cLASpy_T | Outils de classification de fichiers LAS avec python et algorithmes d’apprentissage automatique

Description

cLASpy_T signifie « Outils de classification de fichiers LAS avec python et algorithmes d’apprentissage automatique » ou outils python de classification LAS.

cLASpy_T utilise des algorithmes d’apprentissage automatique scikit-learn pour classifier des nuages de points 3D, tels que des nuages de points LiDAR ou photogrammétriques. Il a été développé pour le suivi des environnements côtiers.

Les données doivent être fournies sous forme de fichiers LAS ou CSV. D’autres formats devraient être supportés ultérieurement (GEOTIFF ou PLY), ainsi que d’autres projets d’apprentissage automatique (TensorFlow).

Classificateurs Scikit-learn utilisés dans cLASpy_T

Apprentissage supervisé

Arbres de décision aléatoires : RandomForestClassifier et GradientBoostingClassifier
https://scikit-learn.org/stable/modules/ensemble.html

Réseau neuronal : MLPClassifier
https://scikit-learn.org/stable/modules/neural_networks_supervised.html

Apprentissage non supervisé

Regroupement : K-means
https://scikit-learn.org/stable/modules/clustering.html#k-means

Ce dont vous avez besoin

• Fichier de nuage de points (CSV ou LAS) avec des caractéristiques décrivant chaque point par des propriétés spectrales et/ou géométriques :
  Caractéristiques spectrales : RGB, Intensité LiDAR, Bandes hyperspectrales…
  Caractéristiques géométriques : Planéité, Linéarité, Sphéricité, Verticalité…

• Jeu d’entraînement : Nuage de points labellisé
  Les algorithmes supervisés apprennent à classer chaque point au cours de l’étape
  d’apprentissage. Cette étape nécessite un champ nommé ‘Target’ dans le fichier du nuage de
  points, avec des valeurs entières correspondant aux classes à apprendre.
  
• Jeu de données : Nuage de points non-labellisé (à classer).
  Le résultat de l’étape d’apprentissage est un modèle. Celui-ci est utilisé pour faire des
  prédictions sur un nuage de points non labellisé. Ce nuage de points doit présenter les mêmes
  caractéristiques spectrales et/ou géométriques que le nuage de points utilisé pour
  l’apprentissage.

Formation

Le CNRS organise régulièrement des formations à l’utilisation de cet outil :

Références

Pellerin Le Bas, X.; Froideval, L.; Mouko, A.; Conessa, C.; Benoit, L.; Perez, L. A New Open-Source Software to Help Design Models for Automatic 3D Point Cloud Classification in Coastal Studies. Remote Sens. 2024, 16, 2891. https://doi.org/10.3390/rs16162891

Pellerin Le Bas, X., Froideval, L., Conessa, C., & Benoit, L. A new open source software to
design models for automatic 3D point cloud classification in environmental studies: cLASpy_T.
Virtual Geosciences Conference, Dresden, 2023, 20.