l’avancée dans le domaine de la recherche scientifique, l’hydrologie et l’hydraulique
ne sont pas exemptées du problème. De plus, il est difficile de suivre l’évolution d’une
série d’événements puisqu’il n’y a pas de données (MNT et Ortho photo,
pluviométriques), et même si elles existent souvent elles présentent des lacunes, ce qui
occasionne une autre difficulté pour faire le suivi hydromorphologique des rivières
dans le temps. Trop couteux et par manque de moyens économiques, les données
bathymétriques et topographiques des rivières, celles qui existent ne sont pas
actualisées. Ce qui est une limite majeure dans la modélisation hydrodynamique des
événements récents. Dans l’idée de proposer une alternative, les questions suivantes
constituent l’essence même de cette étude :
 Quel est l’outil, moins couteux, à utiliser pour répondre au contexte actuel du pays
?
 Est-ce qu’on est capable de produire des jeux de données topographiques, aux
temps des épisodes, plus précises que les données disponibles ?

Ainsi, la nécessité de faire cette étude est d’actualité vu les problèmes de

Monitoring sur les principales rivières et la situation de la rivière l’Acul à Dubreuil
n’est pas différente. Le dénie de l’actualisation de la base de données reste souvent mal
compris bien que le Ministère de l’Agriculture, des ressources Naturelles et du
Développement Rural (MARNDR) fasse parfois des interventions au niveau du bassin
versant l’Acul. Les seules données disponibles actuellement datent de 2016 et la
campagne de mesure a été commencée en 2014 par une firme française et, l’acquisition
de ces jeux de données a été financée par la banque mondiale.
 3

D’où l’utilité du présent travail de recherche qui permet d’avoir un modèle

numérique de terrain et l’orthomosaïque du site de Dubreuil à partir de la technique
innovante de la photogrammétrie par drone, basée sur la Structure from motion (Sfm).

Cette étude s’inscrit dans le cadre du Projet de Recherche et Développement (PRD)

d’une coopération d’universités Nord-Sud, financé par ARES. Ce projet s’appuie sur
les acquis du PRD 2014, avec pour objectifs :

 De consolider les connaissances et le savoir-faire acquis par l’équipe du Génie

Rural de la Faculté d’Agronomie et Médecine Vétérinaire (FAMV) de l’Université
d’Etat d’Haïti (UEH) ;

 De proposer des solutions innovantes dans la gestion des risques liés aux crues,
aux inondations et aux sédiments.

1.3 OBJECTIFS
Les objectifs de ce travail sont divisés en deux parties, l’une est consacrée à
l’objectif général et l’autre aux objectifs spécifiques.

1.3.1 Objectif général

Ce travail a pour objectif général de valider une méthodologie pour la construction
de Modèle Numérique de Terrain à partir de la Photogrammétrie par drone.

1.3.2 Objectifs spécifiques

 Construction d’un Modèle Numérique de Terrain (MNT) et d’ortho photo d’une scène
à Dubreuil ;
 Comparaison et analyse du MNT construit avec celui du CNIGS et les données de
terrain.
 Validation de la méthode sur le site de Dubreuil.

1.4 HYPOTHESE DE TRAVAIL

En absence du fonctionnement du réseau Géodésique du CNIGS, les données du
GPS différentiel servent de référence pour les différentes comparaisons.
 4

1.5 LIMITATIONS DU TRAVAIL.

 Les images disponibles pour ce travail ne couvrent pas tout le Bassin versant de la
rivière l’Acul. C’est-à dire, on n’a pas une vue globale du changement de la
topographie et des axes d’écoulement sur toute la rivière ;

 Les erreurs aléatoires liées au logiciel Metashape, ne sont pas filtrées au moment
du traitement des données, c’est-à-dire on ne peut pas les éviter.
 5

2 REVUE DE LITTERATURE

Cette partie du travail est réalisée sur la base de consultation des documents, tels
que des articles et des journaux scientifiques qui ont spécifiquement rapport au thème
en question.

2.1 PHOTOGRAMMETRIE
Si la photogrammétrie est difficile à cerner par les amateurs, surtout en la
définissant, les spécialistes du domaine ne manquent pas d’idées. Dans la littérature,
plusieurs définitions peuvent être trouvées :

1) La photogrammétrie permet de définir avec précision la forme, la dimension et la

position d'objets dans l'espace à partir de photographies (Kraus et Whaldhausl,
1997).

2) La photogrammétrie est l'art, la science et la technologie permettant d'obtenir des

informations fiables sur les objets physiques et l'environnement grâce à des
processus d'enregistrement, de mesure et d'interprétation d'images photographiques
et de modèles d'énergie électromagnétique rayonnante enregistrée et d'autres
phénomènes (Paul Wolf et al, 2000).

Ces deux définitions nous font comprendre que la photogrammétrie permet de

passer, à partir des photographies, d’un objet à un modèle 3-D. Les nuances et les
points communs dans les différentes définitions des auteurs donnent lieu d’en
distinguer plusieurs types :

2.1.1 Les types de photogrammétrie

La photogrammétrie est classée en plusieurs catégories en fonction de l’utilité et
de la technologie disponible, dans ce cas on a :

 Photogrammétrie analogique : c’est la photogrammétrie historique telle qu’elle a

été mise au point au début du 19ème siècle. Elle utilise des films argentiques ou des
plaques de verre et du matériel composé de mécanique et d’optique. Pour ce type,
le seul produit fourni est un dessin métrique ;
 6

 Photogrammétrie analytique : Les systèmes de mesure deviennent pilotés par

ordinateur et les images demeurent argentiques. On mesure alors les coordonnées
sur la photographie et on les transforme en coordonnées 3D sur les premiers écrans
alphanumériques. La photogrammétrie analytique perdure jusqu'en 1990 ;
 Photogrammétrie numérique : les premières images numériques font leur
apparition en 1992, les ordinateurs ou stations de travail deviennent de plus en plus
puissants et peuvent traiter des images de résolution de plus en plus importantes.

En fonction de la mesure utilisée, il existe :

 La photogrammétrie de l’espace ou aérienne : c’est l’ensemble des techniques et
des matériels utilisés pour aboutir à la représentation d’un territoire étendu, à partir
des clichés de la prise de vues aériennes ;
 Photogrammétrie terrestre : elle se base sur des points de calage et de
géoréférencement, elle nécessite et résulte de l’exploitation des prises de vue
stéréoscopiques ;

Chaque science, à un moment de la durée, subit des évolutions. La

photogrammétrie ne fait pas exception, elle est passée d’une génération à une autre. De
ce fait, en fonction des différentes techniques et approches nous distinguons plusieurs
générations :

2.1.2 L’évolution de la photogrammétrie

Les générations de la photogrammétrie sont présentées dans l’ordre
chronologique.
1) La première génération (1850-1900) : c’est la génération de la
Métrophotographie marquée par Aimé Laussedat (1819-1907) qui a utilisé d’une
part les propriétés des vues perspectives (permettent d’illustrer ou de visualiser les
objets dans leurs trois dimensions) en (1849) et d’autre part a démontré par des
expériences qu’il est possible d’effectuer des mesures dans les photographies pour
les relevés topographiques.
 7

Ensuite la chambre claire de Wollaston (1806) pour le tracé des vues perspectives
et plus loin il a utilisé des plans de fortifications, des ouvrages militaires et pendant
cette même période l’apparition des émulsions au gélatino-bromure avec la
photographie (1878) ;
2) La deuxième génération (1900-1960) : c’est l’ère de la stéréophotogrammétrie
terrestre (1900-1920), au cours de cette période on a utilisé le stéréoscope de
Wheatstone qui fonctionne suivant le principe de la vision binoculaire en 1838. On
a enregistré le premier vol motorisé, par les frères Wright, avec prise de vues à
partir d’un aéronef.

Certains matériels et méthodes ont également été développés durant la période :

 La connaissance de trois points identifiables sur un couple de photographies est
suffisante pour déterminer la position absolue d’un couple (la méthode de
Scheimpflug). Pour cette méthode, on peut procéder de deux façons différentes ;
premièrement on peut redresser les photos en utilisant les principes de base de la
métrophotographie et en second lieu il y a la restitution directe de couples
stéréoscopiques de photos aériennes sur des appareils de restitution.
 La présence de nombreux appareils (Poivillers-Som en France, Zeiss en
Allemagne, Wild-et Kern en Suisse, Nistri et Santoni en Italie) de restitution
analogique ont, eux aussi, marqué la période.

Le développement de ces appareils et méthode allaient donner l’opportunité à la

photogrammétrie analogique de se développer parallèlement.

Ce développement a permis d’améliorer la qualité des images photographiques. Ce

qui a véritablement marqué l’époque, c’est le développement de la cartographie.

3) La troisième génération (1960-1990 : après l’utilisation de la photogrammétrie

analogique, le tour de la photogrammétrie analytique devait arriver. Les
appareils analogiques (codeurs et traceurs) devenaient de plus en plus modernes et
les chambres de prises (aériennes, terrestres et argentiques) de vues étaient utilisées.
Les mesures étaient désormais assistées par ordinateur (pour les MNT par
exemple), il devenait de plus en plus facile de mettre en place des couples de photos.
 8

C’est au cours de cette période qu’a été mise en évidence la photogrammétrie

terrestre par l’arrêt des chambres métriques.
La photogrammétrie multi-image devenait possible (photo sur table à digitaliser). A
côté des avantages procurés par la photogrammétrie analytique, il y avait des
inconvénients majeurs comme le cout élevé des licences, de la maintenance des
systèmes et appareils.
4) La quatrième génération (1990 à nos jours) ou la structure from motion (sfm)
: si dans les autres générations il était difficile de faire l’acquisition d’une série de
matériels et de mettre les méthodes en application, cette nouvelle génération
apporte des solutions satisfaisantes. Certains auteurs parlent de la photogrammétrie
numérique qui désigne une multitude de techniques et d’approches ; pourtant
d’autres la voient plus simplement et parlent de préférence de la structure from
motion. Pour éviter toute confusion, nous parlons ici de structure from motion qui
se base sur un ensemble d’algorithmes développés par Lowe en 2004 (Lowe, 2004).

2.1.3 Etape de traitement des images par Metashape

(Agisoft M, 2020) définit les étapes algorithmiques complètement automatisées
pour le traitement des images. Toutes ces étapes peuvent être exportées séparément si
on n’est pas en mode démo du logiciel (un conseil : exporter en plusieurs fichiers un
même processus afin de conserver la qualité de traitement. Sinon la qualité peut être
dégradée en raison de la faible capacité du RAM). Ces dernières sont résumées ici :

1. Chargement des photos

Les images sont téléchargées du fichier dans lequel elles ont été enregistrées après
le prétraitement qui consistait à enlever celles qui n’ont pas l’altitude de vol du drone.
2. Alignement des photos
La deuxième opération consiste à l’alignement des photos. Cette opération est
essentielle pourque Metashape trouve la position et l’orientation de la caméra pour
chaque photo. Un nuage de points clairsemés est généré.
3. Placement des repères ou Ground control point (GCP)
Après l’alignement des photos, on importe les GCPs et on s’assure qu’un GCP soit
placé sur au moins trois photos différentes.
 9

4. Génération d’un nuage de points dense

L’étape suivante consiste à générer un nuage de points denses. Ce nuage de points
va servir pour la génération du MNT et de l’ortho photo.
5. Génération du Modèle Numérique de terrain
Le modèle numérique de terrain permet d’extraire des informations sur la
bathymétrie et la topographie d’une zone. Avant de le générer, il est nécessaire de
classifier d'abord les points du nuage dense afin de les diviser en au moins deux classes
: les points au sol (terrain) et les autres.
6. Construire une orthomosaïque
L’ortho photo donne une idée de la reconstruction 3-D de la scène. Elle est générée
à partir du MNT dans notre cas.
7. Enregistrement intermédiaire des résultats
Certaines étapes du processus de traitement peuvent prendre du temps, il est
conseillé de les enregistrer par petite archive de projet (format. PSZ) ou par fichier
(format. PSX).
8. Exportation des résultats
Comme dit plus haut, toutes les étapes peuvent être exportées en fonction des
besoins : nuages de points clairseme et dense, calibration de camera et données
d'orientation de camera, maillage, etc. Les orthomosaïques et les modèles numériques
d'élévation (MNE et MNT) ainsi que les modèles tuilés.

Pour les détails des étapes, référez-vous au manuel mentionné ci-dessus.

2.2 LES MNT

Un modèle numérique de terrain (MNT) est une représentation de la topographie
(altimétrie et/ou bathymétrie) d’une zone terrestre (ou d’une planète tellurique) sous
une forme adaptée à son utilisation par un calculateur numérique, un ordinateur. Les
informations peuvent être sotckées sous des formes diverses.
De ce fait, on peut faire différentes utilisations avec un MNT : le tracé des profils
topographiques, la modélisation de l’écoulement de l’eau ou de la masse du
mouvement, la cartographie de base, l’extraction des paramètres de terrain, précisions
agricoles et forestières, analyse de surface pour ne citer que celles-là.
 10

Un modèle numérique de terrain peut être utile à un domaine mais ne l’est pas pour
d’autres. Cette utilité est fonction principalement de la précision du MNT. En effet, la
précision d’un MNT est donc impossible à formaliser et ne peut être évaluée que
globalement, en fonction du processus photogrammétrique utilisé pour le générer. Les
paramètres qui jouent de façon importante sur cette précision sont : l’échelle et la
résolution des photographies, la densité des points de contrôle mesurés sur le terrain et
la précision du positionnement, la répartition de ces points en fonction du caractère
plus ou moins accidenté du terrain (Kraus et Waldhaeusl, 1998). C’est pourquoi, avant
toute étude nécessitant un MNT il faut chercher à connaitre la précision requise du
MNT souhaité pour mieux faire le choix de la méthode photogrammétrique à utiliser.

2.2.1 Les différents types de MNT

Les points côtés et les courbes de niveaux représentent, habituellement sur une
carte, les altitudes. En fonction de la taille d’une zone, certains MNT peuvent utiliser,
pour une zone réduite, un maillage régulier carré et pour les grandes zones un maillage
pseudo carré. Par conséquent, la représentation informatique varie. De plus, selon Y.
Secretan et al (2001) les scénarios d’analyse requièrent souvent des modifications et
sont importants dans le maillage porteur des données par adaptation de la densité locale
du maillage ou de préférence sur les transformations locales de la forme du domaine
en lien avec des aménagements.

Selon cet article, le MNT doit mettre l’accent sur les données de base au lieu de
l’aspect modifié et nécessairement dégradé après le report sur le maillage. Les
différentes recherches similaires nous permettent de découvrir, suivant le type de
maillage qu’on utilise, qu’il existe différents types de MNT :

1) Maillage triangulaire quelconque : les cotes zi sont données aux nœuds mi = (xi,yi)
d’un réseau de triangles formant une triangulation. Une triangulation d’une portion
D du plan est une famille de triangles recouvrant D, telle que deux triangles ne
peuvent avoir en commun qu’un sommet ou un côté entier.
Avantage : la taille des mailles peut être ajustée localement à la taille des détails du
terrain.
 11

Inconvénient : la détermination du triangle contenant un point m donné n’est pas

instantanée.

Figure 1: Maillage triangulaire quelconque aux nœuds mi = (xi,yi)

2) Maillage carré/rectangulaire régulier : c’est la structure la plus courante d’un MNT

qui est représentée sous forme d’un tableau d’altitudes données aux nœuds d’un
réseau régulier à mailles carrée (ou rectangulaires). Elle est plus facile à manipuler,
on peut déterminer quelle maille tombe sur un point spécifique de coordonnées (x,
y) et la H (x, y) est dès lors simple à trouver. A côté de son avantage, la même
densité d’information est décrite partout sur le terrain. La photo suivante donne une
vue de la structure :

Figure 2: maillage rectangulaire régulier

3) Maillage carré irrégulier : les altitudes sont données aux nœuds d’un réseau de
mailles carrées de tailles variables (et mêmes directions des côtés). Comme le
maillage régulier, celui-ci présente des avantages et des inconvénients : sur le
terrain, la dimension des mailles peut être ajustée localement tandis que la
manipulation n’est pas facile d’accès. Une vue est donnée par la photo qui suit :
 12

Figure 3: Maillage carré irrégulier

2.2.2 Les méthodes de génération du MNT
Plusieurs méthodes sont utilisées pour générer un modèle numérique de terrain. Le
choix d’une d’entre elles dépend du moyen disponible. Parmi ces méthodes, nous
retenons : méthode LiDAR (Light Detection And Ranging) et la méthode
photogrammétrique.

Cette méthode n’est pas utilisée dans notre travail, on ne fait pas de détails. Pour
plus d’informations, vous pouvez consultez : Nelson et al. (2009), Li et al. (2005),
Akima, (1978), Hengl et al., (2009), Heritage et al., (2009), Burrough et al., (1998) ;
Emery et al., (2000), Mitas et al., (1999), Li J. et al. (2011), Guarnieri et al., (2009) ;
Coveney et al., (2010), Guarnieri et al. (2009) ainsi que Coveney et al. (2010) et
Coveney et al. (2011), Li et al. (2008), Guarnieri et al. (2009).

[Link] Génération du MNT par la photogrammétrie

C’est la méthode qui est utilisée dans la réalisation de ce travail de recherche.
Il faut d’abord voir le principe de la méthode :
La photogrammétrie est une technique qui permet d’extraire un MNT à partir de
couples d’images stéréoscopiques (obtenus, par exemple, à partir des satellites,
d’avions, d’hélicoptères ou de véhicules non pilotés, VNP) d’une zone d’étude (Hirano
et al., 2003).
 13

Le principe est basé sur la reconstruction en trois dimensions d’un objet à partir de
la superposition de deux images planes du même objet, perçu sous des angles différents
à l’instar de la vision humaine (Aber et al., 2010). L’extraction se fait de manière
automatique en utilisant des algorithmes, ce qui nécessite des images numérisées. Ces
dernières sont obtenues soit directement en utilisant un appareil photographique
numérique ou via une numérisation d’images analogiques. Dans ce dernier cas,
l’utilisation de scanners est essentielle. Cependant, pour obtenir des MNT de bonne
exactitude, il est nécessaire de réaliser une bonne calibration de l’appareil numérique
ou d’utiliser des scanners de haute performance afin de minimiser la distorsion des
images (Lane et al., 2000).

Selon Fabris et al. (2005), l’extraction d’un MNT par photogrammétrie peut être
résumée en trois étapes : l’orientation interne, l’orientation externe et l’extraction des
points.

 L’orientation interne consiste à déterminer le référentiel lié à l’image produite par

l’appareil photographique. Par conséquent, certains paramètres importants sont
calculés. Il s’agit de la distance focale, des paramètres permettant de modéliser la
distorsion de la lentille et de la position du point principal (Aber et al., 2010). Le
point principal est l’intersection entre l’axe optique et le plan d’impression de
l’image ;
 L’orientation externe consiste à déterminer les coordonnées (e.g. X, Y, Z dans un
système de référence local), ainsi que les angles de rotation 𝜔, 𝜙, 𝜅 de l’appareil
photographique par rapport respectivement aux axes du système de référence local
ou global au moment de la prise de vue. Ces paramètres peuvent être déterminés en
utilisant un GPS et une centrale inertielle embarqués.
Cependant, un tel système peut être lourd pour les VNP dont l’utilisation comme
méthode d’acquisition de couples stéréoscopiques est de plus en plus répandue (Aber
et al., 2010). En plus, l’exactitude du GPS embarqué à bord des VNP est souvent
insatisfaisante (Küng et al., 2011).
C’est principalement pour ces raisons que la méthode la plus utilisée pour réaliser
l’orientation externe consiste à utiliser des points de contrôle levés dans le système de
référence local (Aber et al., 2010).
 14

Les points de contrôle doivent être matérialisés sur le sol avant l’opération
d’acquisition des images car ils doivent être visibles sur celles-ci. L’exactitude des
points de contrôle est cruciale pour obtenir un MNT de bonne exactitude.
Pour des images de quelques centimètres de résolution (taille des pixels), il est
essentiel d’utiliser des points de contrôle très précis, levés par exemple en utilisant une
station totale (Aber et al., 2010). En théorie, un nombre minimum de trois points de
contrôle sont nécessaires pour déterminer les paramètres de l’orientation externe d’une
image. Cependant, en pratique, l’orientation externe est réalisée simultanément pour
l’ensemble des couples d’images stéréoscopiques. Cet ensemble d’images est qualifié
de bloc d’images et ne nécessite en théorie que quelques points de contrôle pour être
orienté.
La méthode la plus utilisée pour l’orientation externe est l’ajustement de faisceaux
(Aber et al., 2010). Le faisceau désigne le segment de droite reliant un point d’attache
(points identifiables sur deux ou plusieurs images) ou un point de contrôle sur le sol et
son image.
L’ajustement de faisceaux consiste à réaliser une orientation des images les unes
par rapport aux autres grâce aux points d’attache et ensuite à déterminer les paramètres
de l’orientation externe (coordonnées X, Y, Z et orientations 𝜔, 𝜙, 𝜅 de chaque image)
et les coordonnées des points d’attache et de contrôle, de telle sorte à minimiser la
somme des écarts des faisceaux par rapport aux points d’attache et aux points de
contrôle. Il existe différentes méthodes d’identification des points d’attaches. Une
énumération détaillée se trouve dans Fabris et al. (2005).
 L’extraction des points consiste à extraire des points homologues sur des images
diachroniques. Cette méthode est passée par une série de démonstrations de
formules mathématiques que nous n’allons pas en tenir compte dans le cadre de ce
travail.

Après le principe, vient la méthode de génération du MNT.

Après l’acquisition des photographies aériennes, l’étape suivante consiste à
déterminer l’altitude de chaque pixel. Pour un pixel donné sur une image, il s’agit de
déterminer le pixel homologue sur l’image avec laquelle un couple stéréoscopique est
définissable.
 15

Les algorithmes de mise en correspondance peuvent être classés en deux

principaux groupes : les algorithmes de type « area-based » et les algorithmes de type
« feature-based » (Fabris et al., 2005 ; Aber et al., 2010 ; Gruen, 2012).

Les algorithmes qualifiés de « area-based » utilisent une fenêtre centrée sur

chaque pixel et réalisent la mise en correspondance par comparaison de l’information
(e.g. niveau de gris) disponible au niveau des pixels de la fenêtre (Gruen, 2012). Les
algorithmes de type « feature-based » réalisent la mise en correspondance en deux
étapes. Une première étape permet de déterminer les formes caractéristiques présentes
dans la première image. Ces formes sont principalement dues à la variation d’intensité
dans l’image. Ensuite, une deuxième étape consiste à réaliser la comparaison des
formes caractéristiques avec celles de la deuxième image.

Cette approche considère que les caractéristiques de l’image sont moins variables
d’une image à l’autre (Gruen, 2012). Cependant, certaines informations peuvent être
perdues après la première étape ; toute l’information n’est donc pas exploitée, ce qui
est un désavantage.

La qualité du MNT extrait à partir d’un modèle stéréoscopique dépend

principalement de la nature de la surface modélisée, des caractéristiques propres aux
images utilisées, telles que le contraste et le niveau de bruit, et des paramètres propres
aux algorithmes (Aber et al., 2010 ; Gruen, 2012).

Les algorithmes de type « area based » sont les plus utilisés en photogrammétrie
(Gruen, 2012). Ils considèrent l’hypothèse que la distance séparant chaque pixel
localisé dans la fenêtre et l’appareil photographique est constante, ce qui n’est pas
vérifié sur des terrains inclinés ou avec des variabilités topographiques importantes.

Certains auteurs ont proposé différentes améliorations (e.g. Zabih et al., 1994 ;
Hirschmüller et al., 2002 ; Scharstein et al., 2002) tout en gardant l’approche
« fenêtre ». D’autres auteurs, tels que Hirschmuller (2008), considèrent qu’il faut
abandonner l’approche « fenêtre » et utiliser une comparaison pixel par pixel.

L’algorithme « semi-global matching » proposé par Hirschmuller (2008) tient

compte également de l’écart radiométrique (dû par exemple à l’effet de vignette, au
temps d’exposition, etc.) pouvant exister entre deux images stéréoscopiques.
 16

Ses performances ont été évaluées de manière satisfaisante (précision altimétrique

de 15 cm et une résolution spatiale de 5 cm) par Gehrke et al. (2010) qui ont comparé
un MNT généré en utilisant le « semi-global matching » et un MNT généré à partir de
données LiDAR.

Le désavantage de l’algorithme « semi-global matching » est son temps de calcul

élevé lorsque le nombre de photographies aériennes est important (e.g. en
photogrammétrie utilisant un VNP). Cette contrainte devient inexistante lorsque le
calcul est implémenté sur un GPU (Graphical Processing Unit).

2.2.3 Les erreurs possibles d’un MNT

Les sources d’erreurs du MNT sont variées et incluent principalement l’exactitude
des points de contrôle, la densité et la distribution des données sources, la situation
géographique de la zone d’étude, les méthodes utilisées pour générer le MNT et la
microtopographie de la zone d’étude (Li, 1991 ; Heritage et al., 2009b). Pike (2002)
identifie trois types d’erreurs (différence entre la valeur altimétrique d’une maille et la
valeur réelle observable sur le terrain) dans les MNT : les erreurs systématiques, les
erreurs aléatoires et les fautes. Les erreurs systématiques résulteraient du processus de
génération du MNT et peuvent être éliminées ou réduites si leurs sources sont
identifiées.

Les fautes résulteraient des erreurs commises lors de la collecte des données. Elles
sont identifiables et éliminées normalement pendant les phases de traitement des
données avant leur utilisation. Les erreurs aléatoires du MNT sont cependant
inévitables et sont liées au logiciel.

Selon Aguilar et al. (2010), en condition de zones dégagées, l’erreur sur un MNT
peut se calculer via la variance donnée par l’équation.
2 2 2 2
𝜎𝑡𝑜𝑡𝑎𝑙 =𝜎𝑆𝐷𝐸 + 𝜎𝑔𝑟𝑖𝑑𝑑𝑖𝑛𝑔 + 𝜎𝑓𝑖𝑙𝑡𝑒𝑟𝑖𝑛𝑔

Dans cette équation :

2
𝜎𝑡𝑜𝑡𝑎𝑙 : exprime l’erreur verticale dans le MNT
2
𝜎𝑆𝐷𝐸 : exprime l’erreur aléatoire due à l’acquisition des données
2
𝜎𝑔𝑟𝑖𝑑𝑑𝑖𝑛𝑔 : exprime l’erreur due à l’interpolation
 17

2
𝜎𝑓𝑖𝑙𝑡𝑒𝑟𝑖𝑛𝑔 : exprime l’erreur due au processus de traitement des données. Cependant,
2
sur une zone dégagée, ils considèrent que 𝜎𝑓𝑖𝑙𝑡𝑒𝑟𝑖𝑛𝑔 peut être négligée, en raison de
2
l’absence d’objets endogènes. 𝜎𝑔𝑟𝑖𝑑𝑑𝑖𝑛𝑔 peut également être négligée si la densité des
points acquis est suffisamment élevée, ce qui est le cas si l’on utilise le LiDAR ou un
VNP. Dans ce cas, la variance totale est calculée en utilisant un nombre suffisant de
points de contrôle levés sur le terrain avec une précision meilleure que celle des
données utilisées pour générer le MNT. Cependant, le RMSE reste le paramètre utilisé
pour quantifier les erreurs d’un MNT.

1
RMSE= √𝑛 ∑𝑛1 Δℎ𝑖2

avec Δℎ la différence d’altitude entre un point de contrôle dont l’altitude est

mesurée avec un récepteur GNSS et la maille correspondante sur le MNT. En plus de
ce dernier, il est intéressant parfois d’estimer également l’erreur moyenne et l’écart-
type des erreurs. Les MNT produits à partir des données altimétriques contiennent
toujours des erreurs aberrantes, même si elles ont fait l’objet de traitement. Une
manière de supprimer les erreurs aberrantes est d’appliquer un filtre sur les données.

L’un des filtres les plus utilisés se base sur le calcul initial du RMSE (Höhle et al.,
2006). Alors, toutes les erreurs supérieures à trois fois le RMSE sont considérées
comme aberrantes et sont remplacées par une valeur estimée à partir des altitudes des
mailles voisines. Une autre approche pour éliminer les erreurs aberrantes, définie par
Daniel et al. (2001), considère à la place du RMSE, l’écart-type des données
altimétriques initiales.

Cette dernière méthode sera surtout utilisée lorsqu’il n’existe pas de points de
contrôle ou lorsque leur acquisition est rendue difficile par l’inaccessibilité de la zone
d’étude. C’est principalement le cas lorsque la zone d’étude se retrouve en zone
forestière.

Les erreurs sont d’autant plus importantes que la zone d’étude se situe en milieu
non-ouvert, comme dans des forêts ou des zones endogènes. Leur normalité n’est donc
pas toujours acceptée.
 18

Pour identifier les erreurs aberrantes, Felicisimo (1994) propose de comparer la valeur
altimétrique de la maille avec celle estimée à partir de ses voisines.

Il définit ainsi pour la maille i une valeur

𝛿𝑖 = 𝑧𝑖𝑀𝑁𝑇 − 𝑧̂𝑖 où
𝑧𝑖𝑀𝑁𝑇 : est l’altitude de la maille i après création du MNT et
𝑧̂𝑖 : est l’altitude de la maille i, estimée à partir de l’altitude de ses voisines.
En considérant 𝛿 comme une variable aléatoire, il est possible de déterminer 𝛿 ̅ et
𝑠𝛿 qui sont respectivement la moyenne et l’écart-type. En faisant l’hypothèse que 𝛿 a
une distribution normale, Felicisimo (1994) réalise un test qui permet d’accepter ou de
rejeter l’appartenance de 𝛿𝑖 à la distribution normale N (𝛿 ̅, 𝑠𝛿 ).

2.2.4 La qualité d’un MNT

La qualité d’un MNT a une grande influence sur les analyses et les conclusions
des différents utilisateurs. Cette qualité peut se concevoir selon deux principales
approches : qualité des positions et qualité des formes (Schneider, 2000).

Ces deux types de qualité dépendent de l’utilisation qu’on fait du MNT. En effet,
certaines applications exigent la qualité de position comme pour la production d’ortho
images tandis que d’autres nécessitent la qualité de forme comme pour l’hydrographie.

Généralement, seule la qualité de position est indiquée par le fabricant, celle des formes
est omise. Vu que les formes sont obtenues à partir des altitudes du MNT, leur qualité
dépend directement de la qualité des positions.

2.3 PLAN DE VOL

Avant toute opération sur le terrain, le plan du vol est le premier pas à faire.
Pendant ce processus, on définit le placement des points de contrôle au sol et la
trajectoire du drone sur le site (les bandes de vol). Pour le drone, on doit définir certains
paramètres clés comme sa vitesse, son altitude par rapport au sol, le recouvrement, les
angles des prises de vue et le nombre de photos pris à la seconde. Il faut dire que le
choix des paramètres du plan de vol influence beaucoup sur la qualité des images
prises.
 19

2.3.1 Auteur de vol

La hauteur de vol choisie influence directement la résolution des photos prises,
c’est-à dire le nombre de centimètre par pixel (cm/pix). Il faut dire que les vols bas
donnent des photos avec une empreinte au sol faible et du coup nécessitent plus de
bandes de vol pour couvrir la même superficie. D’un autre côté, pour réduire au
maximum le risque d’avoir des images floues on doit diminuer la vitesse du drone à
mesure que l’altitude baisse.

Il est un impératif de bien comprendre que l’altitude joue sur la productivité des
vols, dans ce cas il faut choisir un appareil adéquat pour avoir une bonne résolution des
images obtenues. Il faut noter aussi que la hauteur de vol dépend de la hauteur des
obstacles observés sur le terrain.

2.3.2 Recouvrement
Le recouvrement peut se voir comme le chevauchement d’une série de photos le
long de la ligne de vol. Il y a le recouvrement frontal ou longitudinal qui porte sur des
photographies aériennes successives, prises le long d’une bande parallèle à la direction
de vol et le recouvrement latéral se faisant entre deux clichés de bandes de vol
adjacentes. La figure suivante donne une vue compréhensible de chacun. Notez que
plus le recouvrement est grand, plus on a la facilité de bien traiter les images.

Figure 4: Recouvrement frontal et latéral (Source : Jean-François M. (2016))

Jean-François M. (2016) se propose, dans son mémoire de master, de détailler un
peu les deux types de recouvrement. D’abord, le recouvrement frontal. Les paramètres
suivants sont pris en compte :
 20

 Rf ront (m), la distance de recouvrement frontal entre deux clichés ;

 r f ront (%), le pourcentage de recouvrement frontal entre deux clichés ;
 Dlarg (m), l’emprise au sol d’un cliché le long de la direction de vol ;
 b (m), la base (distance entre les appareils photographiques entre deux clichés) ;
 v (m=s), la vitesse de déplacement de l’appareil photographique le long de la bande
de vol (la vitesse de vol) ;
 f (s􀀀1), la fréquence à laquelle les clichés sont capturés.
Nous pouvons écrire les relations suivantes par rapport à l’emprise au sol :

𝑅𝑓𝑟𝑜𝑛𝑡 = (𝑟𝑓𝑟𝑜𝑛𝑡 )(𝐷𝑙𝑎𝑟𝑔 )

𝑅𝑓𝑟𝑜𝑛𝑡 = 𝐷𝑙𝑎𝑟𝑔 -b
(𝑟𝑓𝑟𝑜𝑛𝑡 )(𝐷𝑙𝑎𝑟𝑔 ) = 𝐷𝑙𝑎𝑟𝑔 -b
b = (𝐷𝑙𝑎𝑟𝑔 )(1-𝑟𝑓𝑟𝑜𝑛𝑡 )
La base entre les deux photographies peut se calculer comme :
𝑣
b=𝑓

En combinant ces deux équations, nous obtenons :

𝑣
= (𝐷𝑙𝑎𝑟𝑔 )(1-𝑟𝑓𝑟𝑜𝑛𝑡 )
𝑓

𝑣
𝑟𝑓𝑟𝑜𝑛𝑡 = 1 -
𝑓𝐷𝑙𝑎𝑟𝑔

Figure 5: Recouvrement frontal

 21

D’un autre côté, il parle du recouvrement latéral dans lequel les paramètres
suivants entrent en jeu :

 Rlat (m), la distance de recouvrement latéral entre deux clichés ;

 rlat (%), le pourcentage de recouvrement latéral entre deux clichés ;
 Dlong (m), l’emprise au sol d’un cliché dans la direction perpendiculaire à la
bande de vol ;
 l (m), la distance entre deux bandes de vol adjacentes.

Figure 6: Recouvrement
Nous pouvons écrire les relations suivantes :
𝑅𝑙𝑎𝑡 = 𝐷𝑙𝑜𝑛𝑔 -1

𝑅𝑙𝑎𝑡 = (𝑟𝑙𝑎𝑡 )(𝐷𝑙𝑜𝑛𝑔 )

(𝑟𝑙𝑎𝑡 )(𝐷𝑙𝑜𝑛𝑔 ) = 𝐷𝑙𝑜𝑛𝑔 -1

1 = (𝐷𝑙𝑜𝑛𝑔 )(1- 𝑟𝑙𝑎𝑡 )

Ces différentes relations permettent de déterminer une série de paramètres liés au

vol et aux photographies à effectuer pour un terrain donné. On parle de paramètres de
vol pour désigner ceux-ci et de plan de vol pour définir la trajectoire, établie à l’avance,
à parcourir lors d’un vol. En règle générale, les paramètres de vol suivants sont fixés
(par le terrain étudié et l’appareil photographique) :
 pixlong et pixlarg, la résolution (en longueur ou en largeur) de la photographie ;
 c (mm), la longeur focale de l’appareil photographique ;
 22

 dlong et dlarg (mm), les dimensions (en longueur ou en largeur) du capteur

photographique ;
 Xlong et Xlarg (m), les dimensions (en longueur ou en largeur) du terrain à étudier ;
 r f ront et rlat (%), le recouvrement frontal et latéral souhaité ;
 GSD (m=pix), la ground sample distance souhaitée.

2.3.3 GCPs
Les points de contrôle au sol sont des points dotés de coordonnées au sol connues
x,y,z, souvent obtenus grâce à des arpentages au sol, qui garantissent la présence de
points de référence au sol dans le traitement photogrammétrique. Dans un ajustement
de bloc, des images superposées sont rattachées afin de minimiser l’erreur entre tous
les points de rattachement et les points de contrôle au sol, le cas échéant (DJI, 2021).

Il est possible d’appliquer l’ajustement de bloc sans points de contrôle au sol et de

garantir une précision relative, mais l’ajout de points de contrôle au sol augmente la
précision absolue de l’imagerie ajustée.

Les points de vérification sont des points de contrôle au sol exclus du calcul
d’ajustement et qui permettent de déterminer la précision de l’ajustement.

Pour le placement des GCPs, Micheletti et al (2010) conseille généralement un

nombre minimum de 5 GCPs. Vu leur rôle de feature points introduits manuellement
par l’utilisateur, leur encodage peut être une des sources d’erreurs dans le modèle final
[Westoby et al., 2012]. Outre leur rôle de géoréférencement, les GCPs sont nécessaires
pour évaluer correctement les paramètres d’orientation interne de l’appareil
photographique afin de corriger les distorsions des photographies [Bemis et al., 2014].

2.3.4 Distorsion
Le terme distorsion optique peut être utilisé pour qualifier toute aberration
géométrique pouvant être engendrée par un objectif. Principalement causée par les
différentes lentilles qui composent l’objectif, elle se traduit à l’image par des lignes
droites courbées ou sinueuses (Timothée, 2017).

Parfois, cette distorsion optique est générée par certains éléments utilisés pour
réduire d’autres déformations telles que les aberrations sphériques.
 23

Il existe trois principaux types de distorsion optique : la distorsion en barillet, la

distorsion en coussinet et la distorsion en moustache.

 Distorsion en barillet
La distorsion en barillet (Timothée, 2017) engendre une courbure des lignes
externes du cadre vers l’intérieur de l’image. Elle est souvent rencontrée avec des
objectifs grand angle, en raison des éléments optiques incurvés qu’ils intègrent. D’une
manière générale, plus la lentille est large et fortement incurvée, plus elle offre un large
champ de vision. Cependant, les dimensions du capteur étant nettement plus faibles
que celles des lentilles, il est nécessaire de courber la scène pour qu’elle puisse être
captée dans son intégralité par l’appareil photo. Par conséquent, les lignes droites, en
particulier celles des extrêmes bords du cadre se retrouvent incurvées vers l’intérieur
de l’image.

La distorsion en barillet est présente sur une grande majorité d’objectifs grand
angle ainsi que sur de nombreux zooms à courte focale. La quantité de distorsion peut
en revanche grandement varier d’un objectif à l’autre, ainsi que de la distance entre
l’appareil photo et le sujet.

Même une focale de 50 mm peut générer de la distorsion en barillet lorsque le sujet

est photographié de près. Certains objectifs parviennent tout de même à grandement
réduire cette distorsion en utilisant des éléments optiques spécifiques.

Ces lentilles sont cependant parfois nombreuses, et c’est pourquoi beaucoup

d’objectifs grand angle sont plus gros et plus lourds que les objectifs standard.

 Distorsion en coussinet
La distorsion en coussinet (Timothée, 2017) produit un effet inverse à la distorsion
en barillet. Les lignes droites se courbent cette fois du centre de l’image jusqu’à
l’extérieur du cadre. Ce type de distorsion est généralement formé par des téléobjectifs,
car le grossissement est souvent inégal entre le centre et les extrêmes bords de l’image.
 24

Les téléobjectifs haut de gamme parviennent généralement à réduire jusqu’à un

niveau négligeable la distorsion en coussinet. La plupart des zooms grand public sont
en revanche beaucoup plus exposés. Il faut également savoir que les zooms de grande
amplitude sont exposés à plusieurs types de distorsion.

Ils peuvent ainsi souffrir d’une distorsion en barillet aux focales les plus courtes,
puis progressivement d’une distorsion en coussinet à mesure que la focale augmente.

 Distorsion en moustache
La distorsion en moustache (Timothée, 2017) est la forme de distorsion la plus
sévère pouvant affecter un objectif. Elle se caractérise par la combinaison d’une
distorsion en barillet et d’une distorsion en coussinet. L’image adopte ainsi des lignes
courbées vers l’intérieur, mais également vers l’extérieur du cadre.

La distorsion en moustache est principalement rencontrée sur d’anciens objectifs.

Cependant, quelques rares modèles plus modernes comme le Nikon 18-35 mm f /3,5-
4,5D peuvent tout de même en souffrir.

Figure 7: Les principales distorsions

Il existe d’autres formes de distorsion comme :
 Les distorsions liées au film,
 Les distorsions liées à la réfraction atmosphérique sur les rayons lumineux,
 Les distorsions liées au flou de bougé,
 25

 Les déplacements liés à la courbure de la Terre,

 Les déplacements de relief.

Les effets liés aux distorsions du film concernent la photographie argentique, les
effets des distorsions dues à la réfraction atmosphérique et les déplacements liés à la
courbure de la terre ne concernent que les photographies prises à très haute altitude.
Ces trois effets sont donc négligés dans le cadre de ce travail. Différents modèles
permettent d’en corriger leurs effets et sont détaillés, entre autres, par [Defourny, 2013]
ou encore par [Schenk, 2005].
 26

3 METHODOLOGIE

Cette section présente le cadre physique et la méthode proprement utilisée

permettant d’atteindre les objectifs du travail avec soin.

3.1 PRESENTATION DE LA ZONE D’ETUDE

Dans cette section, une présentation restreinte en rapport à la zone étude est
effectuée, soit la localisation du site et les données utilisées pour réaliser ce travail.

3.1.1 Localisation de Dubreuil et zone d’intérêts de l’étude

La localité Dubreuil fait partie de la 2ème section communale Déjoie de la commune
Chardonière qui est une commune du département du Sud avec pour chef-lieu Les
cayes. Elle est située, dans sa partie Nord-Est, à environ 9 kilomètres de Camp-Perrin.
Elle a pour latitude Nord 180 15’ 3.7’’ et de longitude Ouest 730 54’ 41.1’’.

Figure 8 : Localisation de Dubreuil

 27

Figure 9 : Zone d’intérêts (rivière Acul)

3.1.2 Topographie et relief
La presqu’ile du Sud est constituée par des chaines méridionales qui portent le nom
de Massif de la Hotte dans sa partie occidentale et de Massif de la selle dans sa partie
orientale. Elle regroupe les montagnes les plus élevées de la République avec 2680
mètres au pic de la selle et 2405 mètres au pic Macaya. (Jacques Butterlin, 1960).

3.1.3 Présentation des données

On a fait usage de deux types de données pour la réalisation du travail : les données
du CNIGS et les données de terrain.

[Link] Les données de terrain

Les données de terrain sont les suivantes :
 Les relevés manuels pris avec le DGPS comme sur la photo suivante ;
 28

Figure 10 : Le DGP et la mise en station (Crédit photo : Rotchild LOUIS)

 Les images aériennes qu’on a prises avec le drone Microkopter Hexa KL.

[Link] Les données du CNIGS

Pour les données du CNIGS qui ont été achevées en 2016, elles se divisent en deux
groupes :

 L’ortho photo de résolution 0.5 X 0.5 m ;

 Le Modèle Numérique de Terrain de résolution 1.5 X 1.5 m.

Les données de terrain servent de référence pour la comparaison avec celles qu’on
produit dans le cadre de ce travail de recherche et celles du CNIGS.

3.2 METHODE DE TRAVAIL

Cette section présente tous les moyens à mettre en place pour la réalisation du
travail. Nous y retrouvons :

3.2.1 Recherche bibliographique

Cette partie du travail a été consacrée à la recherche de documents pouvant nous
permettre de mieux cerner le sujet d’étude. De plus, elle nous a également permis de
prendre contact avec certains auteurs qui ont déjà fait des expériences et réalisé des
travaux dans le domaine. Par ces lectures, nous pouvons orienter notre travail et utiliser
une méthodologie adaptée.
 29

3.2.2 Visite exploratoire

Les visites nous ont permis de mieux connaitre le site sous étude, ce qui nous a été
très utile lors de la littérature et au moment de reconstitution de nos modèles.

3.2.3 Collecte de données

Etant donné qu’on a deux groupes de données, nous avons procédé ainsi pour les
avoir.

[Link] Les données du CNIGS

Pour les données du CNIGS, MNT et ortho photo, nous nous sommes rendus au
bureau de l’institution pour la récupération.

[Link] Les données de terrain

Pour nos données, on a fait des campagnes de collecte :

[Link].1 Plan de vol

Le plan de vol est la première étape du travail. Il permet d’avoir, avant d’aller sur
le terrain, une vue globale du site d’étude. L’élaboration du plan de vol est passée par
une série d’étapes :

 A partir du logiciel Microkopter Tool, les données concernant l’altitude de vol, la

vitesse de déplacement du drone, le nombre de photos prises à la seconde, la
position des GCPs sur le terrain ont été choisis.

Tableau 1 : Paramètres de vol

Paramètres Unité Nombre
Hauteur de vol (m) 40
vitesse (m/s) 5
Longueur focale (mm) 3
 Pour le placement des GCPs et la construction des bandes de vol, on a intégré
l’orthophoto du CNIGS de résolution 0.5 mètre dans le logiciel Microkopter Tool.
Ce qui nous a permis de définir les bandes de vol et la position des points de
contrôle sur le terrain. Mais pour le barrage, un vol spécial supplémentaire a été fait
avec des points de passages épousant une forme circulaire et un point d’intérêt au
centre.
 30

 Les sections transversales ont été tracées en plaçant une ficelle de la gauche vers la
droite pour faciliter l’identification du sens de l’écoulement. Pour ce faire, la ficelle
est maintenue de manière rectiligne de telle sorte qu’on la suive pas par pas avec la
partie mobile du GPS différentiel en enregistrant les points au carnet.

Figure 11: Points de passage et point d’intérêt du plan de vol autour du Barrage

Figure 12 : Pose des GCPs sur le terrain

 Pour le drone, on recharge les batteries avant d’aller sur le terrain. Puisque la
puissance des batteries devenait de plus en plus faible, on était obligés d’amener
sur le terrain une petite génératrice nous permettant de les recharger au besoin. Pour
la prise des photos, on a fait voler le drone de manière automatique en envoyant les
points de passage du Micro kopter au drone.
 31

3.2.4 Matériel utilisé

Sans certains matériels, la réalisation de ce travail ne serait pas possible. Nous
avons fait usage :

 D’un GPS différentiel

On a utilisé un GPS différentiel de marque Trimble type R6-4. Il est composé de
deux parties principales : une base qui, reliée à une radio (placée au pied de la base,
connectée à une batterie et au récepteur de base), une partie mobile munie d’un carnet
pour enregistrer les points.

 D’un drone
Le drone utilisé pour prendre les photos du site de Dubreuil suivant une scène bien
définie préalablement est un Microkopter Hexa KL.
 D’une Ficelle
La ficelle a été utilisée pour faire de l’alignement lors du levé des sections
transversales de la rivière ;

 Des Papiers blancs

Les feuilles blanches avec une représentation symbolique ont été utilisées pour la
pose des GCPs, pour faciliter leur identification lors du traitement des images.

3.3 PROCESSUS DE TRAITEMENT DES DONNEES

Ce processus regroupe l’ensemble des étapes qui, sur Metashape, ont permis de
trouver les extrants désirés (le MNT et l’ortho photo).

3.3.1 Sélection des images

Pour traiter les données collectées sur le terrain, nous avons procédé d’abord par
un prétraitement. Au cours duquel, on procède à un tri.

Les photos qui ont été prises au moment du décollage et de l’atterrissage du drone
sont mises dans un fichier appelé ‘’Photos supplémentaires’’.
 32

Pour ainsi dire, si on traitait les images sans enlever celles qui ne répondaient pas
aux critères de sélection on aurait eu plus d’erreurs dans les données à la sortie. De
plus, les images qui n’ont pas une qualité élevée ont été également enlevées. Exemple
d’images qu’on a enlevées :

Figure 13 : Image au décollage Figure 14 : Image à l'atterrissage

3.3.2 Traitement sur Metashape
Pour le traitement sur le logiciel, il est conseillé de créer un nouveau projet et
l’enregistrer avec les bons paramétrages :

 Importation des photos à traiter ;

 Choix du référentiel de travail (WGS84/UTM zone 18N (EPSG : 32618) ;
 Calibration de la caméra (dans notre cas, on a choisi le mode fisheye parce qu’on a
utilisé une caméra à grand angle) ;
 Insertion de la hauteur de vol ;
 Insertion des points de contrôle au sol.

Après s’être rassuré du bon paramétrage du logiciel, on a commencé le traitement

des photos.

3.3.3 L’alignement des photos

Cette étape consiste à aligner les photos tout en créant des nuages de points
clairsemés, pour le faire on va dans le menu traitement et dans la fenêtre déroulante on
choisit ‘’Aligner les photos’’.

Dans ce cas, plusieurs possibilités s’offrent à l’utilisateur concernant la précision

de cet alignement : Plus haute, Haute, Moyenne, Basse ou Plus basse. On a fait le choix
de la haute précision pour ne pas suréchantillonner les photos.
 33

Le nuage de points clairsemés (Figure 13) est créé spontanément après

l’alignement. C’est à partir de ce nuage de points qu’on va pouvoir faire les autres
étapes du processus de traitement.

Figure 15 : Alignement des photos

3.3.4 Placement des GCP sur Metashape
L’alignement prend fin, on va utiliser maintenant les points de contrôle au sol. On
les télécharge du fichier sur lequel ils ont été enregistrés, à partir de ‘’Référence’’. Il
faut savoir que chaque GCP doit être présent sur au moins 3 photos différentes pour
que la correspondance entre les photos puisse se faire. La figure (Figure 14) suivante
montre la répartition spatiale des GCP sur la scène après traitement.

Figure 16 : Répartition spatiale des GCPs sur la scène

 34

3.3.5 Génération du nuage de points dense

L’étape qui suit l’alignement et le placement des GCPs consiste à générer le
‘’Nuage de points dense’’ (Dense Point Cloud). Pour ce faire, on va dans le menu
traitement on choisit nuage de point dense. La fenêtre déroulante permet de choisir la
qualité ‘’Plus haute, Haute, Moyenne, Basse et Plus basse’’ et dans la section
‘’Avancé’’ le ‘’Filtrage de la profondeur’’ peut être ‘’Léger, Modéré et Agressif’’’.

C’est dans cette étape que la carte de profondeur de chacune des photos est
générée. Le nuage dense va permettre de générer le MNT et l’ortho photo.

Figure 17 : Nuage de points denses

3.3.6 Création des classes de points
Avant la construction du modèle, on doit créer une classe de terrain. Pour ce faire,
on crée des polygones sur le nuage de point dense tenant compte seulement du sol en
évitant de prendre certaines informations comme les arbres, l’eau, les bâtiments. Et,
c’est à partir de ces points que Metashape va faire l’interpolation pour la création du
MNT.
 35

Figure 18 : Classe de points de terrain

3.3.7 Génération du MNT
Le MNT est généré à partir du nuage de points dense. Ensuite, on construit la classe
de points et on choisit ‘’Terrain’’. On lance le processus et le MNT est généré.

Figure 19 : MNT résultants

3.3.8 Génération de l’ortho photo
L’ortho photo a été produite à partir du MNT. Il y a d’autres moyens de l’obtenir
mais qui ne sont pas mentionnés dans ce travail.
 36

Figure 20 : Orthophoto résultant

3.3.9 Extraction des altitudes du mnt sur qgis
Il faut savoir que tous les calculs qu’on fait après l’étape de génération du MNT
sont essentiellement basés sur la valeur Z (altitudes).

Cette dernière représente les données du DGPS, du MNT du CNIGS et du MNT

produit dans le cadre de ce travail.

Pour l’extraction de ces données, nous utilisons le logiciel Qgis comme outil avec
son extension GDAL qui permet de faire le jeu des données en utilisant les données
des sections et le MNT dans lequel on veut extraire le point.

3.3.10 Description du calcul du MAE, MSE et du RMSE

L’Erreur Quadratique Moyenne (MSE) est un indicateur qui prend en compte les
informations sur l’amplitude des écarts (Bennett et al., 2013). Une Erreur quadratique
Moyenne faible indique que la séquence d’erreurs est caractérisée à la fois par une
faible variance et une erreur moyenne réduite. Cet indicateur est compris dans cet
intervalle, MSE ∈ [0; +∞[ et plus le MSE tend vers 0, plus exacte est le modèle, soit
∑𝑛 ̂ 𝑖 −𝑦𝑖 )2
𝑖=1(𝑦
MSE = . Le calcul du RMSE découle directement du MSE en prenant sa
𝑛

racine carrée, soit RMSE = √𝑀𝑆𝐸.

 37

Le MAE est obtenu en faisant le rapport de la somme de la différence (données

d’observation et de validation) en valeur absolue par le nombre d’observation, soit
∑𝑛
1 |𝑦
̂ 𝑖 −𝑦𝑖 |
MAE = . Avec :
𝑛

 n : nombre d’observations (sans dimension) ;

 𝑦̂𝑖 : les données d’observation ;
 𝑦𝑖 : les données de validation.

Dans notre cas, les données d’observation sont représentées par les données du
MNT produit et les données du CNIGS, et celles de validation par les données de
référence du DGPS.
 38

4 RESULTATS ET DISCUSSION

On présente les résultats en faisant, sur les profils en long en travers, les profils
Aval 1, 2 et 3 l’analyse et la comparaison :

 Graphique qui donne une représentation des différentes altitudes ;

 Par une mesure numérique qui présente les calculs liés au MSE, au MAE et au
RMSE ;
 Visuelle qui compare la résolution des ortho photos du CNIGS et du Metashape.

Tout au long des analyses, le trait et les points en bleu représentent les données de
terrain, le trait et les points en orange les données du Metashape, le trait et les points
en gris les données du CNIGS.

4.1 ANALYSE ET COMPARAISON POUR LE BARRAGE

Au niveau du barrage, les analyses se font sur les profils en long et en travers.

4.1.1 Analyse et comparaison du profil en long

Pour la compréhension du graphique qui suit, cette photo présente le barrage. Sur
la Figure 21, la partie la plus élevée (121 mètres) correspond à la crête.

Crête

Figure 21 : Crête du Barrage

 39

 Superposition des données (terrain, Metashape et CNIGS)

Profil en long du seuil du Barrage

122
121
120

Altitude (m)
119
DGPS 118
Metashape 117
116
CNIGS
115
114
113
50 40 30 20 10 0
Distance (m)

Figure 22: Profil en long du seuil du barrage pour les données (DGPS,
Metashape et CNIGS)
La superposition des données nous montre que celles du CNIGS s’écartent
fortement des données de terrain et du Metashape, tandis qu’il y a peu de différence
entre les données de terrain et celles du Metashape.
L’écart entre les données de terrain et celles du CNIGS est aberrant, c’est ce qui
nous pousse à chercher les causes l’ayant provoqué en faisant ces deux hypothèses :
1) Le traitement des données a été fait par un organisme étranger qui ne connaissait
pas vraiment le site d’étude ;
2) Lors de la création des classes de terrain, on ne tenait pas compte des reflets émis
par le béton (Barrage).
Sur ce graphique la superposition des courbes suffit pour voir tout ce qui se passe
au niveau du profil en long du barrage. Mais pour quantifier les erreurs, on continue
avec les analyses en faisant la représentation graphique des biais, la comparaison des
altitudes, les calculs du MSE, du MAE et du RMSE.
 40

 Présentation graphique des biais

Représentation graphique des biais

1
Différence d'altitude (m) 0
114 115 116 117 118 119 120 121 122
-1

-2

-3

-4
CNIGS-DGPS Metashape-DGPS

Figure 23: Présentation graphique des biais du profil en long du barrage

Les données du CNIGS ont tendance, pour la majorité des points, à sous-estimer
les valeurs de référence (DGPS) tandis que les données du résultat obtenu ont tendance
à être proches des données de terrain et les résidus (différence d’altitude) sont presque
nuls. C’est-dire que les données du Metashape représentent mieux la réalité du terrain
que celles du CNIGS ou encore, les données du Metashape sont plus fidèles aux
données de terrain que celles du CNIGS.

[Link] Analyse et comparaison par mesure numérique

Le procédé de calcul du MSE, du RMSE et du MAE sont décrits dans la section
méthode de travail y relative.

 Calcul du MSE
Le calcul du MSE donne un écart de 0.0034 mètre entre les données de terrain et
les résultats du Metashape, et un écart de 3.0408 mètres entre les données du CNIGS
et celles de terrain.

Ce qui donne une différence d’environ 3.0374 mètres entre les données du
Metashape et celles du CNIGS. Ces scores statistiques permettent de voir que les
données des résultats obtenus sont plus proches de la réalité que celles du CNIGS.
 41

 Calcul du RMSE
Le RMSE pour le profil en long est de 0.0583 mètre entre le DGPS et le Metashape,
et est de 1.7438 mètres entre le DGPS et le CNIGS. Ce qui donne une différence de
1.6855mètres entre le CNIGS et le Metashape.

La valeur du RMSE étant faible, ce qui signifie que les données du Metashape
donneront de meilleurs résultats dans la modélisation des écoulements que les données
du CNIGS.

C’est-à dire que même si l’on change de site, le modèle du Metashape peut être
utilisé sans problème dans la production de données bathymétriques.

 Calcul du MAE
Le calcul du MAE pour le profil en long du seuil donne ces résultats entre le DGPS,
le CNIGS et le Metashape. Une valeur de 0.0489 mètre est obtenue pour le MAE entre
le Metashape et le DGPS, et une valeur de 1.2289 mètres est obtenue pour le MAE
entre le CNIGS et le DGPS. Ces scores permettent de voir que les données du
Metashape sont plus précises que celles du CNIGS.

Le tableau qui suit (Tableau 2) présente les valeurs de comparaison du MSE, du

RMSE et du MAE pour le CNIGS et le Metashape.

Tableau 2 : Présentation du MSE, du RMSE et du MAE pour le profil en long du

Barrage

MSE RMSE MAE

Metashape 0.0034 0.0583 0.0489

CNIGS 3.0408 1.7438 1.2289

4.1.2 Analyse et comparaison du profil en travers

Les mêmes analyses se font sur le profil en travers du barrage en présentant la
superposition des courbes, les biais et les calculs liés au MSE, au RMSE, et du MAE.
 42

 Superposition des données (DGPS, Metashape et CNIGS)

Profil en travers du Barrage

127
Altitude (m) 125

123

121

119
0 10 20 30 40 50 60
DGPS Metashape CNIGS

Figure 24: Profil en travers de la crête du barrage

En observant le graphique, on peut remarquer une superposition millimétrique
entre les données de terrain et les données du Metashape. Par contre, les données du
CNIGS s’écartent de celles du DGPS et se rapprochent du DGPS à environ 44 mètres
plus à droite. Encore une fois, le modèle Metashape représente mieux la crête du
barrage que les données officielles.

 Présentation des biais

Représentation graphique des biais

0.2
différence d'altitude (m)

0.1
0
120.95 121 121.05 121.1 121.15 121.2
-0.1
-0.2
-0.3
-0.4
-0.5
CNIGS-DGPS Metashape-DGPS

Figure 25: Présentation des biais pour le profil en travers du barrage

 43

Au niveau du profil en travers, les observations sont différentes de celles qu’on a

faites pour le profil en long. De ce fait, les données du CNIGS ont tendance à sous-
estimer les données de terrain sauf ses trois derniers points qui surestiment le DGPS.
Tandis que toutes les données du Metashape se positionnent autour de 0 sauf les trois
derniers points où Metashape surestiment un peu. Dans ce cas, les résultats du
Metashape sont plus précis que les données du CNIGS.

[Link] Comparaison par une analyse numérique pour la crête du barrage.

Le procédé de calcul du MSE, du RMSE et du MAE sont décrits dans la section
méthode de travail y relative.

 Calcul du MSE pour le profil en travers du barrage

Au niveau du profil en travers, les résultats s’améliorent pour les données du
CNIGS puisque le MSE est de loin plus petit que sur le profil en long. Un écart de
0.0039 mètre est obtenu entre le DGPS et le Metashape et un écart de 0.0678 mètre est
obtenu entre le DGPS et le CNIGS. Entre le Metashape et le CNIGS, une différence de
0.0639 mètre est obtenue.

Même si le MSE est diminué pour les données du CNIGS sur le profil en travers,
celles du Metashape restent plus précises.

 Calcul du RMSE
Le RMSE obtenu pour le profil en travers entre le DGPS et le Metashape est de
0.0628 mètre, et le RMSE entre le DGPS et le CNIGS est de 0.2603 mètre.

Le RMSE entre le DGPS et le Metashape est plus petit que celui entre le DGPS et
le CNIGS, dans ce cas les données du Metashape peuvent servir de modèle mieux que
celles du CNIGS. De plus, même si le site change le Metashape représentera mieux le
terrain que le CNIGS.

 Calcul du MAE pour le profil en travers du Barrage

Entre le DGPS et le Metashape le MAE est de 0.0484 mètre, et le MAE est de
0.2337 mètre entre le DGPS et le CNIGS. Une différence de 0.1853 mètre entre le
Metashape et le CNIGS est obtenue.
 44

Sur le profil en travers le MAE est diminué par rapport au profil en long pour les
données du Metashape, et en tenant compte de ces résultats les données du Metashape
restent de loin beaucoup plus précises que celles du CNIGS.

Tableau 3 : Présentation du MSE, du RMSE et du MAE pour le profil en travers du

Barrage.

MSE RMSE MAE

Metashape 0.0039 0.0628 0.0484

CNIGS 0.0678 0.2603 0.2337

4.2 ANALYSE ET COMPARAISON DU PROFIL EN TRAVERS DE LA SECTION AVAL 1

Sur le profil en travers, on reprend les mêmes analyses qu’on a faites pour le
Barrage. Elles se font par la superposition des courbes, par la présentation graphique
des biais. Plus loin, on fait une analyse par des calcul du MSE, du RMSE et du MAE.

 Superposition des courbes pour les données (DGPS, CNIGS et le Metashape)

Profil Section Aval 1
124
122
Altitudes (m)

120
118
116
114
112
110
0 10 20 30 40 50 60 70
DGPS Metashape CNIGS

Figure 26 : Superposition des courbes pour la section Aval 1

 45

La représentation graphique du profil en travers pour la section Aval 1 permet de

voir que les données du CNIGS s’écartent fortement des données du DGPS et du
Metashape, pourtant les données du DGPS et du Metashape sont quasi superposables
sauf un petit décalage au niveau de la berge droite.

Même si les données du DGPS et du Metashape sont superposables, il y a toujours

un écart entre elles que seuls les calculs numériques nous permettent de voir.

 Présentation graphique des biais

Figure 27 : Représentation graphique des biais pour la section Aval 1

Au niveau de la section Aval 1, les différences d’altitude sont de moins en moins
disposées autour d’une seule altitude. Entre le DGPS et le CNIGS les différences
d’altitude, pour la majorité des points, ne sont pas proches de 0, tandis qu’entre le
DGPS et le Metashape les différences d’altitude sont quasi nulles et les points sont
situés sur l’axe 0. De ce fait, les données du Metashape pour la section Aval 1 sont plus
fidèles aux données de terrain que celles du CNIGS. C’est- à dire que les données du
Metashape estiment mieux la réalité du terrain que les données du CNIGS.

4.2.1 Calcul du MSE, du RMSE et du MAE

Cette partie est réservée à la comparaison numérique entre les données du DGPS,
du CNIGS et du Metashape.
 46

 Calcul du MSE pour la section Aval 1

Les calculs du MSE pour le profil en travers de la section Aval 1 donnent 0.0160
mètre entre le DGPS et le Metashape, et 4.7320 mètres entre le DGPS et le CNIGS.

Ce qui donne une différence de 4.7160 mètres. L’écart entre le DGPS et le

Metashape est plus petit pour cette section qui est située juste après le Barrage. Ceci
montre que les données du Metashape sont beaucoup plus exactes que celles du
CNIGS.

 Calcul du RMSE pour le profil de la section Aval 1

Le calcul du RMSE donne 0.1270 mètre entre le DGPS et le Metashape, et 2.1750
mètres entre le DGPS et le CNIGS ce qui donne une différence de 2.0480 mètres entre
le Metashape et le CNIGS.

Le RMSE entre le DGPS et le Metashape va atteindre 0 plus vite que le RMSE

entre le DGPS et le CNIGS si on continue à affiner les données du Metashape. Ceci
dit, les données du Metashape peuvent servir de modèle mieux que les données du
CNIGS. C’est-à dire que même si la topographie change, le Metashape donnera de bons
résultats que le CNIGS.

 Calcul du MAE pour la section en travers Aval 1

Le calcul du MAE pour la section Aval 1 donne 0.0750 mètre entre le Metashape
et le DGPS, et 1.9480 mètre entre le DGPS et le CNIGS. Ce qui donne une différence
de 1.8730 mètres entre le CNIGS et le Metashape. Ceci dit, les données du Metashape
sont plus précises que celles du CNIGS.

Tableau 4 : Présentation du MSE, du RMSE et du MAE pour la section Aval 1

MSE RMSE MAE

Metashape 0.0160 0.1270 0.0750

CNIGS 4.7320 2.1750 1.9480

 47

4.3 ANALYSE ET COMPARAISON SUR PROFIL EN TRAVERS DE LA SECTION AVAL 2

Pour la section 2, les mêmes analyses vont encore suivre. Elles se feront par la
superposition des courbes et par représentation graphique des biais.

De plus, pour mieux comprendre ce qui se passe on fait une analyse numérique qui
tient compte du calcul du MSE, du RMSE et du MAE.

 Superposition des données (DGPS, du CNIGS et du Metashape).

Profil Section Aval 2

124
122
120
118
116
114
112
0 10 20 30 40 50 60
DGPS Metashape CNIGS

Figure 28 : Superposition des courbes pour les données du DGPS, du CNIGS et du

Metashape sur la section 2
La superposition des courbes sur le profil en travers de la section Aval 2 montre que
les données du CNIGS s’écartent fortement des données de terrain et des données du
Metashape jusqu’à environ 51 mètres plus à droite vers la berge droite où les données du
CNIGS se rapprochent des deux autres séries de données. Par contre, les données du
Metashape et du DGPS sont proches avec un petit écart observé surtout au niveau du lit
de la rivière.

L’écart entre le DGPS et le Metashape peut être dû soit à un manque de GCPsoit, au

moment de faire la classe de terrain, on n’a pas pris assez de points pour constituer ladite
classe de terrain.
 48

 Présentation graphique des biais

Représentation graphique des biais

3

Différence d'altitude (m)

2
1
0
112 114 116 118 120 122 124
-1
-2
-3
-4
CNIGS-DGPS Metashape-DGPS

Figure 29 : Représentation graphique des biais pour la section Aval 2

Les différences d’altitude entre le DGPS et le CNIGS sont éloignées de 0 pour la
majorité des points, tandis qu’elles sont très proches de 0 entre le DGPS et le Metashape.
Les données du Metashape estiment mieux la réalité du terrain que les données du CNIGS.
Par conséquent, les données du Metashape sont plus fidèles aux données de terrain que
les données du CNIGS.

4.3.1 Calcul du MSE, du RMSE et du MAE

L’analyse numérique au niveau du profil en travers de la section 2 permet de comparer
les données par le calcul du MSE, du RMSE et du MAE.

 Calcul du MSE pour la section Aval 2

Le calcul du MSE pour la section Aval 2 permet d’avoir un écart de 0.0186 mètre entre le
DGPS et le Metashape, et un écart de 1.1752 mètres entre le DGPS et le CNIGS. Ce qui
donne une différence de 1.1566 mètres.

L’écart entre le DGPS et le Metashape est relativement faible et les données du Metashape
sont plus exactes que celles du CNIGS pour cette section.
 49

 Calcul du RMSE pour la section Aval 2

Le calcul du RMSE pour la section Aval 2 donne 0.1363 mètre entre le DGPS et le
Metashape, et 1.0841 mètres entre le DGPS et le CNIGS. Ce qui donne une différence de
0.9478 mètre entre le Metashape et le CNIGS.

Etant que le RMSE n’est autre que la racine carrée du MSE, l’effet du décalage entre
le DGPS et le Metashape au niveau de la berge gauche l’affecte également.

Même si les conditions du milieu changent, les données du Metashape donneront des
écarts beaucoup plus petits par rapport au DGPS que les données du CNIGS par rapport
au DGPS.

 Calcul du MAE pour la section Aval 2

Au niveau du profil en travers de la section Aval 2, le calcul du MAE est de 0.1129
mètre entre le DGPS et le Metashape, et est de 0.9210 mètres entre le DGPS et le CNIGS.
Une différence de 0.8081 mètre entre le CNIGS et le Metashape.

Le MAE pour la section 2 augmente, mais les données du Metashape ont toujours une
précision plus élevée que les données du CNIGS.

Tableau 5 : Présentation du MSE, du RMSE et du MAE pour la section Aval 2

MSE RMSE MAE

Metashape 0.0186 0.1363 0.1129

CNIGS 1.1752 1.0841 0.9210

4.4 ANALYSE ET COMPARAISON SUR PROFIL EN TRAVERS DE LA SECTION AVAL 3

Pour la section 3, on fait les analyses suivant la même logique que les sections
précédentes. Elles se feront par la superposition des courbes et par la représentation
graphique des biais.

De plus, pour mieux comprendre ce qui se passe on fait une analyse numérique qui
tient compte du calcul du MSE, du RMSE et du MAE.
 50

 Superposition des données du DGPS, du CNIGS et du Metashape

Profil Section Aval 3

124
122
Altitude (m)
120
118
116
114
112
0 10 20 30 40 50 60 70
DGPS Metashape CNIGS

Figure 30 : Superposition des courbes pour les données du DGPS, du CNIGS et du

Metashape sur la section 3
La section 3 est différente de la section 2 pour les données du Metashape puisqu’elles
s’écartent un peu, au niveau de la berge gauche, des données de terrain mais se rapprochent
d’elles pour le reste de la section. Ceci peut être dû à un manque de GCP ou, lors de la
construction de la classe de terrain, la berge gauche n’était pas trop bien représentée. Mais
ce qui est important de remarquer, les données du Metashape se rapprochent mieux des
données de terrain. Pour les données du CNIGS, le constant n’est pas différent, elles
s’écartent encore une fois des données du Metashape et du DGPS. Sauf au milieu de la
rivière à environ 24 mètres de la berge gauche et 35 mètres de la berge droite où les trois
séries de données se superposent un peu.
 51

 Représentation graphique des biais pour la section Aval 3

Représentation graphique des biais

3

Différence d'altitude (m)

2
1
0
112 114 116 118 120 122
-1
-2
-3
-4
CNIGS-DGPS Metashape-DGPS

Figure 31 : Représentation graphique des biais pour la section Aval 3

La majorité des points se situent autour de l’altitude 114 mètres. Les différences d’altitude
pour le CNIGS s’écartent de 0 sauf pour 4 points, et les différences d’altitude pour le
Metashape sont très proches de 0 sauf 1 point qui est éloigné.

En dépit du décalage observé entre le DGPS et le Metashape au niveau de la section 3, les

données du Metashape restent plus fidèles au DGPS que les données du CNIGS. De ce
fait, les données du Metashape estiment mieux la réalité du terrain mieux que les données
du CNIGS.

4.4.1 Calcul du MSE, du RMSE et du MAE

Pour la section Aval 3, les calculs en rapport au MSE, au RMSE et au MAE permettent
de compléter l’analyse et la comparaison graphique qui ont été déjà faites.

 Calcul du MSE pour la section Aval 3

Le calcul du MSE pour la section Aval 3 est de 0.3227 mètre entre le DGPS et le
Metashape, et entre le DGPS et le CNIGS il est de 1.0647 mètres. Une différence de
0.7420 mètre entre le CNIGS et le metashape est obtenue.
 52

L’écart de 0.3227 mètre obtenu entre le DGPS et le Metashape est aussi grand à cause du
décalage au niveau de la berge gauche. Mais en dépit de ce décalage, les données du
Metashape restent plus exactes que celles du CNIGS pour cette section.

 Calcul du RMSE pour la section Aval 3

Le RMSE au niveau de la section Aval 3 est de 0.5681 mètre entre le DGPS et le
Metashape, et est de 1.0318 mètres entre le DGPS et le CNIGS. Ce qui donne une
différence de 0.4638 mètre entre le CNIGS et le Metashape.

L’écart entre le DGPS et le Metashape au niveau de la berge droite influence encore le

résultat du RMSE. Ce dernier est plus prcoche de 0 entre le DGPS et Metashape, ce qui
signifie que les données du Metashape peuvent servir de modèle mieux que celles du
CNIGS même si la situation topographique change.

 Calcul du MAE pour la section Aval 3

La section 3 présente des résultats pour le MAE légèrement plus petits par rapport à la
section 2. Entre le DGPS et le Metashape il est de 0.1919 mètre, et entre le DGPS et le
CNIGS il est de 0.7681 mètre. Ce qui donne une différence de 0.5762 mètre entre le
Metashape et le CNIGS.

Le CNIGS donne des résultats moins précis que le Metashape même si la section 3
présente un décalage plus prononcé entre le DGPS et le Metashape.

Tableau 6 : Présentation du MSE, du RMSE et du MAE pour la section Aval 3

MSE RMSE MAE

Metashape 0.3227 0.5681 0.1919

CNIGS 1.0647 1.0318 0.7681

4.5 ANALYSE ET COMPARAISON VISUELLES (COMPARAISON DES ORTHOPHOTOS)

Pour cette partie de comparaison, on prend l’ortho photo produite dans le cadre de
cette étude et celle du CNIGS à la même résolution (échelle : 1/602).
 53

On fait un zoom sur le barrage de manière à couvrir toute sa superficie et on a pu

remarquer sur l’ortho photo produite que le barrage apparait comme si on était sur le
terrain, pourtant sur l’ortho photo du CNIGS on ne peut même pas observer la forme
du barrage.

On pourrait augmenter encore l’échelle jusqu’à 1/100 et on continuerait à faire la

même observation avec notre ortho photo alors que celle du CNIGS présenterait une
dépixélisassion pour cette même échelle. Ce qui parait normal puisque l’ortho photo
produite a une résolution de 2.7 centimètres tandis que celle du CNIGS présente une
résolution de 50 centimètres.

Figure 32: Zoom à l’échelle de 1/602 sur l’Ortho photo du CNIGS

 54

Figure 33 : Zoom à l’échelle de 1/602 sur l’Ortho photo du Metashape

4.5.1 Discussion autour de l’hypothèse d’étude
Cette méthodologie est utilisée encore à Léogane et permet d’avoir des résultats
similaires à ceux qu’on a pour le site de Dubreuil. Ceci dit, on peut l’étendre sur tout
le pays et voir l’évolution tout en tenant compte des variations liées dans les processus
clés comme le placement des GCP sur Metashape.

En considérant l’instabilité du nombre de satellites lors de l’enregistrement des

points sur le terrain. Au moment de la collecte des données avec le DGPS, le nombre
de satellites n’était pas constamment identique en tous les points de mesure, ce qui veut
dire que l’hypothèse de travail est discutable en terme de précision pour ces cas.
 55

5 CONCLUSION ET RECOMMANDATIONS

Pour tout le pays, en particulier la localité de Dubreuil, il n’y a pas de suivi pour les
données topographiques et bathymétriques sur les principales rivières. Certaines fois,
même si des données existent pour une période bien définie, elles présentent des lacunes.
C’est dans ce sens, ce présent travail de recherche a permis de donner une réponse à ce
problème en ayant pour objectif de valider une méthodologie pour la construction de
modèle numérique de terrain et d’ortho photo pour ce dit site.

Le travail a été réalisé en comparant trois séries de données (DGPS, Metashape et

CNIGS) et le DGPS était pris comme référence. Plusieurs aspects de comparaison ont été
utilisés : graphiques, le MSE, le RMSE et le MAE pour la validation de la méthode et les
résultats.

De très bons résultats pour le Metashape par rapport au DGPS ont été mis en évidence.
La comparaison graphique nous a montré que les résultats du Metashape donnent une
meilleure estimation que les données du CNIGS et sont plus proches aux données
mesurées. Pour les calculs numériques, les résultats obtenus pour le Metashape sont plus
petits que ceux du CNIGS. A titre d’exemple, sur le profil en long et en travers du barrage,
les scores statistiques sont de loin bien meilleurs que les données officielles du CNIGS.
Le RMSE sur le profil en long donne une valeur de 0.0583 mètre entre le DGPS et le
Metashape, et une valeur de 1.7438 mètres a été également obtenue entre le DGPS et le
CNIGS. Sur le profil en travers, le RMSE donne 0.0628 mètre entre le DGPS et le
Metashape, et 0.2603 mètre entre le DGPS et le CNIGS. Pour la section Aval 1, le RMSE
entre le DGPS et le Metashape est de 0.1270 mètre, et a pour valeur 2.1750 mètres entre
le DGPS et le CNIGS. Pour la section Aval 2, le RMSE donne une valeur de 0.1363 mètre
entre le DGPS et le Metashape, et une valeur de 1.0841 mètres entre le DGPS et le CNIGS.
Pour la section Aval 3, le RMSE entre le DGPS et le Metashape est de 0.5681 mètre et,
est de 1.0318 mètres entre le CNIGS et le DGPS.

L’utilisation de ces trois paramètres nous a montré que quand on a la possibilité d’en
calculer plusieurs, il ne faut pas se contenter d’un seul pour mieux apprécier les résultats,
d’où l’utilisation du MSE, du RMSE et du MAE.
 56

Ces résultats nous montrent que partout sur le terrain, les données du Metashape
peuvent mieux servir de modèles que les données du CNIS. De ce fait, la
photogrammétrie par drone, moins couteuse, plus rapide à obtenir des résultats, par la
méthode Structure from motion, permet d’obtenir des MNT et des ortho photos de
qualité.

5.1 RECOMMANDATIONS
Par rapport à la méthodologie employée pour le travail et les résultats obtenus lors
du traitement des données, nous conseillons aux lecteurs et aux utilisateurs de :

 Utiliser avec réserves les données du CNIGS quand on n’a pas d’autres données
pour faire la comparaison ;
 Réaliser d’autres études de ce genre pour continuer à alimenter la base de données
topographique et bathymétrique du pays sur de longue durée en commençant par
Dubreuil ;
 Utiliser la photogrammétrie par drone pour suivre l’évolution morphologique des
rivières en Haïti.
 57

6 BIBLIOGRAPHIE

1- Aber J.S., Marzolff I. & Ries J.B., 2010. Small-format aerial photography.
Principles, techniques and geoscience applications. Chapter 3 - photogrammetry.
Amsterdam, The Netherlands: Elsevier.
2- Achour H., Rebai N., Van Den Driessche J. & Bouaziz S., 2012. Modelling
uncertainty of stream networks derived from elevation data using two free
softwares: R and saga. J. Geog. Inf. Syst., 4(2), 153-160.
3- Aerts J.C.J.H., Goodchild M.F. & Heuvelink G.B.M., 2003. Accounting for spatial
uncertainty in optimization with spatial decision support systems. Trans. GIS, 7(2),
211-230.
4- Agisoft Metashape User Manuel: professional Edition, version 1.6. 2020.
5- Aguilar F.J. et al., 2010. Modelling vertical error in lidar-derived digital elevation
models. ISPRS J. Photogramm. Remote Sens., 65(1), 103-110.
6- Akima H., 1978. A method of bivariate interpolation and smooth surface fitting for
irregularly distributed data points. ACM Trans. Math. Software, 4(2), 148-159.
7- Bemis, S. P., Micklethwaite, S., Turner, D., James, M. R., Akciz, S., Thiele, S. T.,
and Bangash, H. A. (2014). Ground-based and uav-based photogrammetry: A
multi-scale, highresolution mapping tool for structural geology and
paleoseismology. Journal of Structural Geology, 69 :163–178.
8- Brown J.D. & Heuvelink G.B.M., 2007. The data uncertainty engine (due): a
software tool for assessing and simulating uncertain environmental
variables. Comput. Geosci., 33(2), 172-190.
9- Burrough P.A. & McDonnell R.A., 1998. Principles of geographical information
systems. Oxford University Press.
10- Carter J.R., 1988. Digital representations of topographic surfaces. Photogramm.
Eng. Remote Sens., 54, 1577-1580.
11- Coveney S. & Fotheringham A.S., 2011. Terrestrial laser scan error in the presence
of dense ground vegetation. Photogramm. Rec., 26(135), 307-324.
12- Coveney S. & Fotheringham A.S., 2011. Terrestrial laser scan error in the presence
of dense ground vegetation. Photogramm. Rec., 26(135), 307-324.
 58

13- Dagnelie P., 2006. Statistique théorique et appliquée : inférence statistique à une
et à deux dimensions. Bruxelles : De Boeck.
14- Daniel C. & Tennant K., 2001. Chapter 12: DEM quality assessment. In: Maune
D., ed. Digital elevation model technologies and applications. The DEM users
manual. Bethesda, MD, USA: American Society for Photogrammetry and Remote
Sensing, 395-440.
15- Defourny, P. (2013). Bire2016 : Topométrie et photogrammétrie. Course notes.
16- Delbari M., Afrasiab P. & Loiskandl W., 2009. Using sequential gaussian
simulation to assess the field-scale spatial uncertainty of soil water
content. Catena, 79(2), 163-169.
17- DJI Entreprise. 2021. How to optimize the placement of your Ground Control
Points.
18- Emery X. & Arnaud M., 2000. Estimation et interpolation spatiale. Méthodes
déterministes et méthodes géostatistiques. Paris : Hermes Science Publications.
19- Fabris M. & Pesci A., 2005. Automated DEM extraction in digital aerial
photogrammetry: precisions and validation for mass movement monitoring. Ann.
Geophys., 48(6), 973-988.
20- Felicisimo A.M., 1994. Parametric statistical method for error detection in digital
elevation models. ISPRS J. Photogramm. Remote Sens., 49(4), 29-33.
21- Fisher P., 1991. First experiment in viewshed uncertainty: the accuracy of the
viewable area. Photogramm. Eng. Remote Sens., 57, 1321-1327.
22- Gehrke S. et al., 2010. Semi-global matching: an alternative to lidar for DSM
generation? Int. Arch. Photogramm. Remote Sens. Calgary, 38 (B1).
23- Goodchild M., Haining R. & Wise S., 1992a. Intergrating GIS and spatial analysis:
problems and possibilities. Int. J. Geog. Inf. System, 6(5), 407-423.
24- Goodchild M.F., Guoqing S.U.N. & Shiren Y., 1992b. Development and test of an
error model for categorical data. Int. J. Geog. Inf. Syst., 6(2), 87-103.
25- Goovaerts P., 1997. Geostatistics for natural ressources evaluation. New York,
USA: Oxford University Press.
26- Gruen A., 2012. Development and status of image matching in
photogrammetry. Photogramm. Rec., 27 (137), 36-57.
 59

27- Guarnieri A. et al., 2009. Retrieval of small-relief marsh morphology from

terrestrial laser scanner, optimal spatial filtering, and laser return
intensity. Geomorphology, 113(1-2), 12-20.
28- Hengl T. & Evans I.S., 2009. Mathematical and digital models of the land
surface. Geomorphometry Concepts Software Appl., 33, 31-63.
29- Hengl T., Gruber S. & Shrestha D.P., 2004. Reduction of errors in digital terrain
parameters used in soil-landscape modelling. Int. J. Appl. Earth Obs. Geoinf., 5(2),
97-112.
30- Hengl T., Heuvelink G.B.M. & Van Loon E.E., 2010. On the uncertainty of stream
networks derived from elevation data: the error propagation approach. Hydrol.
Earth Syst. Sci., 14, 13.
31- Heritage G.L., Milan D.J., Large A.R.G. & Fuller I.C., 2009b. Influence of survey
strategy and interpolation model on DEM quality. Geomorphology, 112 (3-4), 334-
344.
32- Heuvelink G.B.M., 1998. Error propagation in environmental modelling with GIS.
London: Taylor & Francis.
33- Hirano A., Welch R. & Lang H., 2003. Mapping from aster stereo image data:
DEM validation and accuracy assessment. ISPRS J. Photogramm. Remote
Sens., 57(5-6), 356-370.
34- Hirschmuller H., 2008. Stereo processing by semiglobal matching and mutual
information. IEEE Trans. Pattern Anal. Mach. Intell., 30(2), 328-341.
35- Hirschmüller H., Innocent P. & Garibaldi J., 2002. Real-time correlation-based
stereo vision with reduced border errors. Int. J. Computer Vision, 47(1-3), 229-246.
36- Höhle J. & Potuckova M., 2006. The euroSDR test “checking and improving of
digital terrain models”. Utrecht, The Netherlands: Gopher.
37- Huang Z. & Lees B., 2005. Representing and reducing error in natural resource
classification using model combination. Int. J. Geog. Inf. Sci., 19(5), 603-621.
38- J.B. Henry, Pierre Grussenmeyer, Jean-Philippe Malet, Olivier Maquaire.
Génération de MNT par photogrammétrie aérienne de petit format : application au
versant instable de Super-Sauze. Revue de l’Association Française de Topographie,
2001, pp.42-50. Publication. 2008.
 60

39- Jacques Butterlin. (1960). Géologie générale de la République d’Haïti. Edition de

l’IHEAL (Paris). 194-18-(3) p.
40- Jean-François M. Mesures topographiques par photogrammétrie à partir d’un drone
: application à la rivière Cavaillon en Haïti. Mémoire de master. 2016. 117 p.
41- Karl Kraus et Whalgausl, Peter. Manuel de photogrammétrie Principes et procédés
fondamentaux. Hermes science publication. 1997.
42- Kraus, K. and Waldhaeusl, P. 1998. Manuel de photogrammétrie, Traduction de P.
Grussenmeyer et O. Reis, Editions Hermès Paris, 407 p.
43- Kraus, K. and Waldhaeusl, P. 1998. Manuel de photogrammétrie, Traduction de P.
Grussenmeyer et O. Reis, Editions Hermès Paris, 407 p.
44- Küng O. et al., 2011. The accuracy of automatic photogrammetric techniques on
ultra-light UAV imagery. Int. Arch. Photogramm. Remote Sens. Spatial Inf.
Sci., 38-1(C22), 1-7.
45- Lane S.N., James T.D. & Crowell M.D., 2000. Application of digital
photogrammetry to complex topography for geomorphological
research. Photogramm. Rec., 16(95), 793-821.
46- Li J. & Heap A D., 2011. A review of comparative studies of spatial interpolation
methods in environmental sciences: performance and impact factors. Ecol.
Inf., 6(3-4), 228-241.
47- Li J. & Heap A.D., 2008. A review of spatial interpolation methods for
environment scientists. Geosci. Aust., 23.
48- Li Z., 1991. Effects of check points on the reliability of DTM accuracy estimates
obtained from experimental tests. Photogramm. Eng. Remote Sens., 57(10), 1333-
1340.
49- Li Z., Zhu Q. & Gold C., 2005. Digital terrain modelling - principles and
methodology. Boca Raton, FL, USA : CRC Press.
50- Lindsay J.B., 2006. Sensitivity of channel mapping techniques to uncertainty in
digital elevation data. Int. J. Geog. Inf. Sci., 20(6), 669-692.
51- Lowe et D. G. 2004. Distinctive image features from scale-invariant keypoints.
International journal of computer vision, 60(2) :91–110.
 61

52- Mairie des Chardonnières. 2018-2023. Plan Communal de Développement (PCD)

du département du Sud. 152p.
53- Micheletti, N., Chandler, J. H., and Lane, S. N. (2015b). Structure from motion
(sfm) photogrammetry. Geomorphological Techniques, pages 2047–0371.
54- Mitas L. & Mitasova H., 1999. Spatial interpolation. In: Longley P.A.,
Goodchild M.F., MaguireD.J. & Rhind D.W., eds. Geographical information
systems: principles, techniques, management and applications. John Wiley &
Sons, 481-492.
55- Mohamar Moussa Ouédraogo, Aurore Degré et Charles Debouche. Synthèse
bibliographique : le modèle numérique de terrain de haute résolution, ses erreurs et
leur propagation. BASE. 2014. n03. p 4.
56- Nelson A., Reuter H.I. & Gessler P., 2009. DEM production methods and
sources. In: Geomorphometry: concepts, software, applications. Dev. Soil Sci., 33,
65-85.
57- Niewinski M., 2004. Distributed Monte Carlo simulation of a dynamic expansion
system. Vacuum, 73(2), 257-261.
58- Oksanen J. & Sarjakoski T., 2005. Error propagation of DEM-based surface
derivatives. Comput. Geosci., 31(8).
59- Paul R. Wolf, Bon A. Dewitt, Benjamin E. Wilkinson. Elements of
photogrammetry in application in Gis. Fourth edition. McGraw-Hill Education.
2014.
60- Peucker T.K., Fowler R.J., Little J.J. & Mark D.M., 1978. The triangulated
irregular network. In: Proceedings of the Digital Terrain Models Symposium, 9-11
May 1978, St. Louis, Missouri. Bethesda, MD, USA: American Society of
Photogrammetry/American Congress on Surveying and Mapping, 516-540.
61- Pike R.J., 2002. A bibliography of terrain modelling (geomorphometry), the
quantitative representation of topography-supplement 4.0. Open-file report 02-
465. Reston, VA, USA: U.S. Geological Survey.
62- Scharstein D. & Szeliski R., 2002. A taxonomy and evaluation of dense two-frame
stereo correspondence algorithms. Int. J. Comput. Vision, 47(1-3), 7-42.
 62

63- Schenk, T. (2005). Introduction to photogrammetry. The Ohio State University,

Columbus.
64- Schneider, B., 2000. On the uncertainty of local form of lines and surfaces.
Cartography and Geographic Information Science, 28 (4), 237–247.
65- Temme A.J., Heuvelink G.B.M., Schoorl J.M. & Claessens L., 2009. Geostatistical
simulation and error propagation in geomorphometry. In: Hengl T. & Reuter H.I.,
eds. Geomorphometry: concept, software, applications. Developments in soil
science, 33. Amsterdam: Elsevier, 121-140.
66- Timothée Cognard. (2017). Les distorsions. Edition Focus Numérique.
67- Ukkonen T., Rousi T., Oksanen J. & Sarjakoski T., 2008. Distributed error
propagation analysis for automatic drainage basin delineation. In: Proceeding of
the 8th International symposium on spatial accuracy assessment in natural
resources and environmental sciences, June 25-27, Shanghai, P.R. China, 126-133.
68- Wallis C. et al., 2009. Hydrologic terrain processing using parallel
computing. In: Proceedings of the 18th world IMACS Congress and MODSIM09
International Congress on Modelling and Simulation, 2009, 13-17 July, Cairns,
Australia.
69- Webster R. & Oliver M.A., 2007. Geostatistics for environmental scientists. 2nd ed.
Chichester, UK: John Wiley & Sons.
70- Wechsler S.P., 2007. Uncertainties associated with digital elevation models for
hydrologic applications: a review. Hydrol. Earth Syst. Sci., 11, 1481-1500.
71- Zabih R. & Woodfill J., 1994. Non-parametric local transforms for computing
visual correspondence. In: Eklundh J.-O., ed. Computer vision – ECCV '94.
Vol. 801. Berlin, Heidelberg: Springer, 151-158.