Rendre l'échelle de rugosité jointive entre tuiles

Le z-score par tuile et le vmax au percentile 98 par tuile donnaient une
échelle de couleur non jointive (écart-type variant de 0,05 a 0,58 m selon
la dalle). Références de normalisation figées (médianes mesurées sur 20
dalles réelles) et vmax fixe 3,8 (p98 médian) : même rugosité physique =
même couleur partout.

lidar_pipeline/visualizations.py

@@ -880,6 +880,15 @@ def _box_std_from_integral(Sx, Sx2, size):
     return xp.sqrt(xp.maximum(mean_sq - mean * mean, 0))
 
 
+# Références de normalisation de la rugosité (mètres d'écart-type local).
+# Médianes inter-tuiles mesurées sur 20 dalles réelles à 0,2 m : la
+# normalisation par tuile (z-score) rendait l'échelle non jointive — l'écart
+# variait de 0,05 à 0,58 m selon la tuile pour l'échelle fine. References
+# FIGÉES : même rugosité physique = même valeur sur toutes les tuiles.
+ROUGHNESS_FINE_REF_M = 0.156
+ROUGHNESS_BROAD_REF_M = 0.475
+
+
 def generate_roughness(dem_file, basename, vis_dir, resolution, shared=None):
     """Surface roughness - multi-scale standard deviation (GPU-accelerated).
 
@@ -889,6 +898,9 @@ def generate_roughness(dem_file, basename, vis_dir, resolution, shared=None):
     deux échelles, extraction par 4 coins — coût constant quelle que soit
     la fenêtre (un uniform_filter coûte proportionnellement à sa taille,
     75 px à 0,2 m pour l'échelle large).
+
+    Normalisation par références FIXÉES (médianes mesurées) et non par
+    tuile : les mosaïques sont jointives, même valeur = même couleur.
     """
     gpu_tag = " [GPU]" if _gpu_mod.HAS_GPU else ""
     logger.info(f"  → Rugosité de surface{gpu_tag}...")
@@ -930,13 +942,10 @@ def generate_roughness(dem_file, basename, vis_dir, resolution, shared=None):
         roughness_fine[nan_mask] = np.nan
         roughness_broad[nan_mask] = np.nan
 
-        # Std normalization per scale then weighted combination
-        fine_valid = roughness_fine[~nan_mask]
-        broad_valid = roughness_broad[~nan_mask]
-        fine_std = max(np.nanstd(fine_valid), 0.01) if len(fine_valid) > 0 else 0.01
-        broad_std = max(np.nanstd(broad_valid), 0.01) if len(broad_valid) > 0 else 0.01
-
-        roughness = 0.7 * roughness_fine / fine_std + 0.3 * roughness_broad / broad_std
+        # Combinaison pondérée, échelle physique commune (références fixées :
+        # jointive entre tuiles — cf. constantes module)
+        roughness = (0.7 * roughness_fine / ROUGHNESS_FINE_REF_M
+                     + 0.3 * roughness_broad / ROUGHNESS_BROAD_REF_M)
         roughness[nan_mask] = np.nan
 
         _save_tif(output, roughness, transform, crs)