Nous tenons à remercier le GIP du futur parc national des forêts de Champagne et de Bourgogne pour la mise à disposition des données LiDAR, son soutien financier et le dialogue constant pour mener à bien ces travaux et le Conseil Régional de Bourgogne qui a financé ces travaux (PARI 2013, 2014).
1Depuis plus d’une dizaine d’années, la technologie LiDAR (light detection and ranging) est utilisée dans le domaine de la prospection aéroportée appliquée à l’archéologie (Nuninger et al., 2010). Cette technologie produit des mesures à haute précision et haute densité de la topographie de la surface du sol. Le LiDAR présente un intérêt certain en archéologie sous couvert forestier, puisqu’il permet l’identification de vestiges archéologiques formant des microreliefs. L’utilisation du LiDAR en archéologie est en plein essor et touche l’ensemble de la communauté archéologique i.e. en France (Sittler et Hauger, 2007 ; Georges-Leroy et al., 2009), en Europe (Kooistra and Maas, 2008 ; Bofinger and Hesse, 2010), voire mondiale (Chase et al., 2010 ; Evans, 2016). Toutes ces études ont démontré le potentiel du LiDAR pour la détection de structures archéologiques sous couvert forestier. De plus, cette technologie permet une investigation pour des surfaces importantes (de l’ordre de plusieurs centaines de kilomètres carrés), dans un laps de temps court, à une résolution spatiale élevée (de l’ordre du décimètre), et une très bonne précision (de l’ordre du centimètre) (Devereux et al., 2005).
2La détection de vestiges archéologiques est habituellement réalisée à partir de techniques de visualisation du Modèle Numérique de Terrain (MNT) dérivé des données LiDAR. Ces techniques permettent de localiser et de proposer une interprétation archéologique des structures observées. Depuis l’utilisation du LiDAR en archéologie, l’ombrage (hillshading) a été très largement utilisé, car il est facile à calculer et à interpréter (Zakšek et al., 2011). Cependant l’utilisation de l’ombrage comme technique principale de reconnaissance peut avoir un impact négatif sur le nombre de structures identifiées et sur la qualité de leur interprétation (Devereux et al., 2005, 2008). L’utilisation de l’analyse en composantes principales (ACP) sur plusieurs ombrages permet de synthétiser l’information en réduisant le nombre de bandes. Généralement, les trois premières bandes de l’ACP renferment plus de 99 % de la variabilité du système (Zakšek et al., 2011). Des techniques plus sophistiquées ont été développées pour pallier aux problèmes rencontrés sur l’ombrage. Parmi celles-ci, le sky view factor (Kokalj et al., 2011 ; Zakšek et al., 2011), l’ouverture topographique (Doneus, 2013 ; Yokoyama et al., 2002) et les cartes de radiation solaire permettent d’observer le degré de dominance ou de fermeture d’une zone sur une surface irrégulière. Le modèle de relief local (Local Relief Model « LRM ») permet quant à lui de représenter les différences d’altitudes locales observées à grandes échelles, après avoir supprimé la morphologie du paysage observée à petites échelles, à partir d’un MNT (Hesse, 2010). On peut alors voir si la structure présente un relief positif ou négatif et ainsi évaluer sa hauteur ou sa profondeur. Enfin, d’autres techniques, telles que les cartes des pentes, d’orientation, de courbure (Doneus et Briese, 2006) permettent d’effectuer une classification des structures selon leurs caractéristiques morphologiques.
3L’utilisation d’une seule technique de visualisation ne permet pas forcement d’identifier toutes les structures (Challis et al., 2011). La combinaison de plusieurs techniques peut, dans certains cas, augmenter les contrastes tout en supprimant le bruit produit par certaines techniques (Hesse, 2010). Le contexte géomorphologique i.e. plateau, versant, plaine alluviale, peut également avoir un impact sur la reconnaissance des structures, certaines techniques permettent de mieux discriminer les structures que d’autres (Stular et al., 2012). De plus, les structures présentent des morphologies qui leurs sont propres ; le choix des paramètres utilisés pour le calcul d’indice doit être bien défini en fonction du type de structure recherchée (Hesse, 2010 ; Nuninger et al., 2010 ; Zakšek et al., 2011). Toutes ces techniques de visualisation permettent de localiser les vestiges archéologiques, cependant elles ne permettent pas forcement d’aboutir à une caractérisation typologique des structures.
4Cette étude présente les travaux méthodologiques effectués au sein de la plateforme technologique géomatique de Bourgogne Franche-Comté de la MSH de Dijon (GEOBFC – MSH de Dijon) sur la détection et l’enregistrement de structures archéologiques sous couvert forestier à partir de données LiDAR. Ces travaux ont été réalisés sur les données LiDAR de la forêt du Châtillonnais, acquises par Parcs Nationaux de France pour le groupement d’intérêt public (GIP) des forêts de Champagne et Bourgogne. En collaboration avec les archéologues qui étudient le secteur, une démarche de vectorisation a été mise en place, d’une part pour accompagner les archéologues qui utilisaient pour la première fois des données LiDAR et d’autre part pour aboutir à une vectorisation la plus homogène et cohérente possible de l’ensemble du secteur investigué. Dans un premier temps, une méthode de reconnaissance des structures archéologiques selon une typologie morphologique a été développée à partir de divers indices de visualisation. Puis, la mise en place d’un Système d’Information Géographique (SIG) comprenant un protocole de vectorisation, une base de données spatiales, les données nécessaires à l’identification des structures et le paramétrage du logiciel libre QGIS a permis de proposer une solution adaptée à la reconnaissance et à l’enregistrement des structures. Enfin, cette solution a été testée par divers opérateurs sur un secteur commun afin d’évaluer l’homogénéité de la vectorisation. Ce test a conduit d’une part à améliorer le protocole de vectorisation et d’autre part à identifier les facteurs qui contribuent à rendre la vectorisation hétérogène et l’identification des structures archéologiques incomplète voire erronée.
5Le secteur d’étude s’étend sur une partie de la forêt domaniale de Châtillon-sur-Seine (Côte d’Or, France) dans le futur Parc national des forêts de Champagne et Bourgogne (fig. 1). Les forêts du Châtillonnais ont fait l’objet de nombreuses recherches archéologiques depuis le xixe siècle jusqu’à nos jours (Paris et Bretonne, 1981 ; Chaume et Mordant, 2011). Depuis plus de dix ans, un inventaire exhaustif des structures de pierres sèches a été mis en œuvre par des prospections pédestres au GNSS différentiel et complété par des prospections de terrain (Goguey et al., 2010). Pour compléter ces travaux, une acquisition LiDAR a été réalisée en mars 2012, par le GIP du futur Parc national des forêts de Champagne et Bourgogne. L’acquisition réalisée en trois jours, en mars 2012, par la société Sintegra (Grenoble) couvre un secteur de 381 km², pour une densité moyenne de points « sol » égale à 7 points/m². La classification des points « sol/sursol » a été réalisée par la société chargée de l’acquisition. Le filtrage utilisé pour classifier les données a été discuté avec les archéologues, sur des secteurs déjà prospectés, pour préserver le maximum d’informations archéologiques à l’issue de la classification. Un modèle numérique de terrain (MNT) à une résolution spatiale de 50 cm a été calculé par la même société à partir des points « sols » estimés par la classification.
Figure 1 : Emprise du vol LiDAR réalisé, d’une superficie de 380 km², sur la forêt du Châtillonnais/ Area of the LiDAR flight on the Châtillonnais forest (380 km²)
6Depuis plus de 10 ans, des campagnes de relevés, effectuées à l’aide de GNSS différentiels, ont été réalisées sur le secteur d’étude. Pour réaliser ces relevés, un thésaurus des structures visibles sur le terrain a été formalisé, thésaurus fondé sur la morphologie des vestiges (murées, fossés, tertres, excavations, etc.) (Goguey et al., 2010, Chaume et Mordant, 2011). La typologie utilisée pour ces relevés définit trois formes de structures principales i.e. des lignes, des points, des surfaces. Pour chacune de ces formes, les structures présentent soit un relief négatif, soit un relief positif, soit un relief de rupture de pente. La taille de la structure et sa position géomorphologique ont également été prises en compte. Dans un second temps, la cartographie de ces formes simples et l’étude de leurs relations spatiales ont permis d’identifier et de caractériser des structures dites « complexes », tels que des parcellaires, des enclos, des habitats, etc. Pour certains vestiges, la fonction usuelle a pu être déterminée uniquement à partir de fouilles, tels que les tertres tumulaires, les habitats etc. (Goguey et al., 2010). Cette typologie étant basée sur les paramètres morphologiques, l’utilisation de données topographiques à haute résolution spatiale, comme les données LiDAR, semble être adaptée à l’identification et la caractérisation des vestiges archéologiques. Cette démarche a également été employée dans la forêt de Haye, en Lorraine (Georges-Leroy et al., 2011) ou dans la forêt de Chailluz, près de Besançon (Fruchart, 2014) dans des contextes environnementaux similaires à celui du Châtillonnais.
7Ce protocole pour la reconnaissance des vestiges, pour leur enregistrement et pour leur interprétation archéologique a été développé au sein de la plateforme technologique GEOBFC à la Maison des Sciences de l’Homme de Dijon. Ces travaux se sont déroulés en trois étapes. Tout d’abord une première étape a concerné l’identification des types de structures à partir des données LiDAR. La deuxième étape a permis la rédaction d’un modus operandi de vectorisation et la création d’une application SIG pour la vectorisation et l’enregistrement des structures. La finalité de cette démarche et de cette application est d’accompagner les chercheurs dans le traitement des données LiDAR et d’obtenir une vectorisation la plus homogène entre les différents chercheurs et opérateurs travaillant à partir du LiDAR de la forêt du Châtillonnais. Enfin, nous avons soldé la mise en œuvre par un test collectif de reconnaissance et d’enregistrement des vestiges archéologiques sur un secteur commun afin de valider la démarche et l’application.
8La typologie utilisée pour les relevés GNSS, définie selon des critères morphologiques, a été adaptée à l’analyse et à l’interprétation des données LiDAR. Pour tester la reconnaissance typologique des structures, les techniques de visualisations du MNT précédemment introduites ont été utilisées. Les relevés GNSS acquis au cours de dix dernières années ont été utilisés pour identifier les anomalies de relief observées sur les divers indices produits à partir du MNT. Parmi ces indices, l’indice des pentes a permis de mettre en évidence les variations morphologiques des structures et ainsi d’identifier leur type. Elle exprime pour chaque pixel du MNT l’inclinaison de la surface topographique mesurée par rapport à l’horizontale (Jones, 1998). Les valeurs calculées sont exprimées en degrés (°). Des clés de lecture à partir de cette carte des pentes, ont été proposées permettant ainsi l’identification de chaque type d’anomalie (fig. 2). Par exemple, une murée se caractérise sur la carte des pentes par une succession de valeurs de pente modérées, puis faibles, puis à nouveau modérées. Cette succession permet de distinguer les flancs des murées, correspondant aux valeurs de pentes modérées, du sommet de la murée, correspondant aux faibles valeurs de pente. L’ensemble des structures relevées au GNSS a pu ainsi être caractérisé à partir de cet indice. Toutefois, certaines structures présentent un motif similaire sur la carte des pentes, c’est le cas entre les murées et les fossés, ou bien encore entre les tertres (tas de pierres) et les excavations (minières, lavières). La carte des pentes ne permet par ailleurs pas de faire la distinction entre un relief positif et négatif (Doneus, 2006). Aussi, pour s’affranchir de ce problème, un second indice a été utilisé : l’ouverture topographique positive. Cet indice exprime le degré de dominance ou de fermeture d’un espace sur une surface irrégulière (Doneus, 2013). L’ouverture topographique étant calculée sur des angles importants, supérieurs à 180°, elle permet de s’affranchir des effets topographiques. On peut alors distinguer les structures en élévation des structures en dépression qui ne peuvent être différentiées sur la carte des pentes (fig. 2).
Figure 2 : Grille de lecture de structures archéologiques sur images de pentes et d’ouverture topographique positive / Reading grid of archaeological remains on slope and openess
9Afin d’homogénéiser l’enregistrement de l’ensemble des données, un Système d’Information Géographique (SIG) a été réalisé. Pour cela, un protocole de vectorisation a été mis au point en collaboration avec les chercheurs en prenant en compte les clés de lecture vues précédemment. L’enregistrement des anomalies s’effectue par le biais du logiciel libre QGIS. Dans ce SIG, les indices de pentes et d’ouverture topographique positive nécessaires à l’identification des structures ont été intégrés. Afin d’affiner et de permettre l’identification d’objets non prévus dans la clé d’identification initiale, d’autres indices ont été intégrés : sky view factor, ouverture topographique négative, 8 ombrages, ACP sur ombrages. Ces différents indices ont été générés par le géomaticien en charge du projet en adaptant les paramètres aux objets à détecter, puis mis à disposition des différents opérateurs.
10Les données vectorisées sont intégrées au sein d’une base de données spatiale (SQLITE/Spatialite). La vectorisation des structures s’effectue en deux temps. Tout d’abord, les structures « simples » (vectorisation 1), identifiées comme des objets isolés et d’orientations différentes sont vectorisées (fig. 3A). Les objets sont vectorisés selon trois formes i.e. des points, des lignes et des polygones et rattachés à trois tables attributaires distinctes.
Figure 3A : Structuration de la base de données géographiques intégrant la première étape de vectorisation / Geographical database for the first vectorization
11La saisie du contenu des tables de ce premier niveau d’identification peut se faire en plusieurs étapes. En effet, les attributs peuvent être regroupés en deux catégories, une catégorie descriptive : « qu’est-ce que j’observe sur les images ? Quelles sont les formes que j’identifie ? » ; une seconde plus interprétative concerne les hypothèses des archéologues ou est complétée après prospection ou sondages. Cette seconde catégorie ne sera pas traitée dans le cadre de cet article.
12Les attributs renseignés au sein de chaque table sont :
-
le type d’indice utilisé pour identifier la structure ;
-
un identifiant de structure unique, composé des initiales de l’opérateur suivi d’une numérotation incrémentée automatiquement ;
-
le type de structure identifiée ;
-
sa fonction ;
-
l’« incertitude » pour permettre à l’opérateur d’exprimer le degré de fiabilité qu’il estime concernant la reconnaissance du type de structure ;
-
le champ « vérification terrain » permet de valider le type de structure identifié si celui-ci a été observé par la suite sur le terrain.
13Dans un second temps, la vectorisation des structures dites « complexes » (vectorisation 2, [fig 3B.]), formées par plusieurs structures simples, est effectuée. Cette vectorisation correspond à l’interprétation archéologique des structures observées. Ces dernières sont enregistrées sous forme de polygone, au sein d’une quatrième table, dans laquelle sont renseignés le type et la fonction. Ce regroupement des formes simples des vestiges identifiés et interprétés initialement est utile pour étudier des espaces à une échelle plus petite, pour comparer des secteurs et pour certaines analyses spatiales et morphologiques (non abordées dans cet article).
Figure 3B : Structuration de la base de données géographiques intégrant la seconde étape de vectorisation / Geographical database for the second vectorization
14Pour faciliter la saisie de l’ensemble des structures et éviter les erreurs de frappe qui pourraient nuire aux requêtes spatiales, la saisie des divers attributs s’effectue à partir de formulaires de saisie. Afin d’homogénéiser l’enregistrement des structures, des règles de vectorisation ont été utilisées, celles-ci sont en partie basées sur les normes cartographiques proposées par Murielle Georges-Leroy (Georges-Leroy et al., 2011). A titre d’exemple, pour les structures linéaires, l’enregistrement de deux structures distinctes se fait lorsque l’angle formé entre les deux linéaires est supérieur à 45°.
15L’objet de ce test consiste à vectoriser un secteur d’un kilomètre carré à l’aide de l’application SIG et du protocole de vectorisation présentés précédemment. La reconnaissance des structures peut se faire à partir de l’ensemble des indices disponibles mais l’opérateur doit saisir celui qui l’a le plus aidé pour l’identification. Pour rappel, les différents indices ont le même paramétrage pour l’ensemble des opérateurs. Par ailleurs, la vectorisation doit être exhaustive pour l’ensemble des objets décrits dans la typologie.
16Le secteur choisi pour le test combine différents contextes géomorphologiques (plateau, versant, fond de vallée) et la majeure partie des types de structures étudiées. Ce secteur est représentatif de l’environnement de la forêt du Châtillonnais et à l’avantage d’avoir été prospecté en 2003 avec enregistrements des structures via GNSS.
17Le test de vectorisation a été réalisé par huit opérateurs qui présentent des profils divers par leurs fonctions professionnelles et leurs domaines de compétences (archéologues professionnels, doctorants en archéologie et géomaticiens, tabl. 1). Les archéologues ont de très bonnes connaissances du terrain et des vestiges après plus de dix ans de prospections pédestres sur le secteur d’étude ; ils sont néanmoins novices en ce qui concerne l’utilisation des logiciels SIG et le traitement des données LiDAR. Les doctorants archéologues ont des connaissances plus faibles sur l’archéologie forestière des lieux mais ils connaissent les outils SIG. Enfin les ingénieurs géomaticiens sont familiarisés avec les logiciels SIG et le traitement des données LiDAR ; leurs connaissances en archéologie forestière sont peu développées.
Tableau 1 : Profils des divers opérateurs ayant participés au test de vectorisation / Table 1 : Scientific domains of each operator participating to the vectorisation text
|
Référence opérateur
|
Fonction opérateur
|
Compétences et connaissances
|
|
Archéologie forestière
|
Relevés GPS forêt Châtillon
|
SIG / traitement Lidar
|
|
Opérateur 1
|
Doctorant archéologie
|
++
|
+
|
+
|
|
Opérateur 2
|
Doctorant archéologie
|
+++
|
+++
|
+
|
|
Opérateur 3
|
Archéologue
|
+++
|
+++
|
O
|
|
Opérateur 4
|
Archéologue
|
+++
|
+++
|
O
|
|
Opérateur 5
|
Géomaticien
|
+
|
++
|
+++
|
|
Opérateur 6
|
Géomaticien
|
O
|
O
|
+++
|
|
Opérateur 7
|
Géomaticien
|
+
|
++
|
++
|
|
Opérateur 8
|
Archéologue
|
+++
|
+++
|
O
|
18Les résultats des différents opérateurs ont été comparés à la vectorisation du géomaticien en charge du projet, à la fois expert des Systèmes d’Information Géographiques et des relevés terrain sur le secteur. Les doutes éventuels seront levés par un retour terrain.
19Dans un deuxième temps, ce secteur d’étude a été comparé aux relevés GNSS existants sur le secteur pour évaluer un éventuel apport quantitatif et/ou qualitatif du LiDAR.
20Le test de vectorisation réalisé sur un secteur d’un kilomètre carré a mis en évidence une forte hétérogénéité dans la vectorisation des structures par divers opérateurs.
21Cette hétérogénéité se marque (i) par des effectifs très différents du nombre d’objets reconnus, allant du simple au double, quel que soit la forme des objets enregistrés, (fig. 4) (ii) par des distributions spatiales des types de structures identifiées différentes. Nous avons donc cherché à déterminer les causes de cette hétérogénéité.
Figure 4 : Distribution des diverses entités spatiales identifiées selon chaque opérateur / Distribution of spatial features identified by each operator
22Il semble exister une relation entre les effectifs enregistrés et les profils des opérateurs (fig. 4). Les plus faibles effectifs des objets enregistrés sous forme de point et de surface ont été enregistrés par un opérateur qui ne connait pas le milieu étudié (Opé. 6). De faibles effectifs ont également été observés pour un autre opérateur qui par contre, connait bien le terrain mais qui réalisait sa première expérience de vectorisation de données LiDAR (Opé. 3). Il semblerait qu’une bonne connaissance du milieu étudié et de l’outil de vectorisation soit nécessaire pour aboutir à une vectorisation la plus homogène possible.
23Nous nous sommes également intéressés à observer si le choix de l’indice de visualisation utilisé avait une influence sur la reconnaissance du type de structure. L’ensemble des résultats obtenus a démontré que certains indices présentent un fort potentiel pour l’identification de certains types de structure (fig. 5). Comme par exemple la carte des pentes qui a permis d’identifier la majeure partie des charbonnières, des murées, des murées sur épaulements et des épaulements, ou bien encore le sky view factor utilisé pour reconnaitre les carrières et les zones de lapiaz. Nous avons pu voir que les charbonnières localisées en contexte de plateau n’ont pas pu être identifiées par le biais de la carte des pentes. Ainsi, l’utilisation d’un indice unique ne permet pas d’identifier l’ensemble des structures. Ceci confirme les observations faites par Challis et al. (2011) et Hesse (2010). De la même manière, nous avons observé que l’utilisation du sky view factor en contexte de fort relief (versant) ne permet pas d’identifier les structures présentes, comme il l’a déjà été démontré par Doneus (2013). Aussi l’utilisation d’indices non appropriés peut avoir une influence sur le nombre de structures identifiées.
Figure 5 : Distribution des divers types d’indices de visualisation utilisés, par l’ensemble des opérateurs de saisie, en fonction du type de structure identifiée / Visualization index distribution depending on each operator and remains
24Les résultats du test ont également mis en évidence que l’enregistrement des structures n’était pas réalisé de la même manière en fonction des opérateurs : les tertres allongés (fig. 6A, B et C), les carrières ou bien encore les zones de lapiaz ont été vectorisées selon plusieurs formes (fig. 6D, E et F) ce qui induit (i) des effectifs différents, (ii) une surestimation et/ou une sous-estimation des longueurs et des surfaces cumulées (tabl. 2) ou bien encore (iii) masque la présence d’autres structures (fig. 6F). Ces observations montrent bien qu’il est nécessaire de définir et de respecter les règles de vectorisation pour aboutir à une vectorisation homogène.
Figure 6 : Enregistrement d’un tertre allongé (A, B et C) et d’une zone de lapiaz (D, E et F) selon divers formes i.e. point, ligne et surface / Recording of a long barrow and a lapiaz area according to different features (point, line, polygon)
Tableau 2 : Différences des surfaces enregistrées pour un même lapiaz / Differences of recorded areas for the same lapiaz
|
Opérateur
|
Enregistrement
|
Surface enregistrée
|
|
Opé. 1
|
zone lapiaz
|
5,2 ha
|
|
Opé. 2
|
zone lapiaz
|
4,1 ha
|
|
Opé. 5
|
zone lapiaz
|
3,9 ha
|
|
Opé. 8
|
zone « englobante »
|
9,4 ha
|
25Le secteur ayant été prospecté au GNSS au cours de la dernière décennie, les relevés ont ainsi pu être utilisés pour évaluer la reconnaissance des divers types de structures identifiées, par le géomaticien en charge du projet, à partir des données LiDAR. Il en ressort que les effectifs des structures relevés à partir des données LiDAR sont nettement supérieurs à ceux du GNSS (tabl. 3, fig. 7). Quelle que soit la forme des entités enregistrées, on observe une augmentation du nombre de relevés à partir du LiDAR supérieur à 50 %. Cette augmentation est du même ordre de grandeur que pour la forêt de Haye (Georges-Leroy et al., 2011) et pour toute la partie sud de la zone couverte par le LiDAR sur la forêt du Châtillonnais, couvrant 100 km² (Goguey et al., 2014). Plusieurs hypothèses peuvent être formulées pour expliquer ces écarts entre le nombre de structures relevées au GNSS et à partir des données LiDAR. On peut supposer que les secteurs vides n’ont pas été prospectés au GNSS ; que le relevé GNSS ne permet pas d’avoir une vision d’ensemble et donc une exhaustivité dans le relevé ; ou bien que l’identification des structures sur le terrain n’était pas possible, soit du fait de la présence de végétation qui masquait les vestiges ou bien parce que ces derniers ne présentaient pas un relief suffisant pour être identifiés visuellement. Cette seconde hypothèse a été validée par un retour terrain, où il a été observé que les structures de faibles amplitudes topographiques, de l’ordre de quelques décimètres, sont très difficilement repérables sur le terrain. De plus, certains vestiges relevés à partir du LiDAR n’étaient pas cartographiés lors des relevés GNSS, c’est le cas des charbonnières, qui sont hors du cadre chronologique des thématiques de recherches des chercheurs. Le relevé LiDAR sur cette zone permet de réaliser un inventaire plus complet des structures que la prospection GNSS.
Figure 7 : Cartographie de comparaison entre les structures archéologiques relevées au GNSS et celles identifiées par l’analyse des données LiDAR / Comparison map between the archaeological structures surveyed by GNSS (and those identified by LiDAR data analysis
Tableau 3 : Comparaison des effectifs des structures relevées par prospection pédestre au GNSS et à partir des données LiDAR / Vestiges amount comparison by GNSS surveys and by data LiDAR
|
Formes relevées
|
LiDAR
|
GNSS
|
Différentiel
|
LiDAR
|
GNSS
|
Différentiel
|
|
Unité
|
LiDAR/GNSS
|
Longueur cumulée (km)
|
LiDAR/GNSS
|
|
Point
|
|
|
|
|
|
|
|
345
|
50
|
+299 %
|
-
|
-
|
-
|
|
Ligne
|
|
|
|
|
|
|
|
140
|
65
|
+54 %
|
10,5
|
3,5
|
+100 %
|
26Quand on observe les images produites de données LiDAR, on peut très souvent, constater des anomalies topographiques, l’enjeu de telles données est surtout de pouvoir les identifier, les classer selon une typologie voire de les interpréter archéologiquement et historiquement. Outre la forte différence de structures enregistrées entre la lecture LiDAR et la prospection terrain, il existe également une hétérogénéité dans l’interprétation des vestiges, entre les relevés GNSS et LiDAR (fig. 7). Pour les entités enregistrées sous forme de point, les vestiges ont tous bien été identifiés. Pour ceux enregistrés sous forme de ligne, seulement 50 % des épaulements relevés à partir du LiDAR correspondent à des épaulements vus en prospection GNSS (fig. 8A). Pour les murées, 90 % de structures ont été bien classées. Par contre toutes les murées sur épaulement ont été mal classées (fig. 8A). Ceci peut s’expliquer par le fait, qu’à l’époque de l’acquisition GNSS, en 2003, les prospecteurs ne faisaient pas la différence entre les murées sur épaulements et les murées. Enfin, les fossés et les levées de terre identifiés à partir du LiDAR correspondent bien aux relevés GNSS. Pour les structures de formes « surface », l’ensemble des vestiges identifiés à partir du LiDAR présentent bien la même typologie que celle des relevés GNSS. Au vu de ces résultats, il apparait que l’identification du type de structure ne semble pas être aisée pour les formes linéaires. Toutefois, il est difficile de savoir si les erreurs de classification proviennent d’une mauvaise identification sur le terrain lors des relevés GNSS ou bien d’une mauvaise interprétation des indices de visualisation issus des relevés LiDAR ou bien encore d’un problème de typologie.
27La typologie des structures archéologiques de la forêt du Châtillonnais étant en partie définie à partir des caractéristiques morphologiques de celles-ci, l’utilisation de coupes topographiques 2D semble être adaptée à la reconnaissance des types de vestiges. Les linéaires qui présentaient des différences typologiques entre les relevés LiDAR et GNSS ont donc été vérifiés à partir de ces coupes 2D réalisées sur le MNT LiDAR. Les résultats obtenus montrent que les structures bien classées sont plus nombreuses par rapport au GNSS. Ainsi, les épaulements et les murées ont bien été identifiés à hauteur de 80 % (fig. 8B). Plus de 2/3 des murées sur épaulement ont été reconnues. Toutefois, l’utilisation des coupes topographiques 2D pour évaluer la bonne reconnaissance des structures à partir des indices de visualisation reste limitée. Dans certains cas, il est très difficile à partir des coupes 2D d’identifier avec certitude le type et plus particulièrement pour les murées sur épaulements et pour les levées de terre (fig. 8B). Il semble donc que la haute résolution des données LiDAR permette de mieux identifier les types de structures que lors des relevés GNSS. Les données LiDAR permettent d’identifier les fines variations topographiques qui ne sont pas forcément visibles sur le terrain. De plus, lorsque les relevés GNSS ont été réalisés, les changements typologiques lors de l’enregistrement d’une structure n’ont pas forcément été pris en compte sur le terrain et dépendent donc de l’opérateur.
Figure 8 : Histogrammes illustrant la reconnaissance des types de structure identifiés à partir du LiDAR par rapport aux relevés GNSS (A) et aux coupes topographiques 2D (B) / Type of remains identification histograms from the LiDAR compared with GNSS surveys (A) and compared with the 2D topographic cross sections (B)
28L’utilisation des relevés GNSS et des coupes topographiques 2D réalisées sur le MNT LiDAR offre la possibilité d’effectuer une validation partielle du type de vestige identifiée. Il semble donc nécessaire d’effectuer un retour sur le terrain pour valider l’identification des vestiges linéaires qui présentent de faibles amplitudes topographiques.
29Le protocole de vectorisation proposé a pu être testé sur un secteur de la forêt du Châtillonnais par divers opérateurs. Du point de vue pratique, celui-ci permet à chacun d’utiliser un outil commun, des règles de vectorisation communes, facilitant l’enregistrement des données, notamment pour les novices en logiciel SIG. De plus, ce protocole vise à aboutir à une vectorisation la plus homogène possible de l’ensemble des vestiges de la forêt du Châtillonnais.
30Sur le secteur d’étude, nous avons aussi pu mettre en évidence que certains indices de visualisation présentaient un fort potentiel pour l’identification typologique des structures comme celui de la carte des pentes. Toutefois, l’utilisation d’un indice unique ne permet pas l’identification de toutes les structures présentent sur le secteur, confirmant ainsi les observations faites par Challis et al. (2011) et Hesse (2010). Nous avons essayé de synthétiser dans le tableau 4 les associations entre les types de structures morphologiques, les indices et les contextes géomorphologiques. Naturellement ce tableau ne prend pas en compte l’importance (hauteur ou profondeur) du vestige conservé. Les résultats obtenus lors du test de vectorisation nous ont permis d’améliorer le protocole de vectorisation en plusieurs points. Des règles plus précises ont été définies pour homogénéiser l’enregistrement (1). En fonction du type de structure et du contexte géomorphologique, les indices les plus adaptés ont été identifiés (2). L’utilisation des coupes topographiques en 2D permet aux opérateurs, dans la majeure partie des cas, de valider l’identification typologique réalisée à partir des indices de visualisation (3).
Tableau 4 : Association des indices et des types de forme ; il est indiqué pour chaque type de structure l’indice à utiliser en fonction des contextes géomorphologiques (plateau, versant, fond de vallon) / Association between visualization indexes and archaeological features: for each type of remains the best indexes to be used according to geomorphological context (ridgetop, valley slope, and valley floor) are indicated
|
Types/indices
|
SkyView Factor
|
Pentes
|
Ouv. Topo positive
|
Ouv. Top négative
|
ACP Ombrage
|
Ombrage
|
|
Carrières
|
Plateau
|
|
|
|
|
Plateau/
Versant
|
|
Charbonnières
|
|
Versant
|
Plateau/
Fond de vallon
|
|
|
|
|
Chemins
|
Plateau
|
Plateau
|
Plateau/
Versant/ Fond de vallon
|
Plateau/
Versant/ Fond de vallon
|
|
|
|
Fossé
|
Plateau
|
Plateau
|
Plateau/
Versant/ Fond de vallon
|
Plateau/
Versant/ Fond de vallon
|
|
|
|
Four à Chaux
|
|
Versant / Plateau
|
Versant / Plateau
|
|
|
|
|
Lapiaz
|
Plateau
|
|
|
|
Plateau/
Versant
|
|
|
Murée/Levée
|
Plateau
|
Plateau
|
Plateau/ Versant
|
|
|
|
|
Murée sur épaulement
|
Plateau
|
Plateau
|
Plateau/
Versant
|
|
Plateau/
Versant
|
|
|
Epaulement
|
|
Plateau
|
|
|
Plateau
|
Plateau
|
|
Tertres / Pierriers / Tumulus
|
Versant / Plateau
|
|
Versant / Plateau
|
Versant / Plateau
|
Plateau/ Versant
|
Plateau/ Versant
|
31Pour les vestiges de la forêt du Châtillonnais, il a été démontré que les données LiDAR permettaient d’identifier 50 % de structures archéologiques en plus par rapport aux relevés GNSS effectués sur le terrain. La haute résolution spatiale des données LiDAR permet une visualisation plus précise des formes des structures par rapport au terrain ; elle facilite ainsi l’identification typologique des vestiges archéologiques. Toutefois, pour les linéaires qui présentent de faibles amplitudes topographiques, l’identification des types de structures à partir des données LiDAR reste dans certains cas difficilement réalisable, rendant nécessaire la validation des données obtenues par des retours sur le terrain.