Pipeline LiDAR Archéologique - Docker

Workflow automatisé pour générer des visualisations exploitables à partir de données LiDAR pour la détection de structures archéologiques.

Visualisations (19 par fichier)

Visualisations principales

#	Visualisation	Utilité archéologique
1	Hillshade multidirectionnel	Murs, terrasses, structures linéaires, routes
2	Pente (Slope)	Murs de soutènement, talus, changements brusques
3	Aspect (Orientation)	Direction des pentes, exposition
4	Courbure (Curvature)	Fossés, terrasses, talus, concavité/convexité
5	Sky-View Factor	Structures, tumulus, fondations (ray-tracing 16 azimuts)
6	Local Relief Model	Micro-reliefs, fossés, levées de terrain
7	Positive Openness	Élévations, tumulus, bâtiments (ray-tracing 8 directions)
8	Negative Openness	Cavités, fossés, souterrains (ray-tracing 8 directions)

Visualisations avancées

#	Visualisation	Description	Détection
9	MSRM	Multi-Scale Relief Model (sigma 5/10/25/50/100m)	Tumulus, fossés, murs à toutes les échelles
10	TPI multi-échelle	Topographic Position Index (5m + 100m)	Crêtes, vallées, plateformes
11	Dépressions	Remplissage cuvettes + différence	Dolines, sinkholes, zones inondables
12	SAILORE	LRM adaptatif (noyau = f(pente))	Terrain hétérogène, tout relief
13	Rugosité	Écart-type de l'élévation	Surfaces anthropiques vs naturelles
14	Anomalies statistiques	Z-score + Local Moran's I	Anomalies topographiques significatives
15	Ondelette Mexican Hat	CWT 2D multi-échelle	Tumulus, fossés circulaires
16	Texture GLCM	Contraste, entropie, homogénéité	Labour, surfaces archéologiques
17	Accumulation de flux	Algorithme D8 hydrologique	Fossés d'enceinte, routes antiques

Cartes de référence IGN

#	Visualisation	Source
18	Photographie aérienne IGN	Orthophotographie WMTS
19	Carte topographique IGN	Plan IGN V2 WMTS

Architecture modulaire

lidar_pipeline/
├── __init__.py          # Exports publics
├── __main__.py          # Point d'entrée: python -m lidar_pipeline
├── cli.py               # argparse + logging + main()
├── gpu.py               # CuPy/numpy abstraction (HAS_GPU, to_gpu, to_cpu, xp_*)
├── dtm.py               # Classification PDAL + génération DTM
├── visualizations.py    # Fonctions generate_* (19 visualisations)
├── ign.py               # Téléchargement tuiles IGN + overlay
├── rendering.py          # Colormaps, tif_to_png, rapport PDF
└── pipeline.py           # LidarArchaeoPipeline (orchestration + registry)

Ajouter une visualisation = 1 fonction + 1 entrée dans VIZ_STEPS + 1 entrée dans COLORMAPS. Supprimer = retirer les 3 entrées correspondantes.

Installation Docker

cd /votre/dossier/lidar
mkdir -p input

# Copiez vos fichiers .laz dans input/
cp /chemin/vos/fichiers/*.laz input/

# Build l'image Docker
docker build -t lidar-lidar .

Utilisation

Traitement complet avec GPU (recommandé)

./run.sh -g

Traitement standard (CPU seul)

./run.sh

Options du script run.sh

./run.sh [options]
  -r RESOLUTION   Résolution en m/px (défaut: 0.5)
  -w WORKERS      Nombre de workers parallèles (défaut: 1)
  -g              Activer l'accélération GPU
  -v              Mode verbeux (timestamps + niveaux)
  --debug         Mode debug (détails internes fichier:ligne)
  -f / --force    Régénérer tous les fichiers même si les WebP existent
  --file NOM...   Traiter un ou plusieurs fichiers LAZ spécifiques (nom partiel)
  -h              Afficher l'aide

Exemples

# Traitement standard
./run.sh

# Avec accélération GPU
./run.sh -g

# GPU + mode verbeux
./run.sh -g -v

# GPU + 4 workers parallèles
./run.sh -g -w 4

# Haute résolution + GPU + debug
./run.sh -g -v -r 0.2

# Forcer la régénération de tous les fichiers
./run.sh -g --force

# Traiter un fichier spécifique (test rapide)
./run.sh -g --file LHD_FXX_1000_6882_PTS_LAMB93_IGN69.copc

# Traiter deux fichiers spécifiques
./run.sh -g --file LHD_FXX_1000_6881_PTS_LAMB93_IGN69.copc LHD_FXX_1000_6882_PTS_LAMB93_IGN69.copc

Utilisation directe Docker

# Traitement standard
docker run --rm -v $(pwd)/input:/data/input:ro -v $(pwd)/output:/data/output lidar-lidar

# Avec GPU
docker run --rm --gpus all -v $(pwd)/input:/data/input:ro -v $(pwd)/output:/data/output lidar-lidar

# Mode verbeux
docker run --rm --gpus all -v $(pwd)/input:/data/input:ro -v $(pwd)/output:/data/output \
  lidar-lidar python3 -m lidar_pipeline /data/input -o /data/output -v

# Un ou plusieurs fichiers spécifiques
docker run --rm --gpus all -v $(pwd)/input:/data/input:ro -v $(pwd)/output:/data/output \
  lidar-lidar python3 -m lidar_pipeline /data/input -o /data/output --file LHD_FXX_1000_6882_PTS_LAMB93_IGN69.copc

# Forcer la régénération
docker run --rm --gpus all -v $(pwd)/input:/data/input:ro -v $(pwd)/output:/data/output \
  lidar-lidar python3 -m lidar_pipeline /data/input -o /data/output --force

Structure des dossiers

.
├── input/                    # Fichiers .laz (monté en read-only)
├── output/                   # Résultats générés
│   ├── DTM/                 # Modèles numériques de terrain (GeoTIFF)
│   ├── visualisations/       # Images WebP par fichier LAZ
│   │   ├── fichier_6881/     # Un sous-dossier par fichier LAZ
│   │   │   ├── ..._hillshade_multi.webp
│   │   │   ├── ..._svf.webp
│   │   │   ├── ..._mslrm.webp
│   │   │   └── ... (19 visualisations)
│   │   └── fichier_6882/
│   │       └── ...
│   └── rapports/            # Rapports PDF A3 par fichier
│       ├── fichier_6881_rapport.pdf
│       └── fichier_6882_rapport.pdf
├── lidar_pipeline/          # Package Python modulaire
│   ├── __init__.py
│   ├── cli.py
│   ├── gpu.py
│   ├── dtm.py
│   ├── visualizations.py
│   ├── ign.py
│   ├── rendering.py
│   └── pipeline.py
├── process_lidar.py          # Point d'entrée compatible
├── Dockerfile
├── run.sh
└── README.md

Paramètres

Paramètre	Option	Défaut	Description
Résolution	-r	0.5	Résolution en mètres par pixel
Workers	-w	1	Nombre de CPU pour traitement parallèle
Output	-o	/data/output	Dossier de sortie
Force	-f/--force	off	Régénérer même si les WebP existent
File	--file	tous	Traiter un ou plusieurs fichiers LAZ (nom complet sans extension)
Verbose	-v	off	Mode verbeux (timestamps + niveaux)
Debug	--debug	off	Mode debug (détails internes)

Résolution recommandée

• 0.2 — Très fine, bâtiments individuels (lent)
• 0.5 — Recommandée archéologie (équilibre vitesse/détail)
• 1.0 — Rapide, grandes structures uniquement

Interprétation archéologique

Pour détecter les cavités et souterrains

1. Negative Openness — Zones sombres = creux profonds
2. Dépressions — Carte spécifique des dolines et sinkholes
3. Local Relief Model — Zones bleues = dépressions
4. Hillshade — Ombres inhabituelles en forme de trous

Pour détecter structures et bâtiments anciens

1. MSRM — Détection multi-échelle de tous les reliefs
2. Sky-View Factor — Structures géométriques claires
3. SAILORE — LRM adaptatif pour terrain hétérogène
4. Anomalies statistiques — Anomalies topographiques significatives

Pour hydrologie et fossés

1. Accumulation de flux — Fossés d'enceinte, routes antiques
2. Dépressions — Zones de collecte d'eau, dolines
3. Negative Openness — Fossés et tranchées

Dépannage

# Vérifier Docker
docker --version

# Shell dans le conteneur
docker run --rm -it -v $(pwd)/input:/data/input -v $(pwd)/output:/data/output \
  --entrypoint bash lidar-lidar

# Reconstruire l'image
docker build --no-cache -t lidar-lidar .

# Nettoyer
docker system prune -a

Erreur mémoire

Augmenter la mémoire Docker à 16Go+ pour les gros fichiers LiDAR HD.