La technique de modélisation globale peut-elle être utilisée pour la classification des cultures ?



corgne_hubert_moy_.jpg

Samuel Corgne et Laurence Hubert-Moy (LETG-Rennes) présentent en février 2018 dans la revue Chaos, Solitons & Fractals une nouvelle technique de modélisation globale basée sur la télédétection spatiale qui pourrait être utilisée pour la classification fine des cultures.

Samuel Corgne et Laurence Hubert-Moy (LETG-Rennes) présentent en février 2018 dans la revue Chaos, Solitons & Fractals une nouvelle technique de modélisation globale basée sur la télédétection spatiale qui pourrait être utilisée pour la classification fine des cultures. L'étude a été menée en Inde mais pourrait être expérimentée dans d'autres contextes géographiques et culturales.

L'estimation relativement fine de l'étendue des surfaces cultivées est nécessaire pour de nombreuses applications : l’estimation précoce de la production agricole (quantitativement), l’anticipation éventuelle des besoins d'importation ou des réactions des marchés (qui fixent les prix mondiaux en fonction de la production), la cartographie des zones touchées par les catastrophes climatiques, la fourniture d'informations sur les pratiques agricoles passées et présentes, l’étude des futures politiques agricoles, etc. Dans cette optique, la télédétection par satellite peut fournir des séries chronologiques d'informations, de données, spatialisées qui peuvent être ensuite utilisées précisément pour la classification des cultures. Jusqu’à présent, la plupart des techniques mises au point pour classer la surface terrestre étaient basées essentiellement sur les différences de propriétés radiométriques (éclairement, luminance, réflectance) de la surface terrestre et/ou du couvert terrestre à une date donnée : elles étaient donc limitées à des catégories très contrastées telles que les forêts, les prairies, les cultures, la neige, les eaux de surface, les sols nus, etc. Bref, tout cela ne permettait qu’une vision relativement « grossière » de l’occupation des sols.

Au cours des vingt dernières années, la résolution spatiale et la répétabilité temporelle des satellites (i.e. le fait qu’il repasse régulièrement au-dessus des mêmes points) se sont considérablement améliorées, jusqu'à une résolution inframétrique et un échantillonnage quotidien. Pour analyser les informations spectrales obtenues par les capteurs des satellites, de nouvelles techniques basées sur le signal temporel ont été mises au point. La classification basée sur ce type de modèle a pour intérêt essentiel de prendre en compte le comportement dynamique dans le processus de détection, autrement dit d’identifier et d’interpréter les évolutions dans l’occupation des sols entre deux passages du satellite, i.e. d’analyser des séries chronologiques. Malgré cet intérêt majeur, les approches fondées sur ces modèles demeurent trop coûteuses en temps de traitement pour être appliquées sur des grandes surfaces : elles nécessitent en effet la production d'un grand nombre de modèles ou de simulations, et donc trop de temps de calcul informatique.

En outre, l'un des problèmes courants liés à l'utilisation de séries chronologiques pour la classification des cultures est la rareté et le bruit des données. Autre problème pour ce type de classification : au sein d’une même région, la croissance et la phase de développement végétatif d'une culture donnée peuvent varier à la fois spatialement et temporellement (d'une année à l'autre), en raison des différences dans les pratiques agricoles (dates de semis, fertilisation, irrigation, etc.), des propriétés du sol ou des conditions météorologiques (hétérogénéité des précipitations, inondations, sécheresses, etc.). Or, dans la plupart des développements récents, la relation entre le signal mesuré et la dynamique sous-jacente au système observé n'est pas prise en compte dans le processus de classification.

Dans la présente étude, le problème de la classification des signaux est introduit de manière générale en exprimant le lien formel entre le système dynamique étudié et le signal mesuré lui-même. Compte tenu de ce lien, une nouvelle approche de classification fondée sur la modélisation globale est proposée pour la classification des cultures à partir de séries chronologiques observables uniques.

Pour estimer ces performances, ce « modèle global » a été testé sur un ensemble de 104 parcelles (l'ensemble des données) constituées de dix cultures différentes (irriguées et non irriguées) dans le bassin versant de Berambadi dans l’état du Karnataka (Inde du Sud). Les parcelles échantillonnées (en rouge) sont toutes situées dans une zone de 1 × 1 km2 (grille rouge, figure 1).



0 S0960077917305040 Gr1

Figure 1 – Site d’étude (bassin versant du Berambadi, Inde)


Les analyses et les résultats obtenus démontrent la solidité de cette nouvelle approche: (1) la dynamique reconstruite dans la zone d’étude a permis de distinguer les cultures, (2) des modèles à dimensions réduites ont été obtenus pour chaque culture, (3) et ces modèles ont pu être utilisés - en retour - pour distinguer les cultures.

L'algorithme de classification développé par les chercheurs est basé sur une série de modèles qui doivent être préalablement identifiés : la classification est effectuée sur la base d'un petit ensemble de cycles caractéristiques des cultures. Une fois les modèles identifiés, seuls quelques paramètres de réglage sont nécessaires pour appliquer la technique : un seul paramètre est utilisé pour chaque modèle de culture pour définir la longueur de fenêtre utilisée pour la détection de culture en question. La technique est donc très concise dans sa formulation. Elle est également très rapide car elle ne nécessite qu'une seule estimation des paramètres des modèles de culture pour chaque modèle de culture. En outre, elle ne nécessite pas la réalisation de simulations de modèles pendant le processus de détection : la comparaison est basée sur une métrique non linéaire qui peut être estimée localement en fonction des séries chronologiques observées.

Quelles sont les perspectives et les améliorations à courts termes ?

Il est également intéressant de noter que la technique de classification introduite ici peut être étendue : l'utilisation des images radar de la plate-forme Sentinel-1 (Sentinel : programme européen Copernicus d'observation de la Terre) sera particulièrement intéressante pour le contexte indien en raison de son échantillonnage spatio-temporel élevé et de son insensibilité aux couvertures nuageuses. Enfin, dans des conditions optimales d'observation (pas de nuages, échantillonnage à long terme, parcelles agricoles plus grandes, etc.), l'approche peut offrir un certain potentiel pour distinguer les variétés au sein d’une même culture.

A terme, cette double approche pourrait être étudiée dans d'autres régions agricoles pour essayer de distinguer un plus grand nombre de cultures et de variétés caractérisées par des différences plus subtiles.


Référence
Mangiarotti S., Sharma A. K, Corgne S., Hubert-Moy L., Ruiz L., Sekhar M., Kerr Y., 2018. Can the global modeling technique be used for crop classification? Chaos, Solitons & Fractals, Vol. 106, 363–378, doi.org/10.1016/j.chaos.2017.12.003


Contact OSUR
Samuel Corgne (LETG-Rennes) / @
Alain-Hervé Le Gall (multiCOM OSUR) / @


ODD13 / ODD15





0 Commentaires