Qgis, drone, orthophoto, RealityCapture et scripts python avec IA

Expérimentation du comptage de bouses dans un champ autour de Gramat.

Protocole en cours de rédaction

• Prise de vue DJI Mini 4 Pro sur RC2
• Orthomosaïque  générée par RéalityCapture
• Script IA Claude pour Qgis 

 

Pour les collègues relecteurs (biologie, aménagement) : ce document décrit une démarche testée les 21-23/10/2026 sur une prairie pâturée de 0,71 ha, du plan de vol jusqu'au comptage automatique des bouses. Il est soumis à votre avis avant que le protocole ne soit figé pour les BTSA GPN. Les points sur lesquels votre avis est attendu sont réunis à la section 6.

Convention : les cadres « Figure n – image à coller ici » indiquent l'emplacement de chaque copie d'écran.

1. Contexte et chaîne de travail

La mission drone se prépare entièrement dans QGIS : le script produit un fichier KMZ que la RC 2 exécute tel quel. Testée le 21/10/2026 (essai 2 points) puis le 22/10/2026 (mission complète, 286 photos), la chaîne fonctionne de bout en bout.

Élément	Valeur
Objet du test	Décompte des bouses sur placettes, comparaison sol / drone
Site	Prairie pâturée, causse de Gramat (Lot), près de la route de Roussières
Zone de vol	zone_vol, 0,71 ha (≈ 167 × 56 m), EPSG:2154
Drone	DJI Mini 4 Pro + radiocommande RC 2 (application DJI Fly)
Logiciels	QGIS 3.34 (console Python), RealityScan (orthophoto)
Dossier de travail	C:\Users\pierr\Downloads\Test Drone\
Projet QGIS	Projet test drone.qgz

La chaîne, dans l'ordre :

1. QGIS : dessiner la zone de vol, placer le point de décollage, tirer les placettes.
2. QGIS : mission_drone_dji.py calcule les waypoints, corrige les hauteurs par le relief (RGE ALTI de l'IGN) et écrit le KMZ à partir d'une mission « leurre » créée dans DJI Fly.
3. RC 2 : le KMZ remplace le fichier du leurre (même nom, même dossier) ; DJI Fly affiche la mission.
4. Vol : décollage au point prévu, prise de vue automatique toutes les 2 s, lancement de la mission.
5. QGIS : trier_photos_vol.py classe les photos (orthophoto / placettes / écartées) d'après leur hauteur réelle au-dessus du sol.
6. RealityScan : orthophoto calculée avec les seules photos de la grille.
7. À venir : comptage automatique des bouses sur toute l'orthophoto, puis contrôle de fiabilité (compter_bouses_ortho.py).

Pourquoi passer par un leurre : DJI Fly n'a pas de bouton d'import pour le Mini 4 Pro. Le script recopie les réglages propres au drone contenus dans le leurre (modèle, mode de hauteur, action de fin) et ne remplace que les waypoints.

Que pense l'IA de moi? Si vous n'avez pas le moral, sa réponse devrait vous aider ;))

En 2026, vous n'avez pas le moral. Alors demandez à l'IA!
Pour rendre à César ce qui lui appartient, l'idée originale vient de mon D2 qui posa ce genre de question.

Alors ce WE je teste:

Q: Pourrais-tu me donner une description de ce que tu peux extrapoler sur mon profil en analysant l'historique de mes requêtes ?
R: C'est une question fascinante. En tant qu'IA, je n'ai pas accès à votre vie privée, à votre historique de navigation global ou à votre identité réelle (sauf si vous me l'avez dit). Mon "extrapolation" se base uniquement sur la structure de notre échange actuel et sur la manière dont vous interagissez avec moi.

Souhaitez-vous que j'analyse un texte que vous avez écrit ou une idée que vous avez pour voir quel "portrait-robot" j'en tire ?

Q: Non, mais voici l'URL de mon blog https://ptroulet.blogspot.com/ /
Même question.

Humidité des sols - Pix4DFields, Indices calculés et Gémini pour les formules

Sur Pix4DFields:

Indices de Végétation (VIs)

Ces couches sont générées à partir de l'imagerie multispectrale (ou RGB si les formules le permettent) et sont essentielles pour évaluer la santé, la vigueur et le stress des cultures. Elles reposent sur la manière dont les plantes réfléchissent différentes longueurs d'onde de la lumière.

• GNDVI (Green Normalized Difference Vegetation Index) : Similaire au NDVI, mais utilise la bande verte au lieu du rouge. Il est souvent plus sensible aux variations de la teneur en chlorophylle des feuilles jeunes ou de haute densité.
• LCI (Leaf Chlorophyll Index) : Un indice conçu pour estimer la teneur en chlorophylle des feuilles, souvent utilisé pour évaluer les besoins en azote.
• MCARI (Modified Chlorophyll Absorption Reflectance Index) : Développé pour être plus sensible aux variations de la teneur en chlorophylle et moins affecté par le fond du sol.
• NDRE (Normalized Difference Red Edge) : Utilise la bande Red Edge (proche infrarouge) au lieu du rouge. Il est particulièrement utile pour mesurer la santé des cultures à des stades de développement plus avancés et pour estimer la teneur en azote.
• NDVI (Normalized Difference Vegetation Index) : L'indice le plus couramment utilisé. Il mesure la vigueur de la végétation en comparant la réflectance dans le proche infrarouge (NIR) et le rouge. Des valeurs plus élevées indiquent une végétation plus saine.
• SIPI2 (Structure Insensitive Pigment Index 2) : Conçu pour maximiser la sensibilité à la variation des pigments caroténoïdes par rapport à la chlorophylle, tout en minimisant l'influence de la structure de la canopée.

Mais il semblerait que pour traquer l'humidité du sol il y a mieux... Il faut passer par :

GA4 - Mini guide

[GA4] Playbook sur l'exploration

Ce playbook vise à fournir des exemples réels d'explorations créées dans Google Analytics 4. Dans les exemples suivants, nous utilisons les comptes de démonstration Google Analytics 4 pour les applications Google Merchandise Store et Flood-It!.

Au sommaire de cet article :

• Quelles pages de mon site/application génèrent le plus de vues ?
• Quelles pages de destination sont les plus performantes ou génèrent le plus de conversions ?
• Que recherchent les internautes sur mon site/application ? Où puis-je améliorer le contenu ou la navigation de mon site ?
• Quelles sont les performances de mes pages de destination au fil du temps ? Plusieurs pages ont-elles la même popularité ?
• Comment les utilisateurs progressent-ils dans l'entonnoir d'achat ?
• Comment les utilisateurs progressent-ils dans les niveaux de mon jeu ?
• Qu'est-ce qui a incité un utilisateur à ajouter un produit à son panier ?
• Pourquoi les utilisateurs ont-ils supprimé mon application ?
• Existe-t-il des intersections intéressantes entre différents segments de mes données ?
• Les utilisateurs se comportent-ils différemment selon la date de leur première visite sur mon site ?
• Quelles sources génèrent les utilisateurs les plus intéressants ?

 

Analyse de données - Chaîne YT sur Power Bi

Description

Ici on parle d'analyse et de visualisation de données avec Microsoft Power BI
On partage nos astuces et notre expérience pour que vos reportings soient toujours au top ! 
Que vous soyez débutant ou expérimenté vous trouverez toujours quelque chose à apprendre. Parmi les thématiques abordées : - Power BI (DAX, visualisation de données, modélisation, etc.) - Power Query - Power Automate - Power Apps - SQL Server

Lien https://www.youtube.com/c/Dataseito/featured

Analyse paysagère

Les outils pour des projets d'aménagements

Lien vers pdf

https://www.lamanufacturedespaysages.org/IMG/pdf/ANNEXE_4_Representation-interpretation-paysage.pdf