2- Descargue los datos del IGN HD LIDAR y c\u00e1rguelos en QGis<\/a><\/p>\n\n\n\n 3- Herramientas para datos LIDAR en QGis 3.32<\/a><\/p>\n\n\n\n 4-Colorear una nube de puntos a partir de una ortofoto<\/a><\/p>\n\n\n\n 5-Colorear a partir de una imagen con LAStool<\/a><\/p>\n\n\n\n 6- Modelo digital de superficie (MDS) con CloudCompare y LAStools<\/a><\/p>\n\n\n\n 7- Cr\u00e9er un Mod\u00e8le Num\u00e9rique de Terrain avec CloudCompare<\/p>\n\n\n\n Un Mod\u00e8le Num\u00e9rique de Terrain (MNT) et un Mod\u00e8le Num\u00e9rique de Surface (MNS) sont deux types de repr\u00e9sentations num\u00e9riques d’un environnement, g\u00e9n\u00e9ralement bas\u00e9s sur des donn\u00e9es LiDAR. Bien qu’ils soient souvent utilis\u00e9s de mani\u00e8re interchangeable, ils capturent des informations diff\u00e9rentes du paysage. Dans l’article pr\u00e9c\u00e9dent nous avons vu comment g\u00e9n\u00e9rer un MNS avec CloudComapre ou LAStools<\/a>. Nous verrons ici comment g\u00e9n\u00e9rer un MNT avec CloudCompare et dans le prochain article comme le r\u00e9aliser avec LAStools.<\/p>\n\n\n\n Un Modelo Digital del Terreno (MDT) y un Modelo Digital de Superficie<\/a> (MDS) son dos tipos de representaci\u00f3n digital de un entorno, basados normalmente en datos LiDAR. Aunque a menudo se utilizan indistintamente, capturan informaci\u00f3n diferente sobre el paisaje. En el art\u00edculo anterior vimos c\u00f3mo generar un DSM utilizando CloudComapre o LAStools. Aqu\u00ed veremos c\u00f3mo generar un MDT con CloudCompare y en el pr\u00f3ximo art\u00edculo c\u00f3mo hacerlo con LAStools.<\/p>\n\n\n\n Un Modelo Digital del Terreno (MDT) representa la topograf\u00eda real del terreno bajo todas las caracter\u00edsticas presentes en la superficie, como vegetaci\u00f3n, edificios u objetos artificiales. Se trata esencialmente del terreno natural, despojado de todas las estructuras y elementos elevados que no forman parte de la topograf\u00eda subyacente. Un MDT se obtiene generalmente filtrando o clasificando los puntos LiDAR para retener s\u00f3lo los que corresponden al terreno. De este modo, el MDT se aproxima m\u00e1s a la topograf\u00eda real, proporcionando informaci\u00f3n valiosa para el an\u00e1lisis geomorfol\u00f3gico, la hidrolog\u00eda, la cartograf\u00eda de pendientes, etc.<\/p>\n\n\n\n Un modelo digital de superficie (MDS) representa la superficie visible del paisaje, incluidos los elementos situados sobre el suelo, como edificios, vegetaci\u00f3n, veh\u00edculos, etc. A diferencia de los MDT, los MDT no filtran los objetos situados por encima del suelo y, por lo tanto, capturan toda la topograf\u00eda, incluidas las estructuras y los elementos elevados. Por lo tanto, los datos LiDAR utilizados para crear un MDT incluyen todas las caracter\u00edsticas presentes, lo que lo convierte en una representaci\u00f3n m\u00e1s completa del paisaje visto desde arriba.<\/p>\n\n\n\n En resumen, el Modelo Digital del Terreno (MDT) se centra en el terreno natural y elimina las caracter\u00edsticas sobre el suelo, mientras que el Modelo Digital de Superficie (MDS) incluye todas las caracter\u00edsticas de elevaci\u00f3n. Cada uno de estos modelos tiene sus usos espec\u00edficos, en funci\u00f3n de los requisitos de an\u00e1lisis y visualizaci\u00f3n.<\/p>\n\n\n\n En una nube clasificada ya tenemos la informaci\u00f3n que necesitamos para generar un MDT: clase 2 – Suelo. De hecho, todos los puntos correspondientes a la superficie (edificios, vegetaci\u00f3n, etc.) pertenecen a otras clases.<\/p>\n\n\n\n Por lo tanto, podemos crear una capa r\u00e1ster seleccionando \u00fanicamente los puntos de la clase 2.<\/p>\n\n\n\n Utilizaremos una nube de puntos clasificados IGN LIDAR HD:<\/p>\n\n\n\n Donde conservaremos s\u00f3lo los puntos clasificados como \u00ab\u00a0Suelo\u00a0\u00bb:<\/p>\n\n\n\n Para ello utilizaremos una de las nuevas herramientas aplicables a las capas de nubes de puntos: Exportar a raster (mediante triangulaci\u00f3n).<\/p>\n\n\n\n En Resoluci\u00f3n del raster de densidad elegimos el tama\u00f1o de malla de salida.<\/p>\n\n\n\n En Par\u00e1metros avanzados -> Expresi\u00f3n del filtro seleccionamos Clasificaci\u00f3n = 2, para retener s\u00f3lo los puntos de la clase 2.<\/p>\n\n\n\n Introduce un nombre para el archivo de salida (aqu\u00ed groundIGN.tif) y ejecuta el comando.<\/p>\n\n\n\n La forma visual m\u00e1s eficaz de determinar la calidad del MDT es utilizar la Vista de perfil de elevaci\u00f3n:<\/p>\n\n\n\n El \u00e1rea azul muestra el MDT que acabamos de calcular.<\/p>\n\n\n\n Para esta parte del art\u00edculo vamos a trabajar sobre la misma nube de puntos que antes, pero con la clasificaci\u00f3n eliminada. Terminamos con todos los puntos en una \u00fanica clase 0.<\/p>\n\n\n\n Necesitamos por tanto una herramienta que nos permita separar los puntos correspondientes al terreno del resto de puntos. Hay varias, pero vamos a empezar con CloudCompare, que creo que es la \u00ab\u00a0mejor\u00a0\u00bb, porque nos permite realizar esta tarea visualizando las diferentes etapas de las pruebas. Estas pruebas son necesarias porque hay que adaptar los par\u00e1metros de tratamiento a cada nube en funci\u00f3n de una serie de criterios.<\/p>\n\n\n\n El CSF (Cloth Simulation Filter) es un algoritmo de filtrado utilizado en el software CloudCompare para procesar nubes de puntos lidar. Se utiliza principalmente para eliminar el ruido y los valores at\u00edpicos de las nubes de puntos, sobre todo en las zonas donde las superficies complejas, como los \u00e1rboles est\u00e1n presentes, sino tambi\u00e9n para distinguir entre los puntos de tierra y sobre el terreno.<\/p>\n\n\n\n El filtro CSF toma su nombre de la simulaci\u00f3n de telas, por la forma en que modela la estructura de la nube de puntos. La idea b\u00e1sica del filtro CSF es modelar los puntos como si estuvieran unidos a \u00ab\u00a0tejidos\u00a0\u00bb virtuales que se doblan y deforman en funci\u00f3n de la densidad de puntos en las zonas circundantes. Se considera que las zonas en las que los \u00ab\u00a0tejidos\u00a0\u00bb est\u00e1n muy deformados tienen superficies complejas, como vegetaci\u00f3n o edificios.<\/p>\n\n\n\n He aqu\u00ed c\u00f3mo funciona generalmente el filtro CSF en CloudCompare:<\/p>\n\n\n\n El filtro de simulaci\u00f3n de tela (CSF) en CloudCompare se puede utilizar para separar los puntos de tierra de otros puntos en una nube de puntos LiDAR. Esto es particularmente \u00fatil para aislar la verdadera topograf\u00eda del terreno de caracter\u00edsticas elevadas como edificios, vegetaci\u00f3n u otras estructuras.<\/p>\n\n\n\n Es importante tener en cuenta que el \u00e9xito de la utilizaci\u00f3n del filtro CSF para separar los puntos de tierra de los dem\u00e1s depender\u00e1 de los par\u00e1metros que elija y de la complejidad del paisaje. Puede ser necesario ajustar los par\u00e1metros del filtro varias veces para obtener los mejores resultados.<\/p>\n\n\n\n Es importante tener en cuenta que el \u00e9xito de la utilizaci\u00f3n del filtro CSF para separar puntos de tierra de otros depender\u00e1 de los par\u00e1metros que elija y de la complejidad del paisaje. Puede ser necesario ajustar la configuraci\u00f3n del filtro varias veces para obtener los mejores resultados.<\/p>\n\n\n\n Comenzamos cargando nuestra nube de puntos sin clasificar en CloudCompare:<\/p>\n\n\n\n Abra la ventana del filtro CSF desde el men\u00fa Plugins->CSF Filter.<\/p>\n\n\n\n Tenemos la ventana del plugin con un primer par\u00e1metro a determinar, el tipo de pendiente del terreno. Hay tres tipos<\/p>\n\n\n\n En nuestro caso, tenemos un terreno accidentado.<\/p>\n\n\n\n A continuaci\u00f3n, vaya a la pesta\u00f1a Configuraci\u00f3n de par\u00e1metros avanzados<\/p>\n\n\n\n Los dos par\u00e1metros a ajustar son<\/p>\n\n\n\n Cloth resolution<\/p>\n\n\n\n El par\u00e1metro ‘Cloth resolution’ en el filtro CSF (Cloth Simulation Filter) de CloudCompare se refiere al tama\u00f1o de la malla tridimensional utilizada para modelar la ‘tela’ virtual en el proceso de simulaci\u00f3n.<\/p>\n\n\n\n Cuando se aplica el filtro CSF para filtrar una nube de puntos, se divide el espacio en regiones m\u00e1s peque\u00f1as utilizando una cuadr\u00edcula tridimensional. Cada regi\u00f3n se trata como una \u00ab\u00a0tela\u00a0\u00bb virtual que reacciona a las fuerzas aplicadas, simulando el movimiento y la deformaci\u00f3n de una tela real. El par\u00e1metro \u00ab\u00a0Resoluci\u00f3n de la tela\u00a0\u00bb controla el tama\u00f1o de la cuadr\u00edcula.<\/p>\n\n\n\n Una mayor resoluci\u00f3n significa que la cuadr\u00edcula ser\u00e1 m\u00e1s fina, lo que permitir\u00e1 al filtro CSF captar mejor los detalles sutiles y las variaciones de la nube de puntos. Sin embargo, una mayor resoluci\u00f3n tambi\u00e9n puede aumentar el tiempo de c\u00e1lculo y el consumo de recursos.<\/p>\n\n\n\n Una resoluci\u00f3n menor significa que la cuadr\u00edcula ser\u00e1 m\u00e1s gruesa, lo que puede acelerar el proceso de c\u00e1lculo, pero puede pasar por alto algunos de los detalles m\u00e1s sutiles de la nube de puntos.<\/p>\n\n\n\n La elecci\u00f3n de la resoluci\u00f3n depender\u00e1 de la complejidad de los datos, del tama\u00f1o de la nube de puntos y de la finalidad del an\u00e1lisis. Si trabaja con zonas complejas, puede ser conveniente una resoluci\u00f3n m\u00e1s alta para captar los detalles. Si dispone de una nube de puntos de gran tama\u00f1o y necesita resultados m\u00e1s r\u00e1pidamente, puede ser adecuada una resoluci\u00f3n m\u00e1s baja.<\/p>\n\n\n\n Como siempre, es aconsejable experimentar con diferentes valores de resoluci\u00f3n y comprobar visualmente los resultados para determinar qu\u00e9 resoluci\u00f3n funciona mejor para sus datos espec\u00edficos.<\/p>\n\n\n\n El par\u00e1metro \u00ab\u00a0Classification threshold\u00a0\u00bb del Filtro de simulaci\u00f3n de telas (CSF) de CloudCompare se utiliza para especificar un umbral de deformaci\u00f3n a partir del cual los puntos de la nube de puntos se considerar\u00e1n no clasificados, es decir, se asignar\u00e1n al fuera de campo.<\/p>\n\n\n\n Cuando se aplica el filtro CSF, se simula la deformaci\u00f3n de una malla tridimensional (que representa \u00ab\u00a0tejidos\u00a0\u00bb virtuales) basada en los puntos de la nube. Las zonas en las que los tejidos est\u00e1n muy deformados se interpretan como zonas con caracter\u00edsticas complejas, como vegetaci\u00f3n u objetos elevados.<\/p>\n\n\n\n El par\u00e1metro \u00ab\u00a0Classification threshold\u00a0\u00bb sirve para controlar la deformaci\u00f3n m\u00e1xima tolerada antes de considerar que un punto est\u00e1 sobre el suelo. En otras palabras, si la deformaci\u00f3n de un punto supera el umbral especificado, no se asignar\u00e1 a la clase de suelo \u00ab\u00a0particular\u00a0\u00bb, marc\u00e1ndolo como potencialmente \u00ab\u00a0fuera de suelo\u00a0\u00bb.<\/p>\n\n\n\n Ajustando el par\u00e1metro ‘Classification threshold’ se puede controlar el nivel de detalle que el filtro CSF utilizar\u00e1 para diferenciar entre caracter\u00edsticas complejas del suelo. Un valor m\u00e1s alto har\u00e1 que el filtro sea m\u00e1s sensible a las caracter\u00edsticas complejas. Un valor m\u00e1s bajo har\u00e1 que el filtro sea menos sensible y puede utilizarse para filtrar s\u00f3lo caracter\u00edsticas muy pronunciadas.<\/p>\n\n\n\n Como siempre, se recomienda experimentar con diferentes valores de umbral y comprobar visualmente los resultados para determinar qu\u00e9 valor funciona mejor para sus datos espec\u00edficos.<\/p>\n\n\n\n En general, consideramos que el valor del umbral de Clasificaci\u00f3n debe ser el doble del valor definido para la resoluci\u00f3n Cloth.<\/p>\n\n\n\n As\u00ed pues, empezamos la prueba. Un buen punto de partida es fijar la resoluci\u00f3n Cloth en 0,2 metros y los Classification threshold en 0,4 metros.<\/p>\n\n\n\n Ejecutamos el filtro y encontramos una nueva capa de resultados en CloudCompare con dos subcapas:<\/p>\n\n\n\n La primera contiene los puntos clasificados como \u00ab\u00a0suelo\u00a0\u00bb por el filtro CSF.<\/p>\n\n\n\n La segunda contiene los puntos clasificados como \u00ab\u00a0sobre el suelo\u00a0\u00bb por el filtro CSF.<\/p>\n\n\n\n La segunda contiene los puntos clasificados como \u00ab\u00a0sobre el suelo\u00a0\u00bb por el filtro LCR.<\/p>\n\n\n\n Vamos a probar una nueva combinaci\u00f3n de par\u00e1metros para afinar la detecci\u00f3n de puntos sobre el suelo. Para ello, vamos a activar la capa \u00ab\u00a0suelo\u00a0\u00bb que acabamos de calcular y vamos a aplicarle el filtro CSF, con los par\u00e1metros Resoluci\u00f3n de la tela a 0,4 metros y Umbrales de clasificaci\u00f3n a 0,8 metros.<\/p>\n\n\n\n Tendremos entonces dos nuevas capas, una con puntos que se consideran \u00ab\u00a0suelo\u00a0\u00bb y otra con puntos que se consideraban \u00ab\u00a0suelo\u00a0\u00bb por la primera pasada del filtro CSF pero que ahora se consideran \u00ab\u00a0sobre suelo\u00a0\u00bb con los nuevos par\u00e1metros.<\/p>\n\n\n\n Tenemos la capa \u00ab\u00a0suelo\u00a0\u00bb<\/p>\n\n\n\n Y tenemos los puntos que ahora est\u00e1n \u00ab\u00a0por encima del suelo\u00a0\u00bb<\/p>\n\n\n\n Visualmente, ya podemos decir que nuestro resultado deber\u00eda ser satisfactorio. Pero para estar seguros, vamos a repetir la operaci\u00f3n una tercera vez, esta vez con la resoluci\u00f3n Cloth a 0,8 metros y los umbrales Classification a 1,6 metros.<\/p>\n\n\n\n Tendremos entonces dos nuevas capas, una con puntos que se consideran \u00ab\u00a0suelo\u00a0\u00bb y otra con puntos que hab\u00edan sido considerados \u00ab\u00a0suelo\u00a0\u00bb por la segunda pasada del filtro CSF pero que ahora se consideran \u00ab\u00a0sobre suelo\u00a0\u00bb con los nuevos par\u00e1metros.<\/p>\n\n\n\n Tenemos la capa \u00ab\u00a0suelo\u00a0\u00bb<\/p>\n\n\n\n Donde ahora se ven zonas bastante extensas sin ning\u00fan punto.<\/p>\n\n\n\n Y la capa \u00ab\u00a0sobre el terreno\u00a0\u00bb<\/p>\n\n\n\n Para poder validar la combinaci\u00f3n correcta de par\u00e1metros, guardamos las capas \u00ab\u00a0sobre el terreno\u00a0\u00bb obtenidas como nubes de puntos. Puede guardar la nube de puntos filtrada seleccionando \u00ab\u00a0Archivo\u00a0\u00bb > \u00ab\u00a0Guardar como\u00a0\u00bb en el men\u00fa para guardar una nueva copia con las modificaciones realizadas por el filtro CSF.<\/p>\n\n\n\n As\u00ed tenemos tres nuevas nubes de puntos, ground02\u2026 para el resultado del primer filtro CSF, ground04\u2026 para el segundo y ground08\u2026 para el tercero, que cargamos en QGis. Tambi\u00e9n cargamos la nube de puntos original sin clasificar, nc\u2026<\/p>\n\n\n\n Intuitivamente, el resultado del filtro 0.4 parece ser el mejor. El filtro 0.2 tiene un poco demasiado ‘suelo’ y el filtro 0.8 no lo suficiente en algunas zonas.<\/p>\n\n\n\n Ahora podemos crear los tres MDT y comparar el resultado con la nube de puntos original.<\/p>\n\n\n\n Para ello, como en el primer ejemplo, utilizamos la herramienta Exportar a r\u00e1ster (utilizando triangulaci\u00f3n). Sin embargo, como aqu\u00ed s\u00f3lo tenemos puntos correspondientes al suelo, no necesitamos aplicar ning\u00fan filtro. Simplemente definimos el espaciado de la cuadr\u00edcula del MDT de salida y el nombre del archivo de salida.<\/p>\n\n\n\n Tenemos entonces tres r\u00e1sters con los correspondientes MDT<\/p>\n\n\n\n Como se puede ver, en el MDT 0.2 todav\u00eda podemos ver las huellas de los edificios clasificados como \u00ab\u00a0suelo\u00a0\u00bb. Para ver la diferencia entre los MDT 0.4 y 0.8, utilizamos la vista de perfil de elevaci\u00f3n.<\/p>\n\n\n\n Mostramos la nube de puntos original y el MDT calculado a partir de la clase \u00ab\u00a0suelo\u00a0\u00bb del IGN. Consideraremos este MDT como el mejor MDT.<\/p>\n\n\n\n En este perfil tenemos caracter\u00edsticas del terreno, vegetaci\u00f3n baja y alta y edificios.<\/p>\n\n\n\n Si mostramos el MDT 0.2 en amarillo, tenemos:<\/p>\n\n\n\n La vegetaci\u00f3n baja y alta se han clasificado como \u00ab\u00a0sobre el terreno\u00a0\u00bb, pero los edificios siguen incluidos en los puntos \u00ab\u00a0terreno\u00a0\u00bb.<\/p>\n\n\n\n Si mostramos el MDT 0.4 en azul, tenemos:<\/p>\n\n\n\n Los edificios est\u00e1n ahora excluidos y el resultado se funde con el del IGN.<\/p>\n\n\n\nModelo Digital del Terreno (MDT):<\/h2>\n\n\n\n
Modelo Digital de Superficie (MDS):<\/h2>\n\n\n\n
Diferencias entre MDT y MDS :<\/h3>\n\n\n\n
\n
Creaci\u00f3n de un MDT a partir de una nube clasificada con QGis<\/h2>\n\n\n\n
![\"nuage](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/nuage_lidar_classe_IGN.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"classe](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/points_sol_nuage_lidar.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"export](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/export_to_raster_tin_qgis.png?resize=640%2C418&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"mnt](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/mnt_avec_ground_ign.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"vue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/profil_elevation_qgis_mant_ign.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\nCreando un MDT a partir de una nube sin clasificar con QGis.<\/h2>\n\n\n\n
C\u00e1lculo de MDT con CloudCompare.<\/h2>\n\n\n\n
\n
![\"nuage](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/lidar_non_classe_cloudcompare.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"menu](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/menu_plugin_csffilter.png?resize=640%2C426&ssl=1\")
<\/a><\/figure>\n\n\n\n\n
![\"dialogue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/type_de_pente_filtre_csf.png?resize=640%2C867&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"advanced](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/parametres_csf_filter.png?resize=640%2C867&ssl=1\")
<\/a><\/figure>\n\n\n\nClassification threshold<\/h3>\n\n\n\n
![\"premier](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/premier_passage_filtre_csf.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"premier](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/points_hors_sol_filtre_csf-1.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"deuxi\u00e8me](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/points_sol_deuxieme_filtre_csf.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"deuxi\u00e8me](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/points_hors_sol_deuxieme_filtre_csf.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"troisi\u00e8me](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/point_sol_troisieme_filtre_csf.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"troisi\u00e8me](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/points_hors_sol_troisieme_filtrecsf.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"les](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/classe_sol_filtres_csf.png?resize=640%2C226&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"export](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/export_raster_filtre_csf.png?resize=640%2C426&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"les](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/mnt_filtre_csf.png?resize=640%2C230&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"vue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/mnt_de_reference.png?resize=640%2C314&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"vue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/mnt_filtre_csf_02.png?resize=640%2C307&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"vue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/mnt_filtre_csf_04.png?resize=640%2C313&ssl=1\")
<\/a><\/figure>\n\n\n\n
![\"vue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/mnt_filtre_csf_08.png?resize=640%2C318&ssl=1\")
<\/a><\/figure>\n\n\n\n