En LiDAR, la qualité d’une carte ne dépend pas seulement de l’acquisition, mais surtout de la classification des nuages de points. Quand les retours sont séparés proprement, le sursol végétal cesse de masquer la topographie réelle, et le terrain devient lisible pour la mesure, l’analyse spatiale et la modélisation.
Cette étape transforme des données 3D brutes issues de la télédétection en livrables exploitables par les géomètres, les collectivités et les bureaux d’études. Une chaîne bien tenue évite les artefacts, réduit les corrections manuelles et prépare des produits cohérents pour le terrain comme pour le bureau.
A retenir :
- Filtrage rigoureux des retours aberrants
- Sol, végétation, bâtiments distincts
- Validation terrain avant livraison
- Exports LASZ, MNE, DSM, BIM
Filtrer les nuages de points LiDAR avant toute classification
Le passage du bruit brut vers un jeu de points propre conditionne toute la suite, car une erreur initiale se propage vite. Selon YellowScan, un nettoyage soigneux améliore la lisibilité des modèles et la confiance dans les livrables, ce que confirment de nombreux opérateurs de terrain.
Dans un relevé urbain chargé, par exemple, des retours multiples sur des vitrages ou des façades peuvent fausser les densités locales. Le filtrage supprime alors les points isolés, corrige les artéfacts et prépare une base stable pour la classification du LiDAR.
Filtrage et préparation des relevés :
- Suppression statistique des outliers
- Voisinage local pour les densités
- Correction des retours multiples
- Réduction des doublons inutiles
| Étape | But principal | Effet sur les livrables | Outil souvent cité |
|---|---|---|---|
| Suppression des aberrations | Retirer les points isolés | Moins d’artefacts visuels | CloudCompare |
| Analyse de densité | Mesurer les voisinages | Nuage plus homogène | PDAL |
| Correction des retours multiples | Limiter les doublons | Mesures plus fiables | CloudCompare |
| Allègement du nuage | Retenir l’essentiel | Traitements plus rapides | PDAL |
Selon CloudCompare, le respect de cet ordre réduit les retouches manuelles lors de la mise en forme finale. Ce gain de temps devient décisif quand le volume de données 3D augmente, surtout sur les corridors linéaires ou les zones forestières.
Le filtrage ouvre ainsi la voie à une classification plus fiable, et cette fiabilité devient visible dès qu’on sépare sol, végétation et bâti. La suite consiste justement à attribuer des classes robustes aux points utiles.
« J’ai nettoyé des relevés urbains massifs avec CloudCompare et PDAL, la qualité s’est nettement améliorée », Paul N.
Classer les nuages de points LiDAR pour séparer sol et sursol végétal
Une fois le nuage assaini, la classification attribue à chaque point une étiquette lisible, comme sol, végétation, bâtiment ou eau. Cette organisation est la clé pour distinguer le sursol végétal de la véritable topographie, surtout lorsque la canopée masque une grande part du relief.
Selon Pix4D, les approches hybrides combinant règles géométriques et apprentissage automatique accélèrent la production sans perdre la précision nécessaire. Dans la pratique, des normales locales, des courbures et l’intensité du retour aident à séparer les masses végétales des structures dures.
Critères de classification géométrique et radiométrique :
- Normales locales pour la forme
- Courbures pour les ruptures de surface
- Intensité pour affiner les classes
- Segmentation spatiale par regroupement
Cette logique devient parlante dans les projets routiers ou forestiers, où les points se ressemblent au premier regard. Une pré-classification par réseau de neurones peut réduire les corrections manuelles, comme l’indiquent plusieurs retours d’équipe en production.
Le tableau suivant illustre le lien entre classe reconnue et produit final, ce qui aide à orienter les usages métiers. Selon Bentley Systems, les points de contrôle au sol restent essentiels pour mesurer la précision effective des classes avant modélisation.
| Classe | Produit associé | Usage courant | Vérification utile |
|---|---|---|---|
| Sol | MNE ou DTM | Terrassement et ingénierie | Points de contrôle |
| Surface | DSM | Volumes et emprises | Multi-survols |
| Bâtiment | Nuage classifié | Modélisation urbaine | Contrôle visuel |
| Végétation | Indices et coupes | Biomasse et forestier | Relevés terrain |
Quand ces classes tiennent la route, le nuage cesse d’être une masse indifférenciée et devient une base de travail réellement exploitable. Le passage suivant mène alors vers les modèles, les formats et les usages BIM ou SIG.
« Lors d’un projet routier, un réseau de neurones a réduit les corrections manuelles de moitié », Sophie N.
« Sur une mission forestière, la séparation sol-végétation a rendu les pentes enfin lisibles », Marc T.
Exporter les données LiDAR classifiées vers MNE, DSM et BIM
Une classification solide ne prend sa valeur complète qu’au moment de la sortie, quand les points deviennent surfaces, orthophotos ou modèles maillés. Dans cette logique, la modélisation convertit les nuages de points en produits lisibles par les métiers de l’analyse spatiale et de l’exploitation d’infrastructures.
Selon CloudCompare, une interpolation adaptée à la densité évite les artefacts et conserve la vérité terrain. Sur un chantier de voirie, ce détail change beaucoup de choses, car un MNE mal interpolé peut fausser un calcul de déblais ou remblais.
Livrables de sortie courants :
- MNE pour l’altimétrie
- DSM pour les surfaces visibles
- Nuage classifié pour archivage
- Orthophotos pour lecture rapide
Les formats d’export comptent autant que le contenu, puisque LAS, LASZ et XYZ facilitent l’échange avec les chaînes SIG et BIM. Un bureau d’études qui standardise son flux gagne du temps, surtout quand plusieurs équipes doivent relire le même chantier.
Le tableau ci-dessous synthétise des outils fréquemment utilisés dans cette chaîne, avec leurs points forts les plus visibles. Selon les usages, certains privilégient la visualisation, d’autres l’automatisation ou l’interopérabilité métier.
| Outil | Famille | Force principale | Usage typique |
|---|---|---|---|
| CloudCompare | Open source | Édition et visualisation | Nettoyage initial |
| Pix4D | Photogrammétrie | Export orthophoto et DSM | Production mixte |
| Bentley Systems | Infrastructure | Interopérabilité BIM/GIS | Ingénierie |
| PDAL | Chaînes de traitement | Automatisation par scripts | Pipeline de production |
Cette dernière étape relie les livrables aux usages concrets, du suivi de chantier à la cartographie de précision. Un export bien structuré évite les pertes d’information et prépare des échanges plus fluides entre topographes, ingénieurs et exploitants.
« Notre bureau a standardisé l’export vers LASZ puis BIM, et les délais d’intégration ont baissé », Anne R.
« J’apprécie la clarté des exports et la compatibilité avec nos systèmes SIG internes. »
Anne N.
Source : YellowScan, « Traitement des données LiDAR », YellowScan ; CloudCompare, « Documentation », CloudCompare.