ESJ Natural/Life/Medical Sciences Peer-reviewed

Estimation de la densite des ligneux avec des images drones

dans les ecosystemes Saheliens du Senegal
Ramata Talla
Diara Sylla
Ndiabou Faye
Moustapha Bassimbé Sagna
Département Biologie végétale
Université Cheikh Anta Diop de Dakar, Dakar-fann, Senegal
Observatoire Homme-Milieux international de Tessékéré, CNRS
Université Cheikh Anta Diop de Dakar, Senegal
Aly Diallo
Observatoire Homme-Milieux international de Tessékéré, CNRS
Université Cheikh Anta Diop de Dakar, Senegal
Département d’agroforesterie
Université Assane SECK de Ziguinchor, Diabir-Ziguinchor, Senegal
Oumar Sarr
Département Biologie végétale
Université Cheikh Anta Diop de Dakar, Dakar-fann, Senegal
Aliou Guisse
Département Biologie végétale
Université Cheikh Anta Diop de Dakar, Dakar-fann, Senegal
Observatoire Homme-Milieux international de Tessékéré, CNRS
Université Cheikh Anta Diop de Dakar, Senegal

Doi:10.19044/esj.2025.v21n30p154

Submitted: 05 June 2025 Copyright 2025 Author(s)

Accepted: 03 October 2025 Under Creative Commons CC-BY 4.0
Published: 31 October 2025 OPEN ACCESS

Cite As:
Talla, R., Sylla, D., Faye, N., Sagna, M.B., Diallo, A., Sarr, O. & Guisse, A. (2025).
Estimation de la densite des ligneux avec des images drones dans les ecosystemes Saheliens
du Senegal. European Scientific Journal, ESJ, 21 (30), 154.
[Link]

Résumé
Les avancées récentes des drones et du traitement des données
permettent aujourd’hui de produire des images hautes résolution et des
modèles 3D utiles pour évaluer les attributs des arbres. Cette étude a été menée

[Link] 154
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

à Widou thiengoly dans la localité du Ferlo, Nord du Sénégal, avec comme

objectif général d’appliquer une approche photogrammétrique pour la mesure
de la densité des tiges (tiges/ha) avec des images drones. Une méthode de
l’approche arbre basée sur un modèle numérique de hauteur d'une zone d'étude
de 10 hectares a été mise en œuvre, ce modèle a été construit à partir d'images
obtenues par des drones. Au total, 92 arbres de référence ont été comptés dans
le cadre de cette étude et l'algorithme a détecté 75 arbres, ce qui donne une
précision supérieure à 90 % (score F de 0,93). Dans l'ensemble, l'algorithme a
manqué 10 arbres (erreurs d'omission) et a faussement détecté 3 arbres (erreurs
de commission), ce qui donne un compte total de 88 arbres. Cette étude
suggère que l'algorithme de filtrage des maxima locaux combiné avec des
tailles de fenêtre optimale, appliqués sur un Modèle Numérique de Hauteur
construit par photogrammétrie est capable d’effectuer des comptages d'arbres
avec une précision acceptable (F > 0,90) dans la zone sahélienne.

Mots-clés: Drone, densité, écosystèmes, Sahel, Sénégal, Ferlo

[Link] 155
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Estimation of Woody Plant Density Using Drone Imagery in

the Sahelian Ecosystems of Senegal
Ramata Talla
Diara Sylla
Ndiabou Faye
Moustapha Bassimbé Sagna
Département Biologie végétale
Université Cheikh Anta Diop de Dakar, Dakar-fann, Senegal
Observatoire Homme-Milieux international de Tessékéré, CNRS
Université Cheikh Anta Diop de Dakar, Senegal
Aly Diallo
Observatoire Homme-Milieux international de Tessékéré, CNRS
Université Cheikh Anta Diop de Dakar, Senegal
Département d’agroforesterie
Université Assane SECK de Ziguinchor, Diabir-Ziguinchor, Senegal
Oumar Sarr
Département Biologie végétale
Université Cheikh Anta Diop de Dakar, Dakar-fann, Senegal
Aliou Guisse
Département Biologie végétale
Université Cheikh Anta Diop de Dakar, Dakar-fann, Senegal
Observatoire Homme-Milieux international de Tessékéré, CNRS
Université Cheikh Anta Diop de Dakar, Senegal

Abstract
Recent advances in drone technology and data processing now make it
possible to generate high-resolution images and 3D models that are useful for
assessing tree attributes. This study was conducted in Widou Thiengoly, in the
Ferlo area of northern Senegal, with the overall objective of applying a
photogrammetric approach to measure stem density (stems/ha) using drone
imagery. A tree-based method was implemented on a Digital Height Model
covering a 10-hectare study area, constructed from drone images. In total, 92
reference trees were counted during the study, and the algorithm detected 75
trees, resulting in an accuracy above 90% (F-score of 0.93). Overall, the
algorithm missed 10 trees (omission errors) and falsely detected 3 trees
(commission errors), giving a total count of 88 trees. This study suggests that
the local maxima filtering algorithm, combined with optimal window sizes
and applied to a photogrammetrically derived Digital Height Model, can
perform tree counts with acceptable accuracy (F > 0.90) in the Sahelian zone.

[Link] 156
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Keywords: Drone, density, ecosystems, Sahel, Senegal, Ferlo

Introduction
Les arbres jouent un rôle très important dans la conservation des eaux,
des sols et de la biodiversité par leurs fonctions agro écologiques (Isaac, 2024).
Ils constituent un élément crucial pour le fonctionnement de l’écosystème, et
ont des impacts non négligeables sur les cycles biogéochimiques, en
particulier ceux de l’eau et du carbone (Diallo et al., 2011 ; Ndiaye et al.,
2013).
A l’heure actuelle, les politiques forestières visent à assurer la gestion
durable des forêts en conciliant les fonctions économiques, sociales et
écologiques. Cependant, la planification forestière est une activité complexe
qui doit tenir compte des différents niveaux d’échelle (arbre individuel,
peuplement, paysage), des différents niveaux d'intervention (stratégique,
opérationnel) et des différents objectifs (récolte, biodiversité, modélisation des
feux de forêt, etc.) (Bergseng et al., 2015). Cette complexité, liée à la
multiplicité des échelles et des objectifs à concilier, impose le recours à de
nouvelles méthodologies pour les programmes d’inventaires forestiers (White
et al., 2015). Afin d’œuvrer pour la gestion durable de l’écosystème forestier
et réussir la planification forestière, le gestionnaire doit disposer d’un panel
d’informations caractérisant l’ensemble de la forêt (Leclère et al., 2018). Ces
informations devraient être précises, peu couteuses, géo localisées, à large
échelle et renouvelables et doivent renseigner sur la composition de la forêt,
son potentiel récréatif et, son potentiel de production en bois.
Grâce à la photogrammétrie, l’acquisition d’images aériennes
multispectrales à très haute résolution (précision décimétrique voire
centimétrique) (Lisein et al., 2013) permet la production d’ortho-images et de
données 3D (Dandois et al., 2013). Cette technique constitue ainsi avec les
drones, une solution intéressante étant donnée leur coût réduit, leur flexibilité
opérationnelle, leur capacité à voler sous la couverture nuageuse et à produire
des images de très haute résolution, de l’ordre du centimètre par pixel. Le
traitement de ces images grâce aux techniques photogrammétriques de S-f-M
« Structure from motion » (Agisoft LLC. 2014) nécessitant peu d’expertise, a
permis des applications dans le domaine forestier (Tang and Shao, 2015) ;
(Lisein et al., 2013). L’évolution récente de ces techniques ouvre de nouvelles
possibilités pour la caractérisation géométrique des houppiers ou de la canopée
des forêts tropicales et permet de calculer avec une grande précision la
canopée et la hauteur de chaque arbre d'une forêt et donc d’estimer la densité
de cette dernière. Ces possibilités permettraient de remplacer les mesures de
terrain fastidieuses et souvent peu précises.

[Link] 157
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Ainsi, pour estimer avec précision la densité des arbres, surtout pour
les arbres de petite taille, l’utilisation de résolutions spatiales plus élevées
(images drone) que celles généralement obtenues à partir d’images satellitaires
est souvent recommandée (Clark et al., 2004) ; (Read et al., 2003). Les
applications pionnières des drones en forêt tropicale ont porté sur l’estimation,
à l’échelle des parcelles, des paramètres de la structure forestière en utilisant
des indices de télédétection dérivés du MNS (Messinger et al., 2016) ; (Ota et
al., 2015) et, dans quelques cas rares, d’ortho-images (Bourgoin et al., 2020).
Davantage d’études sont donc nécessaires pour explorer le potentiel des
drones et des ortho-images pour la caractérisation de la ressource forestière,
notamment à l’échelle de l’arbre. Afin de combler ces limites, notre étude
s’appuie sur des paramètres dendrométriques mesurés sur le terrain pour
calibrer et valider une approche par photogrammétrie appliquée aux images
drones, en vue de caractériser la structure des arbres et d’estimer leur densité
à l’échelle de la parcelle.
Cette étude a été menée dans une savane arbustive à arborée de
structure simple, c'est- à dire homogène constituée que par quelques espèces
bien connues au sahel. L’objectif général de ce travail est de caractériser le
taux de détection des arbres en stéréo et donc la mesure de la densité des tiges
(tiges/ha).

Matériel et méthodes
Plan d’échantillonnage et données d’inventaires sur le terrain
Base de sondage et choix du site d’étude
Avant de se rendre sur le terrain, un site de 100 ha a été préalablement
sélectionné sur base de Google Earth Satellite (Google, 2015). Ce site a été
géolocalisé (les quatre cotés) à partir de cartes issues de l’image satellites sur
Google Earth. Les coordonnées géographiques de chacun de ces points sont
prises depuis le laboratoire et insérées dans le GPS (Figure 1).
La sélection de la zone d'échantillon a été effectuée de manière à
représenter la variabilité de la densité forestière retrouvée dans ces milieux.
Le choix de ce site se justifie par l’abondance des deux espèces ligneuses :
Boscia senegalensis (Pers.) Lam. ex Poir et Balanites aegyptiaca (L.) Delile
prises en compte dans cette étude.

[Link] 158
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Figure 1 : Site d’étude

Données d’inventaires sur le terrain

Une étude de terrain a été réalisée afin de recueillir les informations
réelles sur les arbres. Une placette de 10 ha a été choisie et un échantillonnage
intégral y a été effectué (Iizuka et al., 2018). L’identification botanique des
individus a été réalisée en suivant la nomenclature de l’APG IV (Angiosperm
Phylogeny Group IV, 2016). Seuls les individus dont le diamètre à la base était
supérieur ou égal à 3,5 cm ont été pris en compte. Des mesures
dendrométriques ont ensuite été effectuées. Les paramètres biophysiques
collectés pour chaque arbre incluent : les coordonnées géographiques, le
diamètre à hauteur de poitrine (DHP), la hauteur totale (H), les deux diamètres
du houppier mesurés selon des orientations fixes (Nord–Sud et Est–Ouest),
ainsi que l’état sanitaire de l’arbre (vivant ou mort).

[Link] 159
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Acquisition des images drone

Matériel
Un drone à voilure DJI – Phantom 4 Pro+ (Version UE) a été utilisé
pour cette étude (figure 2). Il est équipé d’une nacelle vidéo 4K en version
Black Edition noir mat (figure 2) et d’un capteur CMOS produisant des images
de 12 millions de pixels (4000 x 3000) dans les bandes spectrales rouge, verte
et bleue. Le Phantom 4 pro pèse 1388g (moins de 2 kg) pour 1 mètre
d’envergure et est doté d’une propulsion électrique propulsant l’appareil à une
vitesse maximum de 72 km/h. Phantom 4 pro peut voler à une altitude
maximum de 6000 m au-dessus du niveau de la mer. Son temps de vol
approximatif est de 30 minutes ([Link] consulté
le 20 avril 2020). Les vols sont entièrement automatisés, du décollage à
l’atterrissage (atterrissage sur le ventre). Son système de pilote automatique
est équipé d’une centrale inertielle (gyroscopes et baromètre) ainsi que d’un
GPS atteignant une précision de quelques mètres
([Link] consulté le 20 avril 2020).

Figure 2 : Drone DJ Phantom 4 Pro

Méthodes
Collecte de données
La préparation de la prise de vue aérienne a été effectuée avec une
station de contrôle au sol en définissant les paramètres de vol suivants :
délimitation de la zone rectangulaire à couvrir, hauteur de vol (entre 100 et
750 mètres au-dessus du niveau du sol), recouvrement des images (le
recouvrement latéral étant de même valeur que le recouvrement longitudinal),
ainsi que la direction et le sens du décollage et de l’atterrissage.
Les plans de vol ont été programmés avant le départ pour la mission
de terrain avec l’application mobile Pix4Dcapture (Pix4D SA, Lausanne,
Suisse) sur iPad Air (iPadOS 13.1.1, Apple Worldwide Developers
Conference). Les vols se sont déroulés au mois d’août et ont débuté chaque

[Link] 160
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

jour à 10h00 GMT+2 afin de limiter les effets d’ombrage, dans des conditions
météorologiques optimales (ensoleillement stable et élévation solaire
suffisante).
Le drone a décollé à partir du point de contrôle au sol situé au centre
du dispositif. La hauteur du premier vol a été fixée à 50 mètres, soit environ
30 mètres au-dessus de la végétation dominante du site (savane arborée avec
des arbres de 3 à 6 m de hauteur en moyenne). Cette hauteur a été choisie afin
d’augmenter la résolution spatiale des images tout en assurant un bon
appariement (Pix4D, 2019 ; Dandois et al., 2015 ; Fraser and Congalton, 2018
; Thibaut, 2019).
La zone couverte en stéréoscopie représentait plus de 100 ha pour
chaque parcelle. Afin d’assurer une bonne corrélation pour la génération d’un
modèle numérique de surface (MNS) de qualité, un recouvrement d’images de
70 % a été appliqué, aussi bien longitudinalement que latéralement.

Traitement photogrammétrique des images

Les photos collectées (3048 photos) ont été traitées avec le logiciel de
modélisation 3D Agisoft (Metashape) Version 1.6.2 build 10247 (Agisoft
LLC, Saint-Pétersbourg, Russie) qui est utilisable sur les systèmes
d'exploitation : Microsoft Windows; Linux; macOS (Agisoft LLC, 2018).
Agisoft Metashape Pro est un logiciel de traitement
photogrammétrique automatisé d’images numériques. Il génère
automatiquement des nuages de points denses classifiables et des modèles
polygonaux texturés en 3D. Le logiciel permet aussi de produire des
orthomosaïques géoréférencées, des modèles numériques de surface (MNS),
de terrain (MNT) et de hauteur (MNH), ce dernier étant également appelé
modèle numérique de canopée (MNC) (Agisoft LLC, 2014).Les données
générées peuvent être traitées et interprétées directement dans Metashape ou
intégrées dans des Systèmes d’Information Géographique (SIG). Ce
programme est utilisé dans le cadre d’autres études (Gonçalves et Henriques,
2015) ; (Panagiotidis et al., 2017).
Pour la création d’orthomosaïques géoréférencées, de modèles
numériques de surface (MNS), de modèles numériques de terrain (MNT) et de
modèles numériques de Hauteur (MNH), le processus complet de traitement
photogrammétrique est divisé en plusieurs étapes :
(a) alignement automatique et manuel des photos ; (b) placement guidé
des GCP ; (c) optimisation sur base des positions relatives des photos et
actualisation sur base des positions des GCP afin de géoréférencer au mieux
le modèle ; (d) construction du nuage de points dense ; (e) classification des
points sols ; (f)-(g)-(h) génération des MNT, MNS et orthomosaïque. La
classification des points sols est basée sur l’algorithme progressif TIN.
L’algorithme nécessite qu’on lui précise trois paramètres : i) maximum angle

[Link] 161
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

(deg), ii) distance maximale (m), et iii) taille de la cellule (m). Le premier fixe
une limite d’angle entre le MNT et la courbe reliant le point d’intérêt à un
point de la classe sol ; le deuxième fixe une distance maximale entre le point
d’intérêt et le MNT ; le dernier correspond à la taille des cellules du processus
de classification des points sol et constitue l’étape préparatoire de cette
classification (Agisoft LLC, 2018).
Un Modèle Numérique de Hauteur (MNH) a été produit en soustrayant
le Modèle Numérique de Terrain au Modèle Numérique de Surface (MNS –
MNT = MNH) (Lisein et al., 2013) ; Ce modèle fournit des informations sur
la hauteur des objets se trouvant au-dessus de la surface du sol.
Le MNS représente la hauteur des éléments naturels de la surface, et
le MNT est une représentation mathématique de la surface du sol qui contient
les données d'élévation du terrain sous la forme d'une grille rectangulaire dans
laquelle une valeur d'élévation unique est attribuée à chaque pixel (Lisein et
al., 2013).

Détection automatique des arbres individuels

Il est important d'obtenir un décompte d’arbres le plus précis possible,
car plusieurs variables forestières en dépendent (densité, biomasse, surface
terrière, etc.) (Pouliot et King, 2005).
Cette partie a été réalisée suivant une méthodologie basée sur l’article
de (Mohan et al., 2017). Elle consiste en un quadrillage de la zone d’étude,
chaque carré faisant 25 m de côté et 10% de ses carrés ont été sélectionnés de
manière aléatoire.
Au sein de chacun d’eux, le nombre de houppiers visibles a été compté
sur base de l’orthomosaïque et du MNH. Ensuite, une approche de détection
des arbres individuels (approche arbre, Individual Tree Detection (ITD)) a été
faite afin d’isoler les apex des arbres. Cette approche passe par un algorithme
matriciel d’identification filtrant les maxima locaux (Thibaut, 2019). Les
paramètres d'établissement des maxima locaux ont été déterminés à l'aide de
l’outil de statistiques filtre-focal dans ArcGIS version 10.4.1. Ce filtre
morphologique est choisi pour identifier la valeur du pixel la plus élevée sur
la cime de l'arbre à partir du MNH (Navarro et al., 2019). Le nombre de
maxima détecté dans chaque carré issu de la sélection aléatoire a été relevé
pour chaque itération. Pour chaque carré et chaque itération, une comparaison
entre le nombre d’arbres comptés manuellement et le nombre d’arbres détectés
par l’algorithme a été faite.
Cependant, il est possible que l’algorithme de détection des maxima
locaux détecte des apex d’arbres qui ne le sont pas (FN pour false négative,
erreur d’omission) et ne détecte pas des apex d’arbres alors qui le sont (FP
pour false positive, erreur de présence). Les arbres correctement détectés sont

[Link] 162
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

considérés comme des vrais positifs (TP pour true positive) (Mohan et al .,
2017).
A la manière de l’étude de (Mohan et al., 2017), pour la taille de fenêtre
optimale, trois paramètres ont été calculés pour évaluer la performance de la
détection des apex des arbres sur la base d’un algorithme de détection des
maxima locaux appliqués au MNH :
● le rappel (recall, r),
● la précision (precision, p) et
● le score F (F-score, F)

Selon les équations suivantes :

𝑇𝑃
𝑟=
𝑇𝑃 + 𝐹𝑁
𝑇𝑃
𝑝=
𝑇𝑃 + 𝐹𝑃
𝑟∗𝑝
𝐹 =2∗
𝑟+𝑝

Le paramètre F correspond à la moyenne harmonique entre r et p et va

renseigner sur la précision globale de l’algorithme. r informe sur la mesure de
la détection à proprement parlé et p sur la mesure des arbres correctement
détectés. Ensuite, un shapefile représentant les positions des pixels de
proximité a été généré en fichiers .txt en utilisant le logiciel ArcGIS version
10.4.1 (ESRI, Redlands, CA, USA), et chaque arbre a été marqué avec un
numéro d'identification unique.

Estimation du nombre d’arbres individuel

Une méthode itérative a été effectuée basée sur la méthodologie de
(Mohan et al., 2017) afin de comparer le nombre d’arbres détectés par
l’algorithme et ceux comptés visuellement sur la base de l’orthomosaïque et
sur le terrain. Afin d'évaluer les performances de l'algorithme de détection
maximale locale, le taux de rappel, la précision et le score F ont été calculés.
Bien qu'une grande surface ait été générée (couvrant toute la parcelle), les
arbres échantillonnés individuellement provenaient d'une surface relativement
plus petite (10 ha) ; par conséquent, les zones d'intérêt ont été extraites pour
une analyse plus approfondie (figure 3).

[Link] 163
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Figure 3 : Zone extraite pour l’analyse

Résultats
Génération des modèles photogrammétriques orthomosaïques
géoréférencées, de modèles numériques de surface (MNS), de modèles
numériques de terrain (MNT) et de modèles numériques de Hauteur
(MNH)
L’orthomosaïque, générée à partir de 3 048 clichés collectés sur le site
(figure 4), présente une résolution de 1,17 cm, tandis que celle du modèle
numérique de surface (MNS) atteint 1,28 cm. Il s’agit d’une
orthophotographie aérienne ou drone, géoréférencée et produite par
photogrammétrie, couvrant une superficie d’environ 600 × 600 m. Elle permet
de distinguer avec précision la végétation arborée et herbacée et met en
évidence la répartition spatiale des ligneux, généralement isolés, de densité
faible à moyenne et disposés de manière hétérogène.

[Link] 164
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Figure 4 : Orthomosaïque géoréférencée de la zone d’étude

Les modèles numériques de surface, de terrain et de hauteur (MNS,

MNT et MNH) issus de la reconstruction photogrammétrique des images
acquises par drone sont illustrés à la planche 1. Le MNS permet de voir le
relief avec la végétation, le MNT restitue uniquement la topographie du sol, et
le MNH révèle la structure et la distribution en hauteur de la végétation
ligneuse.

[Link] 165
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Planche 1 : (a) Modèle Numérique de Surface (b) Modèle Numérique de terrain et (c)
Modèle Numérique de Hauteur pour site A. La hauteur maximale est de 17m

[Link] 166
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Performances de l’algorithme
Les performances de l’algorithme, présentées dans le tableau I,
révèlent une valeur globale de corrélation r de 0,97 (variant entre 0,85 et 1) et
une précision p de 0,90 (comprise entre 0,72 et 1). Sur les 92 arbres de
référence, 81 % ont été correctement détectés, tandis que 10 arbres ont été
omis et 3 ont été identifiés à tort, indiquant que la sous-détection reste plus
marquée que la sur-détection.
Tableau I : Résultats de l'évaluation de la précision de détection d'arbres individuels pour
une taille de fenêtre sélectionnée (23 pixels × 23 pixels) sur les 16 carrés de 25 m de côté.
Num N N algo TP FP FN r p F
12 5 4 4 1 0 1 0,8 0,88
22 5 4 4 1 0 1 0,8 0,88
38 7 6 6 1 0 1 0,85 0,92
59 2 2 2 0 0 1 1 1
63 3 3 0 0 0 1 1 1
72 12 13 8 3 1 0,88 0,72 0,8
86 5 3 3 0 0 1 1 1
88 7 6 6 0 1 0,85 1 0,92
92 14 14 13 1 1 0,92 0,92 0,92
96 4 3 3 1 0 1 0,75 0,85
99 2 2 2 0 0 1 1 1
105 4 4 4 0 0 1 1 1
123 5 4 4 1 0 1 0,8 0,88
132 7 7 7 0 0 1 1 1
154 7 6 6 1 0 1 0,85 0,92
159 3 3 3 0 0 1 1 1
Totale 92 88 75 10 3 0,97 0,90 0,93
Les faux positifs (FP), les faux négatifs (FN), les vrais positifs (TP), le rappel (r), la précision
(p) et le score F (F) pour une taille de fenêtre de 25m *25 m et chaque carré d’identifiant ID
; où N est le nombre d’arbres comptés visuellement et N algo le nombre d’arbres détectés par
l’algorithme.

La densité d'arbres observée et calculée dans la zone d'étude à partir

du modèle numérique de hauteur est de 8,8 arbres par hectare. Les résultats
les plus précis ont été obtenus principalement dans des sous-parcelles d'essai
allant de 3,2 à 14 arbres par ha. En moyenne, 81 % des arbres ont été détectés
correctement, avec des erreurs de commission et d'omission limitées à 3 % et
10 % respectivement, avec un score F de 0,93. En revanche, l'algorithme n'a
détecté que 0,66% des arbres dans la sous-parcelle 72 avec un score F de 0,8.
La commission associée et les erreurs d'omission étaient respectivement de
8,3 % et 25 % (Planche 2).

[Link] 167
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Planche 2 : Détection d'arbres individuels à partir d'un modèle de hauteur de la canopée

(CHM) dérivé d'un drone

Points rouges représentent les cimes des arbres détectées dans la zone d'étude au niveau du
peuplement (A), et au niveau de la placette (placette 72) (B).

Discussion
Durant la dernière décennie, de nombreuses études ont souligné le
potentiel de la technologie de télédétection en foresterie (Mohan et al., 2017).
Grâce à leur faible coût et à leurs performances rapides par rapport aux
méthodes traditionnelles, les drones ont été utilisés pour estimer le nombre
d'arbres, les hauteurs et les dimensions des canopées (Sadhasivam et al., 2019

[Link] 168
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

; Thibaut, 2019 ; Mohan et al., 2017 ; Zarco-Tejada, 2014 ; Puttock et al., 2015
; Wallace et al., 2014).
Dans le cas de notre étude, l’algorithme utilisant le MNH pour
identifier les maxima locaux a permis d’atteindre une précision de 81 % (75
arbres détectés sur 92), avec un score F de 0,93. Cette performance peut être
expliquée par la qualité de l’orthomosaïque obtenue dans des conditions
météorologiques optimales (ciel dégagé, absence de vent) (Dandois et al.,
2015), ainsi que par la structure relativement simple des formations végétales
du Ferlo. La sous-détection (10 %) observée s’explique par la présence
d’arbres de petite taille aux houppiers peu distincts, souvent masqués par des
arbres voisins plus grands (Lim et al., 2015). À l’inverse, les cas de sur-
détection (3 %) résultent de confusions dans la segmentation des houppiers.
Les résultats obtenus sont cohérents avec ceux de la littérature. Par
exemple, (La et al., 2015 ; Vauhkonen et al., 2010) ont obtenu une précision
globale de 91,6 % avec des erreurs d’omission et de commission
respectivement de 5,7 % et 2,7 %. (Kattenborn et al., 2019) ont rapporté des
précisions variant de 86,1 % à 98,2 % selon le type de forêt. Les études basées
sur le LiDAR montrent également des résultats comparables, avec des
précisions supérieures à 80 % (Silva et al., 2015). Toutefois, certaines études
présentent des scores F plus faibles que le nôtre (0,76 et 0,86 respectivement
(Thibaut, 2019 ; Mohan et al., 2017)), ce qui souligne l’importance des
conditions locales (densité, structure verticale des peuplements, hétérogénéité
des houppiers, qualité des images) (La et al., 2015 ; Vauhkonen et al., 2010 ;
Wulder et al., 2003).

Conclusion
Il convient de souligner que les drones ont le potentiel de fournir de
nombreuses informations sur la cartographie des variables forestières (telles
que la densité, le couvert forestier, le volume et la biomasse d’un peuplement,
etc.)
Cette étude suggère que l'algorithme de filtrage des maxima locaux
combiné avec des tailles de fenêtres optimales, appliqués sur un Modèle
Numérique de Hauteur construit par photogrammétrie est capable d’effectuer
des comptages d'arbres avec une précision acceptable (F > 0,90) dans la zone
sahélienne.
Ensuite, afin d'évaluer la qualité de mesure de la hauteur et du diamètre
de la couronne des arbres dérivés du modèle, une régression linéaire simple
entre ces mesures et les mesures sur le terrain a été ajustée pour sous-
échantillonner 92 arbres, et leurs R2 respectifs étaient de 0,94 et 0,74. Par
conséquent, il est considéré comme correct de mesurer la hauteur et le
diamètre de la couronne des arbres grâce à l'imagerie par drone en milieu
savanicole. Ainsi, ce travail révèle le potentiel futur des drones et des

[Link] 169
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

traitements de photogrammétrie basés sur la surveillance des forêts

sahéliennes, et suggère que les recherches futures devraient se concentrer sur
le développement de modèles prédictifs pour l’estimation de la biomasse
aérienne et du volume des tiges à partir d'images de drones.

Conflit d'intérêts : Les auteurs n'ont signalé aucun conflit d'intérêts.

Disponibilité des données : Toutes les données sont incluses dans le contenu
de l'article.

Déclaration de financement : Ce travail a bénéficié d’une aide de l’Etat gérée

par l’Agence Nationale de la Recherche au titre du Labex DRIIHM,
programme « Investissements d’avenir » portant la référence ANR-11-LABX-
0010.

References:
1. Agisoft LLC. (2014). Tutorial beginner level: Orthomosaic and DEM
generation with Agisoft PhotoScan Pro 1.3 with ground control points
(14 p). Agisoft LLC.
2. Agisoft LLC. (2018). Agisoft PhotoScan user manual (121 p). Agisoft
LLC.
3. Angiosperm Phylogeny Group IV (APG IV). (2016). An update of the
Angiosperm Phylogeny Group classification for the orders and
families of flowering plants: APG IV. Botanical Journal of the
Linnean Society, 181(1), 1–20. [Link]
4. Bergseng, E., Ørka, H. O., Næsset, E., & Gobakken, T. (2015).
Assessing forest inventory information obtained from different
inventory approaches and remote sensing data sources. Annals of
Forest Science, 72(1), 33–45. [Link]
0400-5
5. Bourgoin, C., Betbeder, J., Couteron, P., Blanc, L., Le Roux, R., &
Cornu, G. (2020). UAV-based canopy textures assess degraded
structures in human-modified Amazonian forest. Ecological
Indicators. Advance online publication.
[Link]
6. Brundtland, G. H. (1987). Our common future—Call for action.
Environmental Conservation, 14(4), 291–294.
[Link]
7. Clark, D. B., Castro, C. S., Alvarado, L. D. A., & Read, J. M. (2004).
Quantifying mortality of tropical rain forest trees using high-spatial
resolution satellite data. Ecology Letters, 7(1), 52–59.
[Link]

[Link] 170
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

8. Dandois, J. P., & Ellis, E. C. (2013). High spatial resolution three-

dimensional mapping of vegetation spectral dynamics using computer
vision. Remote Sensing of Environment, 136, 259–276.
[Link]
9. Dandois, J. P., Olano, M., & Ellis, E. C. (2015). Optimal altitude,
overlap, and weather conditions for computer vision UAV estimates of
forest structure. Remote Sensing, 7(10), 13895–13920.
[Link]
10. Diallo, A., Faye, M. N., & Guissé, A. (2011). Structure des
peuplements ligneux dans les plantations d’Acacia senegal L. Wild
dans la zone de Dahra Ferlo, Sénégal. Revue d’Écologie, 66, 415–427.
11. Fraser, B. T., & Congalton, R. G. (2018). Issues in unmanned aerial
systems data collection of complex forest environments. Remote
Sensing, 10(6), 908. [Link]
12. Gonçalves, J. A., & Henriques, R. (2015). UAV photogrammetry for
topographic monitoring of coastal areas. ISPRS Journal of
Photogrammetry and Remote Sensing, 104, 101–111.
[Link]
13. Google. (2015). Imagerie satellite dans Google Earth.
[Link]
14. Isaac, M. E., Sinclair, F., Laroche, G., Awokuse, T., Baral, H., Bayala,
J., Bisseleua, D., ... & van Noordwijk, M. (2024). The ties that bind:
How trees can enhance agroecological transitions. Agroforestry
Systems, 98, 2369–2383. [Link]
15. Kattenborn, T., Eichel, J., & Fassnacht, F. E. (2019). Convolutional
neural networks enable efficient, accurate and fine-grained
segmentation of plant species and communities from high-resolution
UAV imagery. Scientific Reports, 9, 17656.
[Link]
16. La, H. P., Eo, Y. D., Chang, A., & Kim, C. (2015). Extraction of
individual tree crown using hyperspectral image and LiDAR data.
KSCE Journal of Civil Engineering, 19(4), 1078–1087.
[Link]
17. Leclère, L., & Tech, G. A. B. (2018). Apport de la télédétection
aérienne à très haute résolution pour la caractérisation qualitative et
quantitative de la ressource forestière: Application à un massif
forestier feuillus en Ardenne belge (Mémoire de master, Université de
Liège, 96 p).
18. Lim, Y. S., La, P. H., Park, J. S., Lee, M. H., Pyeon, M. W., & Kim, J.
I. (2015). Calculation of tree height and canopy crown from drone
images using segmentation. Journal of the Korean Society of

[Link] 171
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

Surveying, Geodesy, Photogrammetry and Cartography, 33(6), 605–

614. [Link]
19. Lisein, J., Pierrot-Deseilligny, M., Bonnet, S., & Lejeune, P. (2013). A
photogrammetric workflow for the creation of a forest canopy height
model from small unmanned aerial system imagery. Forests, 4(4),
922–944. [Link]
20. Lizuka, K., Yonehara, T., Itoh, M., & Kosugi, Y. (2018). Estimating
tree height and diameter at breast height (DBH) from digital surface
models and orthophotos obtained with an unmanned aerial system for
a Japanese cypress (Chamaecyparis obtusa) forest. Remote Sensing,
10(1), 13. [Link]
21. Messinger, M., Asner, G. P., & Silman, M. (2016). Rapid assessments
of Amazon forest structure and biomass using small unmanned aerial
systems. Remote Sensing, 8(8), 615.
[Link]
22. Mohan, M., Silva, C. A., Klauberg, C., Jat, P., Catts, G., Cardil, A.,
Hudak, A. T., & Dia, M. (2017). Individual tree detection from
unmanned aerial vehicle (UAV) derived canopy height model in an
open canopy mixed conifer forest. Forests, 8(9), 340.
[Link]
23. Navarro, J. A., Algeet, N., Fernández-Landa, A., Esteban, J.,
Rodríguez-Noriega, P., & Guillén-Climent, M. L. (2019). Integration
of UAV, Sentinel-1, and Sentinel-2 data for mangrove plantation
aboveground biomass monitoring in Senegal. Remote Sensing, 11(1),
77. [Link]
24. Ndiaye, O. (2013). Caractéristiques des sols, de la flore et de la
végétation du Ferlo, Sénégal (Thèse de doctorat unique, Université
Cheikh Anta Diop de Dakar, 114 p).
25. Ota, T., Ogawa, M., Shimizu, K., Kajisa, T., Mizoue, N., & Yoshida,
S. (2015). Aboveground biomass estimation using a structure from
motion approach with aerial photographs in a seasonal tropical forest.
Forests, 6(11), 3882–3898. [Link]
26. Panagiotidis, D., Abdollahnejad, A., Surový, P., & Chiteculo, V.
(2017). Determining tree height and crown diameter from high-
resolution UAV imagery. International Journal of Remote Sensing,
38(8–10), 2392–2410.
[Link]
27. Pix4D. (2019). Pix4Dmapper 4.5 user manual. Pix4D SA.
[Link]
28. Pouliot, D. A., King, D. J., & Pitt, D. G. (2005). Development and
evaluation of an automated tree detection–delineation algorithm for

[Link] 172
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

monitoring regenerating coniferous forests. Canadian Journal of

Forest Research, 35(1), 2332–2345. [Link]
29. Puttock, A. K., Cunliffe, A. M., Anderson, K., & Brazier, R. E. (2015).
Aerial photography collected with a multirotor drone reveals impact of
Eurasian beaver reintroduction on ecosystem structure. Journal of
Unmanned Vehicle Systems, 3(3), 123–130.
[Link]
30. Read, J. M., Clark, D. B., Venticinque, E. M., & Moreira, M. P. (2003).
Application of merged 1-m and 4-m resolution satellite data to research
and management in tropical forests. Journal of Applied Ecology, 40(3),
592–600. [Link]
31. Sadhasivam, N., Dineshkumar, C., Rahaman, S. A., & Bhardwaj, A.
(2019). Estimation of forest tree heights and crown diameter using
high-resolution images from UAV: A case study of Kalesar, Haryana.
In International conference on unmanned aerial system in geomatics
(pp. 253–263). Springer. [Link]
6_21
32. Silva, C. A., Crookston, N. L., Hudak, A. T., & Vierling, L. A. (2015).
rLiDAR: An R package for reading, processing and visualizing LiDAR
(light detection and ranging) data (Version 0.1, 24 p). [Link]
[Link]/web/packages/rLiDAR/[Link]
33. Tang, L., & Shao, G. (2015). Drone remote sensing for forestry
research and practices. Journal of Forestry Research, 26(4), 791–797.
[Link]
34. Thibaut, Q. (2019). Structure d'une forêt claire de type miombo par
imageries drone et satellitaire (Travail de fin d’études, Université de
Liège – Gembloux Agro-Bio Tech, 70 p).
35. Vauhkonen, J., Korpela, I., Maltamo, M., & Tokola, T. (2010).
Imputation of single-tree attributes using airborne laser scanning-
based height, intensity, and alpha shape metrics. Remote Sensing of
Environment, 114(6), 1263–1276.
[Link]
36. Wallace, L., Lucieer, A., Malenovský, Z., Turner, D., & Vopěnka, P.
(2016). Assessment of forest structure using two UAV techniques: A
comparison of airborne laser scanning and structure from motion
(SfM) point clouds. Forests, 7(3), 62.
[Link]
37. White, J. C., Stepper, C., Tompalski, P., Coops, N. C., & Wulder, M.
A. (2015). Comparing ALS and image-based point cloud metrics and
modelled forest inventory attributes in a complex coastal forest
environment. Forests, 6(10), 3704–3732.
[Link]

[Link] 173
European Scientific Journal, ESJ ISSN: 1857-7881 (Print) e - ISSN 1857-7431
October 2025 edition Vol.21, No.30

38. Wulder, M. A., Dechka, J. A., Gillis, M. A., Luther, J. E., Hall, R. J.,
Beaudoin, A., & Franklin, S. E. (2003). Operational mapping of the
land cover of the forested area of Canada with Landsat data: EOSD
land cover program. The Forestry Chronicle, 79(6), 1075–1083.
[Link]
39. Zarco-Tejada, P. J., Diaz-Varela, R., Angileri, V., & Loudjani, P.
(2014). Tree height quantification using very high resolution imagery
acquired from an unmanned aerial vehicle (UAV) and automatic 3D
photo-reconstruction methods. European Journal of Agronomy, 55,
89–99. [Link]

[Link] 174