Aller au contenu

Fonctionnalités

Visualiseur de nuages de points Prétraitement de nuages de points Classification de nuages de points Rastérisation de nuages de points Vectorisation de nuages de points Photogrammétrie API de traitement

Secteurs

Topographie Gestion de la végétation des réseaux Forêt Hydrologie et eau

Plus

Tarifs Contact

Langue

EnglishEspañol日本語FrançaisPortuguêsDeutschItaliano
Se connecter Essai gratuit

Comprendre le LiDAR

La classification du sol par IA en LiDAR

Méthodes d'apprentissage profond et recherche (2024-2026)

Sans carte bancaire • 50 crédits offerts

La classification manuelle du sol est l'étape la plus lente et la plus frustrante du traitement LiDAR. Les filtres traditionnels échouent sur les terrains complexes. Les méthodes d'apprentissage profond atteignent désormais une meilleure précision tout en préservant les formes essentielles du terrain, automatiquement.

Pourquoi les filtres de sol traditionnels atteignent leurs limites

Nuage de points LiDAR classifié montrant les strates de végétation forestière et la séparation du sol pour l'inventaire des arbres
Nuage de points classifié par IA : sol (marron), végétation (vert) et bâtiments (rouge)

La classification des points de sol est l'étape la plus déterminante du traitement LiDAR pour la modélisation du terrain. La qualité du filtrage du sol conditionne directement celle des modèles numériques de terrain (MNT), de l'analyse des bassins versants et de la modélisation des inondations.

Les méthodes traditionnelles comme les filtres morphologiques progressifs (PMF) et les filtres par simulation de tissu (CSF) fonctionnent bien sur terrain plat, mais montrent leurs limites sur :

  • les paysages complexes, aux pentes et aux types de terrain variés ;
  • la végétation dense, où les points de sol sont rares ;
  • les fortes pentes, qui déclenchent des faux positifs ;
  • les zones urbaines, avec leurs ponts, passages supérieurs et structures complexes.

Les architectures d'apprentissage profond actuelles

Depuis 2024, l'apprentissage profond a transformé la classification du sol : meilleure précision, tout en préservant les formes importantes du terrain

Modèles Point Transformer

L'architecture Point Transformer est devenue une architecture de référence pour la classification LiDAR. Des mécanismes d'auto-attention et d'attention croisée améliorés détectent mieux la limite entre points de sol et points hors sol.

Réseaux hiérarchiques sensibles au terrain

Publiés en 2025, les réseaux hiérarchiques sensibles au terrain combinent un contexte spatial multi-échelle pour mieux séparer ravines, crêtes et lignes de rupture. Ils se montrent plus performants sur les terrains complexes où les filtres traditionnels peinent.

Le transformer de l'USGS pour 3DEP

En septembre 2024, l'USGS a publié des travaux sur une classification automatique à base de transformers pour les données LiDAR 3DEP, qui corrige les points bruités à l'échelle d'un continent.

RandLA-Net pour les grands volumes

Utilise un échantillonnage aléatoire pour traiter des nuages de points massifs (plus d'un million de points) en une seule passe : traitement en temps réel et besoins en mémoire réduits.

Le défi de la préservation des lignes de rupture

Le défi

L'un des défis les plus discutés dans les travaux de recherche de 2024-2025 est la fidélité des lignes de rupture : conserver les transitions nettes du terrain (bords de falaise, berges de cours d'eau, déblais routiers) que l'interpolation TIN traditionnelle préserve, mais que certaines méthodes d'apprentissage automatique lissent.

Les solutions actuelles

Apprentissage multi-échelle des caractéristiques : des architectures comme les réseaux hiérarchiques sensibles au terrain détectent à la fois les tendances générales et les discontinuités fines.

Fonctions de perte sensibles aux arêtes : elles entraînent les réseaux à pénaliser le lissage des lignes de rupture.

Approches hybrides : elles combinent la classification par apprentissage profond et la génération classique d'un TIN.

UTILISEZ LA CLASSIFICATION PAR IA DÈS AUJOURD'HUI

La production d'un MNT, étape par étape

La classification moderne du sol par IA s'intègre à une chaîne de production

01

Import

Fichiers LAS/LAZ chargés avec tous leurs retours

02

Classification

L'IA distingue le sol du hors-sol

03

Validation

Un contrôle qualité automatique vérifie la précision

04

Interpolation

Points de sol → surface du MNT

05

Dérivation

Pente, exposition, courbes de niveau

06

Export

GeoTIFF, DXF ou SHP transmis à l'outil suivant

Aucune carte graphique requise. Aucune configuration.

Traitez un terrain complexe en quelques minutes au lieu de plusieurs heures

Pas besoin de carte graphique locale, de compétences en Python ni d'entraînement de modèle complexe. Lidarvisor propose une classification par IA dans le cloud qui prend en charge toute la chaîne automatiquement.

  • Importez votre fichier LAS/LAZ directement dans le navigateur
  • Classification automatique par IA, sans paramètre
  • Téléchargez des données classifiées conformes à l'ASPRS
  • Générez MNT, MNS et courbes de niveau dans la même chaîne de traitement

Les principaux articles de recherche (2024-2026)

Classification d'un nuage de points LiDAR dans le navigateur avec Lidarvisor

USGS • septembre 2024

Automated Transformer-Based Classification for 3DEP LiDAR

Classification à l'échelle continentale avec des modèles transformers, pour corriger les points bruités et mal classés.

2025

Terrain-Aware Hierarchical Networks for Complex Terrain Extraction

Apprentissage multi-échelle des caractéristiques spatiales, plus performant sur les terrains ravinés et difficiles.

PMC • 2024

Airborne LiDAR Classification Using Ensemble Learning

Méthodes d'ensemble combinant plusieurs modèles pour des chaînes de production de MNT robustes.

Questions fréquentes

Que vaut la classification du sol par IA face aux filtres traditionnels ?

Les méthodes d'IA comme les réseaux transformers et les réseaux hiérarchiques sensibles au terrain surpassent systématiquement les filtres traditionnels (PMF, CSF) sur les terrains complexes : meilleure précision sur les fortes pentes, la végétation dense et les zones urbaines, avec préservation des lignes de rupture et des formes du terrain.

Ai-je besoin d'une carte graphique ou de compétences en apprentissage automatique ?

Non. Lidarvisor exécute la classification par IA dans le cloud : vous importez votre nuage de points dans le navigateur et vous téléchargez les résultats classifiés. Aucune carte graphique locale, aucun environnement Python ni entraînement de modèle n'est nécessaire.

Quels formats de fichier sont pris en charge ?

Lidarvisor accepte les fichiers LAS et LAZ. Les livrables comprennent des nuages de points classifiés conformes à l'ASPRS (classe 2 = Sol) et des produits dérivés comme le MNT, le MNS et les courbes de niveau.

Combien de temps prend la classification par IA ?

La durée du traitement dépend de la taille du nuage de points, mais la plupart des jeux de données sont traités en quelques minutes, au lieu des heures nécessaires pour classer à la main et corriger les résultats des filtres traditionnels.

La classification produite convient-elle à des MNT de qualité topographique ?

Oui. La classification par IA produit des points codés selon la norme ASPRS, utilisables pour la modélisation professionnelle du terrain, l'analyse des bassins versants, les études d'inondation et les applications d'ingénierie.

Ressources associées

Automatisez votre classification du sol

Traitez les terrains complexes qui mettent en échec les filtres traditionnels. Importez votre LAS/LAZ et obtenez des résultats classifiés par IA en quelques minutes. Commencez avec 50 crédits offerts.

Créer un compte gratuit

50 crédits offerts. Sans carte bancaire. Aucun logiciel à installer.