Le portefeuille THEIA d’outils de traitement des données Lidar s’étoffe d’un nouveau logiciel permettant de créer des modèles de classification de nuages de points 3D par apprentissage automatique (ou machine learning) : cLASpy_T

cLASpy_T a pour but d’aider à concevoir des modèles de machine learning directement applicables aux données LAS. Il est entièrement développé en Python et propose deux interfaces utilisateur : une première en ligne de commande et une seconde graphique. Il gère le formatage des données pour être compatible avec l’API scikit-learn. Il enregistre les modèles de machine learning, enregistre les résultats de classification des nuages de points directement sous format LAS et fournit un rapport détaillé pour chacune des tâches effectuées.

cLASpy_T est aujourd’hui activement supporté par le laboratoire M2C et la société SCIENTEAMA qui souhaitent renforcer le logiciel, notamment par l’ajout d’autres formats de données, comme GEOTIFF ou PLY, ainsi que d’autres librairies de machine/deep learning tels que TensorFlow ou PyTorch.

Un outil dédié aux estuaires

Le développement de cLASpy_T s’inscrit dans les dynamiques de recherche actuelles visant à accompagner l’évolution des paysages côtiers soumis à des pressions économiques, résidentielles et touristiques. Les données Lidar offrent un potentiel important pour le suivi des milieux naturels et des impacts humains.

cLASpy_T a ainsi été développé dans le cadre du projet AUPASED (financement OFB 2018-2021). Il a ainsi montré son opérationnalité pour automatiser la cartographie sédimentaire des estuaires avec différents exemples dans La Manche.

cLASpy_T a depuis été utilisé pour montrer l’utilité des modèles de machine learning afin d’extraire automatiquement les blocs de béton des digues de protection côtières. Il a ainsi contribué au projet CHERLOC financé par le FEDER et la Région Normandie d’étude de l’impact écologique, mais aussi sociaux des équipements de lutte contre la submersion des sites littoraux.