Soutenance mémoire
Description de l’agriculture locale et de ses dynamiques
Contexte du stage et mission ingénieur
Géographie et topographie de la zone Murang’a au Kenya Situé en Afrique Centrale, le Kenya est coupé par la ligne Equateur. Il partage des frontières avec l’Ethiopie, le Soudan, l’Ouganda, la Somalie et la Tanzanie. Au Centre-Est de ce pays aux climats et aux paysages extrêmement variés se situe le district de Murang’a, territoire montagneux au climat tropical humide (marqué par deux saisons des pluies). A l’intérieur du comté, notre zone d’étude mesure environ 25km de longueur sur la longitude et 10km sur la latitude. La figure 2.1 la situe précisément sur une carte La topographie de notre zone, située à 1600m en moyenne et « coincée » entre la chaîne des Aberdares (altitude moyenne de 3600m) à l’Ouest et le Mont Kenya (culminant à 5199m) au Nord, est particulièrement marquée.
On enregistre ainsi une différence d’altitude de 800m entre la bordure Est et la bordure Ouest de la zone, avec une pente continue. Un vallonnement intense se superpose à ce gradient, avec des « oscillations » plutôt orientées Nord/Sud de l’ordre de 200m sur moins d’un kilomètre. Le choix de cette zone, intensivement étudiée dans nombre de travaux inclus dans SAFSÉ, AFS4foood (Cirad, 2014) mais aussi dans d’autres projets, n’est pas anodin et repose en grande partie sur cette toposéquence et les conséquences qu’elle peut avoir sur l’organisation du paysage et des systèmes de culture locaux. Le présent travail a ainsi pour but d’apporter de nouvelles conclusions sur le terrain d’étude à l’aide de nouvelles méthodes, avec le support de bonnes connaissances multidisciplinaires de terrain.
Description de l’agriculture locale et de ses dynamiques : Etat de l’art
L’Afrique sub-saharienne fait face à de nouveau défis en termes d’agriculture pour lesquels le Kenya ne fait pas exception. En raison de sa diversité climatique, des modes de culture et d’élevage variés cohabitent au Kenya. La zone de Murang’a fait partie de l’une des 4 grandes zones du pays marquées par la culture du caféier, dont l’exploitation est favorable en raison de l’altitude (entre 600 et 2000 m pour Coffea arabica) et des sols profonds tropicaux que l’on y rencontre. Dans cette zone afro-alpine, l’agro écologie ou agroforesterie et l’élevage sont fortement favorisés et c’est un mode de culture aujourd’hui très répandu. Les enjeux de l’agroforesterie au Kenya, et plus généralement en Afrique, sont nombreux. Bien que le café soit la culture traditionnelle, le 20ème siècle fut surtout marqué, durant la colonisation britannique, par la monoculture de caféiers en plein soleil, avec forte utilisation en intrants (Barkaoui, 2010).
L’après indépendance est alors marqué par l’adoption de nouvelles stratégies agricoles : des systèmes agro écologiques combinant le café, des arbres (le plus souvent Grevillea ou Acacia, pouvant être aussi utilisés comme du bois de chauffe et du fourrage) et parfois des cultures vivrières. Pour rappel, on définit l’agroforesterie comme l’association d’une ou plusieurs cultures avec un couvert forestier. C’est un système stratifié possédant au moins 2 couches, mais ce nombre peut augmenter. L’agroforesterie a pour avantage de mutualiser la même terre pour plusieurs cultures, les associations peuvent de même être favorables à la productivité et diminuer les risques de maladies. Le besoin en pesticides mais surtout en engrais est diminué, une opération économiquement intéressante pour les petits producteurs pour qui ces produits sont un investissement compliqué. Dans notre cas, la caféiculture est le plus souvent associée à un mélange de plantes annuelles, de plantes pérennes ainsi que d’élevage. Le résultat est un système complexe avec de nombreuses interactions (Sibelet et al., 2012).
La télédétection : un oeil global pour tenter de caractériser la complexité des paysages Comme nous l’avons vu au paragraphe précédent, cette mosaïque de cultures présente une complexité difficile à définir (enchevêtrement de plusieurs cultures entre elles, diversité d’itinéraires technique, limites entre parcelles floues) Pour cela, les outils de télédétection, principalement l’acquisition d’imagerie par satellite permettent d’obtenir une information spatiale précise à un instant donné, nous renseignant sur la structure des systèmes de culture. Par rapport au travail de terrain précis mais coûteux, la télédétection offre la possibilité d’analyser exhaustivement des zones de plusieurs centaines de km ; le coût par rapport à la surface est grandement diminué. Cependant, là où la donnée de terrain récoltée par des enquêtes est déjà thématique, celle portée par les pixels d’une image satellite ne l’est pas. Beaucoup de techniques existent pour faire « parler » l’information contenue dans ces images (qui seront détaillées par la suite) mais ces techniques sont sujettes à des erreurs. Réaliser une cartographie de la zone détaillant les cultures en présence est possible mais l’erreur sur l’identification des parcelles doit être conforme à ce qui est attendu pour l’application prévue.
De nombreux outils de télédétection ont déjà été mobilisés par le passé dans la littérature mais ils le sont le plus souvent sur des zones beaucoup moins complexes, par exemple des monocultures ou des systèmes agroforestiers ordonnés. L’objectif de ce rapport n’est cependant pas d’évaluer la pertinence des images de télédétection usuelles pour la classification agricole. D’autres informations sont recherchées, l’idéal étant qu’elles proviennent de la même source que les images satellites afin de limiter les problèmes inhérents aux classifications multi-sources (calage entre données, comparaisons de valeurs radiométriques). La stéréoscopie par satellite répond à cette contrainte et propose une solution originale utilisable dès que l’on possède au moins deux images de la même zone prises sous des angles différents.
Le but est de caractériser la structure verticale en mobilisant les concepts de la stéréoscopie, ce qui permet d’obtenir une carte de profondeur. Les limites du concept sont pourtant très facilement identifiables. Tout d’abord il est difficile d’espérer une précision comparable à ce que l’on obtient grâce au Light Detection And Ranging (LiDAR) qu’il soit aérien ou terrestre. Ensuite, seule la partie superficielle du couvert peut être analysée avec cette méthode (1 seule valeur par pixel), il semble quasi impossible par définition de mettre en évidence des strates. Un des objectifs de ce travail était d’évaluer jusqu’à quel niveau de caractérisation des parcelles il était possible d’arriver avec les données que nous possédons. Il est à noter que nous souhaitons ici cartographier l’occupation et l’usage du sol, et donc les systèmes de culture, à une date donnée. Nous ne nous intéresserons pas aux aspects dynamiques, nécessitant l’acquisition d’images à différentes dates, ce qui ferait l’objet d’un projet d’étude à part tant techniquement que financièrement.
|
Table des matières
1 Contexte du stage et mission ingénieur
2 Le district de Murang’a au Kenya : un terrain d’étude complexe des dynamiques agroforestières
2.1 Géographie et topographie de la zone
2.2 Description de l’agriculture locale et de ses dynamiques : Etat de l’art.
2.3 La télédétection : un oeil global pour tenter de caractériser la complexité des paysages
3 Matériel et méthodes 13
3.1 Données issues de la télédétection 3
3.1.1 Modèle Numérique de Terrain (MNT) Shuttle Radar Topography Mission (SRTM) à 30m de résolution
3.1.2 Acquisition Worldview 2
3.1.3 Acquisitions Pléiades
3.2 Données issues des campagnes terrain
3.3 Méthodologie globale
3.4 Moyens logiciels à disposition durant la mission
4 Valorisation de l’information stéréoscopique contenue dans les triplets d’images Pléiades
4.1 Définition du principe de la stéréoscopie et état de l’art des applications par satellite
4.2 Etat de l’art des solutions logicielles actuelles
4.3 Pré-traitements réalisés sur l’imagerie Pléiades
4.3.1 Corrections radiométriques
4.3.2 Corrections géométriques
4.4 Traitement stéréoscopique des données sous ERDAS IMAGINE, solution propriétaire, payante et paramétrable
4.4.1 Influence de la différence angulaire sur la qualité du MNS
4.4.2 Résolution du MNS en sortie
4.4.3 Observations sur le Modèle Numérique de Surface (MNS) créé
4.4.4 Application à la zone entière
4.5 Transformation du MNS en Modèle Numérique de Hauteur (MNH) .
4.6 Vérification de la précision en hauteur des données terrain
5 Classification des cultures agro-forestières par classification supervisée
5.1 Séparation de l’espace en classes thématiques
5.2 Limitations des données radiométriques de l’image Pléaides pour séparer ces classes
5.3 Introduction de données complémentaires à la radiométrie Pléiades
5.3.1 MNH – Informations sur la présence de hauts couverts
5.3.2 NDVI – Discrimination des parties végétales
5.3.3 Indices texturaux – Information sur les éléments structurants des objets .
5.4 Etape de segmentation
5.5 Le choix de la classification supervisée
5.5.1 Supervisé ou non supervisé : les deux grands familles de classification
5.5.2 Jeu d’apprentissage
5.6 Choix de l’algorithme implémenté
5.6.1 Random Forest (RF)
5.6.2 SVM
5.6.3 Implémentation logicielle des algorithmes de classification
6 Résultats et interprétations
6.1 Résultats de la classification supervisée
6.1.1 Méthodes utilisées pour évaluer les résultats Création d’indicateurs quantitatifs et visuels
6.1.2 Test des différents algorithmes sur une acquisition Worldview 2 ou Pléiades
6.1.3 Introduction des données 3D dans la classification Pléiades
6.1.4 Utilisation conjointe de Pléiades et de Worldview 2
6.1.5 Application à tout Murang’a
6.2 Relations entre la classification et le relief de Murang’a
6.2.1 Répartition des cultures le long du gradient d’altitude
6.2.2 Répartition des cultures selon la pente locale du terrain
6.3 Perspectives d’utilisation pour les agronomes
Télécharger le rapport complet
