Amélioration des systèmes de suivi des cultures à l'échelle du paysage à partir de la télédétection multi-source et des techniques d'apprentissage automatique

par Yawogan Gbodjo

Projet de thèse en Informatique

Sous la direction de Dino Ienco.

Thèses en préparation à Montpellier , dans le cadre de I2S - Information, Structures, Systèmes , en partenariat avec TETIS - Télédétection Environnement Télédetection et Information Spatiale (laboratoire) depuis le 01-11-2018 .


  • Résumé

    Avec les perspectives d'une population à 9 milliards à l'horizon 2050 et les impacts attendus du changement climatique tant sur les écosystèmes naturels que cultivés, garantir la sécurité alimentaire de tous, tout en favorisant la mise en place d'une agriculture durable, préservant les écosystèmes terrestres et la biodiversité (Objectifs 2 et 15 du Développement Durable des Nations Unies), font parties des enjeux majeurs pour le développement futur de notre société. Dans ce contexte, les systèmes modernes d'observation terrestre offrent de nouvelles opportunités pour suivre et caractériser les systèmes agricoles à l'échelle territoriale ou continentale. Parmi l'ensemble de mission satellitaires, le programme ESA SENTINEL fourni tous les 5 jours des images à haute résolution spatiale (HSR) (10 mètres), radar (SENTINEL-1) et optique (SENTINEL-2). Ce programme a été lancé en décembre 2015. L'ensemble de ces informations, organisées sous forme de séries temporelles d'images satellitaires (STIS), permet de suivre dans le temps une même zone et d'en comprendre les processus dynamiques sous-jacents. D'autre part, des images de résolution spatiale très élevée (VHSR), avec une résolution spatiale de 0,5 à 5 mètres, sont aujourd'hui disponibles par l'intermédiaire d'infrastructure d'archivage d'images afin d'étudier et d'estimer les surfaces cultivées ainsi que leur rendement. L'EQUIPEX GEOSUD, fondé par l'agence ANR, constitue en exemple d'infrastructures d'archivage de données satellitaires. L'EQUIPEX GEOSUD met à disposition des images SPOT 6/7 et Pléiades à une résolution, respectivement, de 6 et 1,5 mètres en multispectrale. En raison des coûts d'acquisition, les images VHSR ne sont disponibles qu'une ou deux fois par an sur une zone particulière. Ceci peut limiter leur utilisation pour l'analyse de l'occupation du sol et/ou l'estimation de rendements : deux classes de végétation qui partagent des réponses radiométriques similaires à une estampille donnée peuvent avoir différentes tendances temporelles. C'est pour cela qu'exploiter explicitement les dynamiques temporelles présentes dans les données STIS optiques et radar pourra certainement améliorer le suivi des évolutions des espaces agricoles. En raison de la complémentarité de ces sources d'information, fusionner des données STIS optiques et radar ensemble et, en même temps, intégrer de l'information fournie par des images VHSR, pourra aider à mieux suivre et caractériser les pratiques agricoles. Comment fusionner toutes ces différentes sources d'information (SITS optique/radar et imagerie VHSR) produites à travers les récents technologies d'observation terrestre, reste un problème ouvert auquel la communauté de télédétection, national et international, commence à être confrontée et pour lequel des solutions efficaces et stables ne sont pas encore proposée. L'objectif de cette thèse est donc de proposer de nouvelles techniques d'apprentissage automatique pour l'intégration des différentes sources de données (séries temporelles optiques, séries temporelles radar, imagerie à Très Haute Résolution Spatiale - VHSR) dans un but d'améliorer i) la caractérisation des surfaces cultivées et ii) l'estimation des rendements agricoles à partir de données collectées sur le terrain.

  • Titre traduit

    Leverage Multi-Source Remote Sensing data via machine learning to improve Crop Monitoring Systems


  • Résumé

    With the prospects of a population of 9 billion by 2050 and the expected impacts of climate change on both natural and cultivated ecosystems, guaranteeing food security for all, while promoting the establishment of sustainable agriculture, preserving terrestrial ecosystems and biodiversity (Sustainable Development Goals 2 and 15 of the United Nations), are key issues for the future development of our society. In this context, modern earth observation systems offer new opportunities to monitor and characterize farming systems at the territorial or continental scale. Among the satellite mission package, the ESA SENTINEL program provides high spatial resolution (HSR) (10 meters), radar (SENTINEL-1) and optical (SENTINEL-2) images every 5 days. This program was launched in December 2015. All this information, organized in the form of time series of satellite images (STIS), makes it possible to follow the same area over time and to understand the underlying dynamic processes. . On the other hand, images of very high spatial resolution (VHSR), with a spatial resolution of 0.5 to 5 meters, are now available through image archiving infrastructure to study and to estimate the areas cultivated as well as their yield. EQUIPEX GEOSUD, founded by ANR, is an example of satellite data archiving infrastructure. EQUIPEX GEOSUD provides SPOT 6/7 and Pléiades images with a resolution of 6 and 1.5 meters respectively in multispectral. Due to acquisition costs, VHSR images are only available once or twice a year in a particular area. This may limit their use for land cover analysis and / or yield estimation : two vegetation classes that share radiometric responses similar to a given timestamp may have different temporal trends. This is why explicitly exploiting the temporal dynamics present in the optical and radar STIS data will certainly be able to improve the monitoring of changes in agricultural areas. Due to the complementarity of these information sources, merging optical and radar STIS data together and at the same time integrating information provided by VHSR images will help to better track and characterize agricultural practices. How to merge all these different sources of information (optical SITS / radar and VHSR imagery) produced through the recent terrestrial observation technologies, remains an open problem to which the community of remote sensing, national and international, begins to be confronted and for which effective and stable solutions are not yet proposed. The aim of this thesis is therefore to propose new machine learning techniques for the integration of different data sources (optical time series, radar time series, Very High Spatial Resolution (VHSR) imagery) with the aim of improving i) the characterization of cultivated areas and ii) the estimation of agricultural yields from data collected in the field.