banner-ombre-top
banner-ombre-left
Un aquifère karstique en République Dominicaine (Bayahibe, République Dominicaine, 2008). © BRGM - Christophe Rigollet

Outils de traitement des Modèles Numériques de Terrain pour la détection de cuvette en domaine karstique

18.08.2016
Ce projet a été réalisé avec l’appui de la Direction Générale de la Prévention des Risques (DGPR) du ministère de l’Environnement, de l’Énergie et de la Mer (MEEM). Il a consisté à développer une approche méthodologique de traitements des données Modèle Numérique de Terrain Haute Résolution (MNT HR), obtenues par télédétection, pour la caractérisation d’affaissements liés au karst. A partir d’une analyse bibliographique, différents algorithmes ont été élaborés et testés sur un secteur (bois de Vau-Vauthier sur la commune de Fains-les-Sources) de 3,5 km2 en contexte de karst de contact lithologique sur lequel un MNT HR au pas de 50 cm a été acquis par LiDAR aéroporté. 302 dolines, répertoriées sur le terrain, ont été comparées avec les résultats obtenus par les algorithmes.

Parmi l’ensemble des méthodes de détection des emprises de dolines décrites dans la littérature, deux ont été testées dans le cadre de ce projet avec l’élaboration de Model Builder sous ArcGis et dont les résultats sont comparés avec la base de données observées sur le terrain :

  • la première méthode, appelée "Diff_Fill", consiste à soustraire l'indice topographique de position (TPI) avec le celui implémenté par l’outil remplissage sous ArcGis.
  • la seconde méthode, appelée "Dépressions d’ordre 1", utilise les outils hydrogéologiques d’ArcGis et le principe de point de débordement d’une cuvette.

Un autre algorithme appelé "Fond_Doline", qui permet de détecter les dolines sous forme de points (au niveau de leur point bas), a également été mis en œuvre avec le Model Builder.

En couplant les deux méthodes "Diff_Fill" et "Dépressions d’ordre 1", la comparaison des résultats avec la base de terrain a montré une bonne corrélation sur les profondeurs et les diamètres. De même, il a été possible de détecter 98% des dolines observées sur le terrain dont le diamètre est strictement supérieur à 3 m. La présence de ces petites dépressions inférieures ou égales à 3 m de diamètre constitue l’un des principaux verrous dans la détection et le discernement des vrais positifs par le traitement des données MNT HR. A l’avenir, il reste à développer d’autres algorithmes pour détecter 100 % des cuvettes d’origine karstique. Le croisement des différents algorithmes (Diff_Fill, ordre 1 et circularité des iso-contours par exemple) permettrait d’avoir une analyse critique des résultats et de confronter l’efficacité de chacune des méthodes.

MNT HR ombré au pas de 50 cm de la zone d’étude. Le Bois de Vau-Vauthier est situé sur les communes de Mussey et de Fains-les-Sources, à l’ouest de Bar-le-Duc © BRGM

MNT HR ombré au pas de 50 cm de la zone d’étude. Le Bois de Vau-Vauthier est situé sur les communes de Mussey et de Fains-les-Sources, à l’ouest de Bar-le-Duc. © BRGM

Contexte

Cette étude a été réalisée avec l’appui de la Direction Générale de la Prévention des Risques (DGPR) du ministère de l’Environnement, de l’Energie et de la Mer (MEEM).

La détection par balayage de la lumière (LiDAR = Light Detection And Ranging) comme système de télédétection est largement utilisée pour la confection d’un Modèle Numérique de Terrain Haute Résolution (MNT HR). Classiquement mis en œuvre sur terre (TLS = Terrestrial Laser Scanning), l’acquisition est réalisée par vecteur aérien (Airborne Laser Scanning = ALS) avec notamment le développement des drones, plus économique, pour lesquels l’offre des prestataires français, à la pointe mondiale, est en constante progression. En outre, les renseignements acquis par cette méthode contribuent largement à l’amélioration de la qualité des données. Un autre avantage du LiDAR pour l’établissement d’un MNT HR est qu’il permet de s’affranchir de la végétation.

Objectif

Le travail réalisé a consisté à développer une approche méthodologique de traitements des données MNT, obtenues par télédétection, pour la caractérisation d’affaissements liés au karst.
Les objectifs de cette action sont les suivants :

  • Construire des algorithmes automatisés ou semi-automatisés sous SIG qui détectent 100% des dolines observées sur le terrain en réduisant au maximum les fausses alertes pour éviter de geler l’aménagement du territoire ;
  •  Produire des documents qui aident les experts (géologue, structuraliste, géotechnicien, ingénieur risque, etc.) à mettre en évidence les différentes morphologies karstiques afin d’optimiser les campagnes de terrain et de mieux comprendre l’organisation du karst (typologie, structures géologiques, etc.) en vue de l’élaboration de cartes d’aléa ;
  •  Détecter des morphologies karstiques (crypto karst) qui sont impossibles ou très difficiles à observer sur le terrain ;
  • Déterminer le diamètre et les profondeurs des cuvettes qui conditionnent le niveau d’intensité de l’aléa afférent.

Programme des travaux

A partir d’une analyse bibliographique, différents algorithmes ont été élaborés et testés sur un secteur (bois de Vau-Vauthier sur la commune de Fains-les-Sources) de 3,5 km2 en contexte de karst de contact lithologique sur lequel un MNT HR au pas de 50 cm a été acquis par LiDAR aéroporté. 302 dolines, répertoriées sur le terrain, ont pu être comparées avec les résultats obtenus par les algorithmes.

Un prétraitement du MNT HR est d’abord effectué pour lisser le bruit et aplanir le relief de façon à pourvoir détecter les dolines égueulées. Le lissage peut être obtenu par des opérations morphologiques mathématiques de type « fermeture en 3D » ou bien par un filtre sur la haute fréquence basé sur une moyenne mobile 2D. L’aplanissement du relief est effectué en appliquant un indice topographique de position (TPI). L’analyse des courbes de niveaux du TPI permet déjà de mettre en évidence des morphologies de crypto karsts.

Parmi l’ensemble des méthodes de détection des emprises de dolines décrites dans la littérature, deux ont été testées dans le cadre de ce projet avec l’élaboration de Model Builder sous ArcGis. Leurs  résultats ont été comparés avec la base des données observées sur le terrain. Une troisième méthode, appelée "circularité des iso-contours", a également été testée. La première méthode, appelée "Diff_Fill", consiste à soustraire le TPI avec le celui implémenté par l’outil remplissage sous ArcGis. La seconde méthode, appelée "dépressions d’ordre 1", utilise les outils hydrogéologiques d’ArcGis et le principe de point de débordement d’une cuvette.

Ces algorithmes sont soumis à différents paramètres d’entrées qui influent sur les résultats. Il en est de même pour les paramètres de filtrage et d’élaboration du TPI. En conséquence le paramétrage doit être réalisé par un expert.

Un dernier algorithme, appelé "Fond_Doline", permettant de détecter les dolines sous forme de points (au niveau de leur point bas) a également été mis en œuvre avec le Model Builder.

Résultats obtenus

En couplant les deux méthodes "Diff_Fill" et "dépressions d’ordre 1", la comparaison des résultats avec la base de terrain montre une bonne corrélation sur les profondeurs et les diamètres. De même, il est possible de détecter 98% des dolines observées sur le terrain dont le diamètre est strictement supérieur à 3 m.

La présence de petites dépressions inférieures ou égales à 3 mètres de diamètre constitue l’un des principaux verrous dans la détection et le discernement des vrais positifs par le traitement des données MNT HR. Le seuil à 3 mètres a été choisi car il correspond à un seuil de classe d’intensité pour l’aléa Fontis. Les trous dont le diamètre est inférieur à 3 mètres ont en effet un niveau d’intensité limité et impactent modérément la structure d’un bâtiment. Aussi, il a été choisi d’écarter la détection de ces petites dolines par les algorithmes.

Il est à noter que ces algorithmes non pas été appliqués dans des zones urbaines et péri-urbaines. Le site étudié ici est en effet exempt de bâtiments, de digues ou de barrages. Or ces constructions anthropiques viennent compliquer la détection des cuvettes et la qualité des résultats serait assujettie à la qualité du filtrage des bâtiments par le géomètre qui acquiert et livre le MNT HR.

A l’avenir, il reste à développer d’autres algorithmes pour détecter 100% des cuvettes d’origine karstique. Le croisement des différents algorithmes (Diff_Fill, ordre 1 et circularité des iso-contours par exemple) permettrait d’avoir une analyse critique des résultats et de confronter l’efficacité de chacune des méthodes.

Enfin, il faudrait également effectuer  une analyse des incertitudes des paramètres d’entrée des modèles qui visera à évaluer la sensibilité:

  • des paramètres de lissage du MNT (forme du filtre et rayon d’action) ;
  • des seuils de profondeur des dépressions ;
  • du paramètre de forme des dépressions (circularité, sphéricité) ;
  • de la résolution du MNT.

Le taux de succès sera optimisé pour déterminer les meilleurs paramètres d’entrée. Pour aborder ce verrou, une approche par quantification d’incertitude s’appuyant sur une surface de réponse multidimensionnelle de type polynômes de chaos peut être envisagée.

Partenaire

MEEM

MNE avec localisation des cuvettes d’origine karstique validées sur le terrain et par les algorithmes

MNE avec localisation des cuvettes d’origine karstique validées sur le terrain et par les algorithmes.

BRGM - 3 avenue Claude-Guillemin - BP 36009 45060 Orléans Cedex 2 - France Tél. : +33 (0)2 38 64 34 34