Package R pour estimer la hauteur de canopée à partir des ortho IGN (RVB + IRC à 0.20m) en exploitant les modèles pré-entraînés Open-Canopy (SPOT 6-7 à 1.5m).
Contexte
Le projet Open-Canopy fournit des modèles (UNet, PVTv2) entraînés sur images SPOT 6-7 à 1.5m pour prédire la hauteur de canopée. Ce dépôt adapte ces modèles pour fonctionner avec les orthophotos IGN (BD ORTHO®) à 0.20m, qui offrent une résolution 7.5x supérieure.
Comparaison des données sources
| Open-Canopy (SPOT) | Ortho IGN | |
|---|---|---|
| Résolution | 1.5 m/pixel | 0.20 m/pixel |
| Pixels/km² | 444 444 | 25 000 000 |
| Source | Satellite SPOT 6-7 | Photo aérienne IGN |
| Bandes RVB | R, V, B (+ PIR) | R, V, B |
| Bandes IRC | — | PIR, R, V |
| Format | GeoTIFF | JPEG2000 (.jp2) |
| NDVI | Non | Oui (depuis IRC) |
| Couverture | 87 000 km² (France) | France entière |
Structure du projet
├── R/
│ ├── download_open_canopy.R # Téléchargement HF + chargement IGN
│ ├── analyse_open_canopy.R # Analyse, NDVI, visualisation
│ ├── prediction_open_canopy.R # Inférence modèles + post-traitement
│ └── pipeline_aoi_to_chm.R # Pipeline complet AOI → CHM
├── data/
│ ├── open_canopy/ # Dataset HF (SPOT 1.5m)
│ ├── ign/ # Ortho IGN (RVB + IRC, 0.20m)
│ └── aoi.gpkg # Zone d'intérêt (polygone)
├── outputs/ # Résultats et graphiques
├── .gitignore
└── README.mdPrérequis
Packages R
install.packages(c("terra", "sf", "httr2", "jsonlite", "curl", "fs"))
install.packages("reticulate") # Interface Python
# Recommandé : hfhub pour télécharger les modèles depuis Hugging Face
# sans dépendance Python (R natif)
install.packages("hfhub")Environnement Python (miniforge + conda)
L’environnement conda open_canopy doit être installé avec PyTorch :
# Installer miniforge si nécessaire
# https://github.com/conda-forge/miniforge
conda create -n open_canopy python=3.10
conda activate open_canopy
pip install torch torchvision numpy rasterio segmentation-models-pytorch timm
# huggingface_hub Python est optionnel si le package R hfhub est installé
# pip install huggingface_hubTéléchargement des modèles depuis Hugging Face
Deux méthodes sont supportées (la première est préférée) :
-
hfhub R natif (recommandé) :
install.packages("hfhub")— aucune dépendance Python pour le téléchargement -
Python huggingface_hub (fallback) :
pip install huggingface_hub— utilisé si hfhub n’est pas installé
Le téléchargement utilise automatiquement la meilleure méthode disponible.
Connexion R → Python
library(reticulate)
use_condaenv("open_canopy", required = TRUE)Utilisation
1. Charger les données
source("R/download_open_canopy.R")
# --- Ortho IGN (placer les .jp2 dans data/ign/) ---
irc <- load_ign_ortho("data/ign/ortho_irc.jp2", type = "irc")
rvb <- load_ign_ortho("data/ign/ortho_rvb.jp2", type = "rvb")
# Télécharger via WMS IGN pour une emprise donnée (Lambert-93)
bbox <- c(843000, 6518000, 844000, 6519000)
download_ign_ortho_pair(bbox)
# --- Open-Canopy (SPOT, Hugging Face) ---
download_open_canopy_subset(split = "test", n_tiles = 5)2. Analyser (NDVI, classification, croisement)
source("R/analyse_open_canopy.R")
# Charger l'IRC et calculer le NDVI
irc <- load_ign_ortho("data/ign/ortho_irc.jp2", type = "irc")
ndvi <- compute_ndvi(irc) # (PIR - R) / (PIR + R)
gndvi <- compute_gndvi(irc) # (PIR - V) / (PIR + V)
savi <- compute_savi(irc) # SAVI (ajusté sol)
# Masque de végétation
veg <- mask_vegetation(ndvi, threshold = 0.3)
# Visualisation multi-panneaux
plot_ign_full_comparison(rvb, irc, chm)
# Croisement NDVI x CHM
cross <- cross_ndvi_chm(ndvi, chm)
# Statistiques
irc_stats <- compute_irc_stats(irc)
chm_stats <- compute_chm_stats(chm)3. Prédire la hauteur de canopée
source("R/prediction_open_canopy.R")
# Configurer l'environnement Python
setup_conda_env("open_canopy")
# Télécharger un modèle pré-entraîné
model_path <- download_pretrained_model("unet")
# Pipeline complet : IGN 0.20m → agrégation 1.5m → inférence → CHM
predict_chm_from_ign("data/ign/ortho_rvb.jp2", model_path)
# Rééchantillonner manuellement
ign <- load_ign_ortho("data/ign/ortho_rvb.jp2", type = "rvb")
ign_1_5m <- resample_ign_to_spot(ign) # 0.20m → 1.5m (facteur 8x)
# Suréchantillonner un CHM prédit vers la résolution IGN
chm_hr <- upsample_chm_to_ign(chm_predicted) # 1.5m → 0.20m4. Pipeline complet AOI → CHM (nouveau)
source("R/pipeline_aoi_to_chm.R")
# Lancer le pipeline avec un fichier GeoPackage
result <- pipeline_aoi_to_chm("data/aoi.gpkg")
# Ou avec des options
result <- pipeline_aoi_to_chm(
aoi_path = "chemin/vers/ma_zone.gpkg",
output_dir = "outputs",
model_name = "unet" # "unet" ou "pvtv2"
)
# Le résultat contient :
# result$ortho_rvb - Ortho RVB (0.20m)
# result$ortho_irc - Ortho IRC (0.20m)
# result$ndvi - NDVI
# result$chm_1_5m - CHM prédit à 1.5m
# result$chm_0_2m - CHM suréchantillonné à 0.20mFichiers produits dans outputs/ :
| Fichier | Description |
|---|---|
ortho_rvb.tif |
Ortho RVB IGN (0.20m) |
ortho_irc.tif |
Ortho IRC IGN (0.20m) |
ndvi.tif |
NDVI calculé depuis l’IRC |
chm_predicted_1_5m.tif |
CHM prédit (résolution modèle) |
chm_predicted_0_2m.tif |
CHM suréchantillonné (résolution IGN) |
resultats_aoi.pdf |
Visualisation récapitulative (4 panneaux) |
Workflow de rééchantillonnage
Ortho IGN (0.20m) Modèles Open-Canopy
5000 x 5000 px/km² entraînés sur SPOT 1.5m
│ │
▼ │
aggregate(fact=8) │
moyenne 8x8 pixels │
│ │
▼ ▼
Image à 1.5m ──────────────────► Inférence UNet/PVTv2
667 x 667 px/km² │
▼
CHM prédit à 1.5m
│
▼
disagg(fact=8) (optionnel)
│
▼
CHM à 0.20mIndices spectraux (depuis IRC IGN)
| Indice | Formule | Usage |
|---|---|---|
| NDVI | (PIR - R) / (PIR + R) | Activité végétale |
| GNDVI | (PIR - V) / (PIR + V) | Teneur en chlorophylle |
| SAVI | ((PIR - R) / (PIR + R + L)) × (1+L) | Végétation sur sol nu |
Références
- Open-Canopy : Fogel et al. (2024). arXiv:2407.09392
- Dataset HF : AI4Forest/Open-Canopy
- Code Python : fajwel/Open-Canopy
- BD ORTHO® IGN : geoservices.ign.fr/bdortho
- Géoplateforme : data.geopf.fr