Characterization of the horizontal structure of the tropical forestcanopy using object-based LiDAR and multispectral image analysis

this article's goal is to explore the benefits of using Digital Surface Model (DSM) and Digital TerrainModel (DTM) derived from LiDAR acquisitions for characterizing the horizontal structure of differentfacies in forested areas (primary forests vs. secondary forests) within the framework of an object-orientedclassification. The area under study is the island of Mayotte in the western Indian Ocean. The LiDAR datawere the data originally acquired by an airborne small-footprint discrete-return LiDAR for the "Litto3D"coastline mapping project. They were used to create a Digital Elevation Model (DEM) at a spatial resolutionof 1 m and a Digital Canopy Model (DCM) using median filtering. The use of two successive segmentationsat different scales allowed us to adjust the segmentation parameters to the local structure of the landscapeand of the cover. Working in object-oriented mode with LiDAR allowed us to discriminate six vegetationclasses based on canopy height and horizontal heterogeneity. This heterogeneity was assessed using atexture index calculated from the height-transition co-occurrence matrix. Overall accuracy exceeds 90%.The resulting product is the first vegetation map of Mayotte which emphasizes the structure over thecomposition. / La présente étude a pour objet de présenter l'intérêt d'utiliser des MNS et MNT issus des acquisitions LiDAR pour caractériser la structure horizontale de différents faciès d'espaces boisés (forêts primaires vs forêts secondaires) dans le cadre d'une classification orientée objet. La zone d'étude est l'île de Mayotte dans l'océan Indien occidental. Les données LiDAR sont des données acquises par un LiDAR aéroporté à retours discrets et à petite empreinte mis en oeuvre dans le cadre du projet de cartographie du littoral " Litto3D ". Elles ont été utilisées pour créer un Modèle Numérique de Hauteur (MNH) à 1m de résolution spatiale puis un Modèle Numérique de Canopée (MNC) par filtrage médian. L'utilisation de deux segmentations succes