TreeStructor : une IA reconstruit l'arbre entier, pas seulement son squelette, à partir d'un nuage de points LiDAR

Un scan LiDAR de forêt, qu'il soit terrestre, aéroporté ou pris depuis un sac à dos, ne livre jamais un arbre tout fait. Il livre un nuage de points : des branches qui se chevauchent, des zones masquées par le houppier voisin, du sous-bois qui ajoute du bruit, et des trous là où le faisceau laser n'a simplement pas pu passer. Reconstruire, à partir de ce nuage, la forme réelle de chaque arbre individuel reste l'un des problèmes non résolus de la foresterie de précision. Une équipe de Purdue University et de l'université de Kiel, en Allemagne, propose une nouvelle réponse à ce problème avec TreeStructor, une méthode publiée dans IEEE Transactions on Geoscience and Remote Sensing et annoncée par Purdue en janvier 2026.

Pourquoi les méthodes classiques peinent sur des scans réels

L'approche dominante jusqu'ici, les modèles de structure quantitative (QSM, pour quantitative structure models), ajuste des cylindres successifs le long du nuage de points pour approximer tronc et branches. Cette approche géométrique fonctionne bien sur des scans propres et denses, mais se dégrade nettement dès que les données deviennent incomplètes ou bruitées, ce qui est la norme plutôt que l'exception sur le terrain : occlusion par la canopée environnante, passages multiples mal recalés, végétation basse qui parasite le signal. Un ajustement cylindre par cylindre, sans connaissance a priori de ce à quoi un arbre doit ressembler, accumule les erreurs à chaque segment manquant ou mal capté.

Une bibliothèque de formes, triée par un réseau de neurones

TreeStructor change d'angle d'attaque. Plutôt que d'ajuster des primitives géométriques génériques, la méthode construit d'abord une bibliothèque de structures arborescentes récurrentes, à plusieurs échelles : des motifs de jonctions de branches, des segments de tronc, des configurations de houppier qui se répètent d'un arbre à l'autre au sein d'une même essence ou d'un même peuplement. Face à un nouveau nuage de points, l'algorithme découpe les données en fragments, puis confronte chaque fragment à cette bibliothèque pour lui substituer la forme géométrique qui lui correspond le mieux. Le titre même de la publication, « Forest Reconstruction With Neural Ranking », pointe vers le mécanisme clé : un réseau de neurones de classement (neural ranking), décrit par ailleurs comme un réseau de neurones convolutif (CNN), qui apprend à noter et ordonner les candidats de la bibliothèque pour chaque fragment, plutôt que de les ajuster un par un par optimisation géométrique pure. Une dernière étape relie les formes ainsi sélectionnées entre elles pour reconstituer un arbre connecté, cohérent de la base au houppier, même lorsque certaines portions du nuage de points d'origine sont absentes.

Un maillage avec du volume, pas un simple squelette

La différence ne se limite pas à la méthode d'ajustement, elle porte aussi sur la nature du résultat. De nombreuses approches de reconstruction produisent un squelette filaire de l'arbre, une structure topologique utile pour visualiser l'architecture mais qui ne porte pas directement d'information de volume. TreeStructor produit à la place un maillage de surface individuel pour chaque arbre, ce qui veut dire que le volume ligneux, et donc des variables dendrométriques comme le diamètre à hauteur de poitrine (DBH), peuvent être extraits directement de la géométrie reconstruite plutôt qu'estimés par une formule allométrique séparée.

Des gains annoncés, à vérifier à la source

Un résumé de la publication, relayé sur ResearchGate, avance que TreeStructor dépasserait la méthode de référence actuelle d'environ 6 % sur les métriques quantitatives de reconstruction, avec un écart qui s'élargirait à environ 12 % d'erreur en moins par rapport à une approche QSM classique sur des scans de mauvaise qualité, précisément le cas d'usage où les méthodes géométriques pures montrent leurs limites. Ces chiffres proviennent d'une source secondaire et n'ont pas été vérifiés sur la version définitive de l'article IEEE, dont la référence exacte (volume, numéro, DOI) n'a pas pu être confirmée dans les sources consultées aujourd'hui ; ils sont à prendre comme un ordre de grandeur annoncé par les auteurs, pas comme une mesure indépendante.

Ce que ça change pour l'inventaire forestier et son enseignement

Pour qui travaille sur l'inventaire forestier assisté par LiDAR, qu'il s'agisse de scans terrestres, de LiDAR porté en sac à dos ou de LiDAR aéroporté ou drone, l'intérêt de TreeStructor est direct : automatiser l'extraction de variables individuelles (volume, DBH, architecture du houppier) sur des scans réels, imparfaits, sans dépendre d'une mesure de terrain arbre par arbre. C'est aussi un bon support pédagogique pour illustrer, concrètement, une limite structurelle des méthodes géométriques classiques en traitement de nuages de points, et la manière dont l'ajout d'un a priori structurel appris (la bibliothèque de formes, triée par un réseau de neurones) permet de la contourner. Le projet indique mettre à disposition code et données sur une page dédiée ; avant de les utiliser en formation, une vérification de leur disponibilité effective et de leur licence reste indispensable, comme pour tout dépôt de recherche annoncé dans une publication récente.