Soutenance mémoire
Application agricole et donnees
Series temporelles d’images satellite et suivi des operations culturales
Durant les dernieres decennies, de nombreuses etudes ont porte sur l’analyse et l’exploitation des series temporelles d’images a basse ou moyenne resolution spatiale pour le suivi de la vegetation (Boles et al., 2004; McCloy and Lucht, 2004; Maignan et al., 2008). Grace a leur haute resolution temporelle, ces series, acquises par des capteurs tels que NOAA/AVHRR, SPOT/VEGETATION, TERRA/MODIS et autres (Tableau 1), ont ete utilisees pour surveiller et predire des structures globales a des larges echelles (e.g. bassin de production). D’autres etudes se sont interessees a l’analyse des series temporelles d’images acquises avec une repetitivite beaucoup moins importante mais avec une haute resolution spatiale adaptee a l’echelle de la parcelle agricole ; citons a titre d’exemple les series d’images acquises avec les capteurs MSS e.g. (Lyon et al., 1998), TM e.g. (Collins and Woodcock, 1996) et ETM + e.g. (Andrefouet et al., 2001) embarques sur les satellites du programme americain Landsat.
De nos jours, compte tenu des progres techniques et de la possibilite de programmation d’images sur des sites precis, des series temporelles a haute resolution spatiale et temporelle sont desormais acquises par des satellites comme SPOT, FORMOSAT 2 et RapidEye (Tableau 1). Ces nouvelles series permettent d’elaborer un suivi plus fin d’une grande diversite de nouvelles structures spatio-temporelles. Elles sont particulierement interessantes pour caracteriser les pratiques culturales, un sujet qui represente aujourd’hui l’un des enjeux majeurs de la recherche en environnement (Hubert-Moy, 2004). Le suivi des operations culturales permet d’ameliorer et d’adapter les modes de gestion des terres agricoles afin d’augmenter leur productivite. Il permet egalement d’evaluer l’impact de ces operations sur l’environnement (e.g. la sedimentation par l’erosion des sols, l’enrichissement des plans d’eau par une sur-fertilisation des cultures, la contamination de l’eau et du sol par les pesticides, etc.).
Jusqu’a present, peu d’etudes ont porte sur ce sujet a cause du manque de donnees adaptees. La majorite des travaux realises se basent sur des series d’images a basse ou moyenne resolution spatiale. (Young and Wang, 2001) ont utilise des series d’images NOAA/AVHRR pour suivre les changements d’occupation du sol en Chine sur une periode de 10 ans ; ils ont remarque une baisse de productivite dans les regions forestieres et une hausse dans les regions agricoles. (Hubert-Moy et al., 2005) ont utilise des series d’images MODIS pour identifier, a une echelle regionale, les zones recurrentes de sol nu ; ce suivi aide a changer les pratiques de gestion des terres. (Sakamoto et al., 2005) ont egalement utilise les donnees MODIS pour estimer la repartition spatio-temporelle de la phenologie du riz, du nombre de recoltes par an, et des modes de cultures dans le delta du Mekong. . (Xiao et al., 2006) se sont servis du meme type de donnees pour faire une cartographie du riz et identifier la periode initiale d’inondation et de transplantation dans les champs.
Par cette etude, ils ont signale la presence de certaines sources d’erreur liees aux capteurs optiques, tels que la contamination des nuages, les effets topographiques, et les limites de la resolution a la fois spatiale et temporelle. L’utilisation des series a haute resolution spatiale pour le suivi des operations culturales sur des grandes surfaces a ete limitee, d’une part, par la sensibilite de leur traitement a l’irregularite d’acquisition (a cause de la presence des nuages, du cout des images et/ou de la programmation satellite) et d’autre part, par l’augmentation de la complexite des scenes etudiees (due a la haute resolution spatiale) (Defries and Belward, 2000). Une classification multi-saisonniere a generalement ete adoptee (Wardlow and Egbert, 2008). Cette classification produit une precision plus elevee que la classification mono-date pour la cartographie de l’occupation du sol (Wardlow and Egbert, 2003) et de type de culture (Price et al., 1997). L’acquisition des images sans nuages au moment optimal au cours de la saison de croissance a egalement ete un probleme en raison de la faible repetitivite (Defries and Belward, 2000).
Methodes d’analyse de profils temporels
L’analyse des profils temporels consiste a comparer des signatures temporelles de differents indicateurs (e.g. indices de vegetation), extraites a partir de series d’images acquises regulierement durant plusieurs saisons ou annees successives. La frequence temporelle elevee d’acquisition de donnees permet de detecter les changements subtils de la zone etudiee et de degager les tendances : quand le profil temporel d’un ou plusieurs indicateurs d’un pixel (ou d’un objet) particulier s’ecarte de la normale (ou de la moyenne), un evenement de changement saisonnier ou un processus interannuel est detecte. Plusieurs methodes d’analyse de profils temporels se basent sur des techniques de traitement du signal, telles que les transformees d’ondelettes (Sakamoto et al., 2005; Blackburn and Ferwerda, 2008) et de Fourier (Azzali and Menenti, 2000; Westra and De Wulf, 2007).
D’autres methodes utilisent des techniques de difference d’image (Ingram and Dawson, 2005), de vecteur de changement multi-temporel (Bayarjargal et al., 2006), des modeles de regression (Fraser et al., 2005) et d’analyse en composantes principales (Young and Wang, 2001). La plupart des methodes developpees ont ete appliquees a des images acquises a basse ou moyenne resolution spatiale et a haute repetitivite temporelle (e.g. AVHRR, SeaWIFS, VEGETATION, MODIS) pour suivre des structures globales. Etant donnee la resolution spatiale de l’imagerie utilisee, et compte tenu de la couverture de larges surfaces, la validation de ces methodes avec des ensembles de donnees independants reste un defi important (Coppin et al., 2004).
Discussion
Les methodes de detection de changement a partir de l’imagerie multi-temporelle sont nombreuses et variees. Le choix de ces methodes depend principalement de l’application traitee, de la zone d’etude et des donnees satellite disponibles. En ce qui concerne le suivi operationnel des operations culturales a partir des series a haute resolution spatiale, la methode choisie doit repondre a deux criteres essentiels : (1) la robustesse par rapport a l’irregularite des acquisitions due aux conditions atmospheriques (nuages, brumes, etc .), au cout des images et/ou aux conflits de programmation satellite ; (2) l’automatisation de l’exploitation du contenu informatif complexe des series d’images. Malgre le large eventail de methodes proposees jusqu’a present, aucune ne semble satisfaire a la fois ces deux criteres. Pour y aboutir, l’integration d’informations provenant d’autres sources est necessaire (ce point sera discute dans la section suivante).
Par ailleurs, la question des dependances temporelles entre les observations a ete clairement negligee jusqu’a present (Bontemps et al., 2008). Seules quelques etudes ont exploite ces dependances en se basant sur des automates temporises (Largouet, 2000), cependant les finalites de ces travaux ne sont pas appropriees pour des prises de decision en temps reel. Afin de tirer profit de l’information temporelle, il est donc necessaire de developper des methodes qui prennent cette information en consideration par l’integration, dans les procedures de traitement de donnees, d’algorithmes capables d’exploiter les relations entre les images de la serie. La prise en compte de ces relations passe par l’incorporation des connaissances expertes sur les milieux etudies. La solution de ce probleme methodologique complexe peut se traduire par une augmentation de la precision fournie par la methode de detection de changement. Independamment du grand interet du processus de changement, l’etat de l’art a souligne l’importance de la phase de pretraitement lors de la comparaison multi-temporelle des donnees de teledetection (Chen et al., 2005). Une superposition precise des images (i.e. recalage) est un pre-requis primordial, notamment lors de l’utilisation des methodes ponctuelles (a l’echelle du pixel). La correction radiometrique est egalement une condition indispensable pour rendre les images comparables (Song et al., 2001; Du et al., 2002; Coppin et al., 2004).
|
Table des matières
Introduction
Chapitre 1 : Contexte methodologique
1.1. Introduction1.2. Series temporelles d’images satellite et suivi des operations culturales
1.3. Detection de changement
1.3.1. Methodes bi-temporelles
1.3.2. Methodes d’analyse de profils temporels
1.3.3. Discussion
1.4. Fusion d’informations
1.4.1. Fusion de donnees de nature identique
1.4.2. Fusion de donnees de nature heterogene
1.4.3. Cadres de fusion
1.4.4. Discussion
1.5. Besoin methodologique
Chapitre 2 : Application agricole et donnees
2.1. Introduction
2.2. L’application agricole
2.2.1. La canne a sucre a La Reunion
2.2.2. Teledetection et canne a sucre
2.3. Les donnees satellite et agronomiques
2.3.1. Series temporelles d’images SPOT
2.3.2. Sites d’etude et base de donnees
2.4. Conclusion
Chapitre 3 : Pre-traitement des images dans les series temporelles
3.1. Introduction
3.2. Correction geometrique
3.3. Correction radiometrique
3.3.1. Calcul de la reflectance au sommet de l’atmosphere
3.3.2. Normalisation radiometrique relative
3.3.3. Correction atmospherique
3.3.4. Resultats et discussion
3.4. Conclusion
Chapitre 4 : Systeme d’aide a la detection des coupes de canne a sucre
4.1. Introduction
4.2. Sources d’information
4.2.1. Series temporelles
4.2.2. Modele de culture
4.2.3. Connaissances expertes
4.3. Formalisme
4.3.1. Ensembles flous et termes linguistiques
4.3.2. Inference a base de regles
4.4. Structure et composants
4.4.1. Etage d’entree
4.4.2. Sortie
4.4.3. Base de regles
4.4.4. Moteur d’inference
4.5. Prise de decision
4.5.1. Systeme a base de regles expertes
4.5.2. Systeme a base de regles induites
4.6. Conclusion
Chapitre 5 : Systeme : resultats et discussion
5.1. Introduction
5.2. Systeme a base de regles expertes
5.2.1. Performances
5.2.2. Analyse des erreurs
5.2.3. Contribution des ensembles flous
5.2.4. Analyse de la robustesse par rapport au nombre d’images disponibles
5.3. Systeme a base de regles induites par apprentissage
5.3.1. Performances
5.3.2. Analyse de la robustesse par rapport au nombre d’images disponibles
5.3.3. Impact des partitions
5.3.4. Contribution des differentes sources d’informations
5.3.5. Validation pluriannuelle
5.4. Comparaison
5.5. Conclusion
Conclusions et perspectives
6.1. Contributions de la these
6.2. Perspectives
Liste des tableaux
Liste des figures
References
Annexes des chapitres
Annexes publications
Télécharger le rapport complet
