Estimation des caractéristiques des feuilles et du couvert végétal par inversion de modèles physiques de transfert radiatif : du laboratoire au satellite

Retrieving leaf and canopy characteristics from their radiative properties using physically based models : from laboratory to satellite observations

• Auteur / Autrice : Jingyi Jiang
• Direction : Frédéric Baret, Marie Weiss
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la Terre
• Date : Soutenance le 18/06/2019
• Etablissement(s) : Avignon
• Ecole(s) doctorale(s) : École doctorale 536 « Sciences et agrosciences » (Avignon)
• Partenaire(s) de recherche : Laboratoire : Environnement Méditerranéen et Modélisation Agro-Hydrosystèmes (Avignon)
• Jury : Président / Présidente : Jean-Philippe Gastellu-Etchegorry
• Jury : Examinateurs / Examinatrices : Jean-Philippe Gastellu-Etchegorry, Mathias Disney, Stéphane Jacquemoud, Aleixandre Verger Ten
• Jury : Rapporteurs / Rapporteuses : Mathias Disney, Stéphane Jacquemoud

Mots clés

Mots clés contrôlés

Végétation -- Télédétection

Réflectance

Propriétés optiques

Feuilles

Comptages

Chlorophylle

Modélisation des données (informatique)

Écologie de la canopée

Mots clés libres

Indice de surface verte

Contenu en chlorophylle

Modèle de transfert radiatif 3D

PROSPECT

Inversion

3D Radiative transfer model

Chlorophyll content

Green Area Index

PROSPECT

Inversion

Résumé

La mesure des caractéristiques des feuilles et du couvert végétal par télédétection est un moyen efficace et non destructif d’effectuer un suivi des cultures, que ce soit pour la prise de décision dans la gestion d’itinéraires techniques an agriculture de précision ou pour le phénotypage au champ pour améliorer l'efficacité de la sélection variétale. Grâce à l’augmentation de la puissance de calcul des machines et à la disponibilité croissante d'images à haute résolution spatiale, les méthodes d’estimation peuvent maintenant bénéficier de simulations plus précises des modèles de transfert radiatif (RT) dans la végétation. L'objectif de ce travail est de proposer et d'évaluer des moyens efficaces pour estimer les caractéristiques des feuilles et du couvert végétal à partir d'observations rapprochées ou de télédétection en utilisant des modèles RT basés sur une description réaliste de la structure des feuilles et du couvert. Au niveau des feuilles, nous avons d'abord évalué la capacité des différentes versions du modèle PROSPECT à estimer des variables biochimiques comme la chlorophylle (Cab), la teneur en eau et en matière sèche. Nous avons ensuite proposé le modèle FASPECT pour décrire les différences de propriétés optiques entre les faces supérieure et inférieure des feuilles en considérant un système à quatre couches. Après avoir étalonné les coefficients d'absorption spécifiques des principaux constituants de la feuille, nous avons validé FASPECT sur 8 jeux de données. Nous avons montré que les spectres de réflectance et de transmittance des deux faces sont simulés avec une très bonne précision, et même meilleure que PROSPECT pour la face supérieure. De même, en mode inverse, les performances d'estimation de la teneur en matière sèche sont considérablement améliorées avec FASPECT par rapport à PROSPECT, et restent du même ordre de grandeur pour la chlorophylle et l’eau. Au niveau du couvert végétal, nous avons utilisé le simulateur de rendu physique réaliste LuxCoreRender pour calculer le transfert radiatif à partir d'une description 3D de l’architecture de la culture. Nous avons d’abord vérifié ses bonnes performances par comparaison aux modèles 3D les plus récents en utilisant ROMC (RAMI On Line Model Checker). Afin d’accélérer les simulations, nous avons développé une méthode qui repose sur l’utilisation d’un nombre limité de propriétés optiques du sol et des feuilles. Pour estimer les variables d'état du couvert végétal (indice de surface verte, GAI, contenu en chlorophylle du couvert (CCC) ou des feuilles (Cab), nous avons ensuite entrainé des algorithmes d’apprentissage automatique à partir de bases de données « culture spécifique » simulées avec LuxCoreRender pour le blé et le maïs et d’une base de données générique simulée avec le modèle 1D PROSAIL de transfert radiatif. Les résultats sur des simulations et sur des données in situ combinés aux images SENTINEL2 ont montré que les algorithmes spécifiques aux cultures surpassent les algorithmes génériques pour les trois variables, en particulier lorsque la structure du couvert s’éloigne de l'hypothèse 1D du milieu turbide, comme dans le cas du maïs où la structure en rang domine pendant toute une partie de la saison de croissance.

Measuring leaf and canopy characteristics from remote sensing acquisitions is an effective and non destructive way to monitor crops both for decision making within the smart agriculture practices or for phenotyping under field conditions to improve the selection efficiency. With the advancement of computer computing power and the increasing availability of high spatial resolution images, retrieval methods can now benefit from more accurate simulations of the Radiative Transfer (RT) models within the vegetation. The objective of this work is to propose and evaluate efficient ways to retrieve leaf and canopy characteristics from close and remote sensing observations by using RT models based on a realistic description of the leaf and canopy structures. At the leaf level, we first evaluated the ability of the different versions of the PROSPECT model to estimate biochemical variables like chlorophyll (Cab), water and dry matter content. We then proposed the FASPECT model to describe the optical properties differences between the upper and lower leaf faces by considering a four-layer system. After calibrating the specific absorption coefficients of the main absorbing material, we validated FASPECT against eight measured ground datasets. We showed that FASPECT simulates accurately the reflectance and transmittance spectra of the two faces and overperforms PROSPECT for the upper face measurements. Moreover, in the inverse mode, the dry matter content estimation is significantly improved with FASPECT as compared to PROSPECT. At the canopy level, we used the physically based and unbiased rendering engine, LuxCoreRender to compute the radiative transfer from a realistic 3D description of the crop structure. We checked its good performances by comparison with the state of the art 3D RT models using the RAMI online model checker. Then, we designed a speed-up method to simulate canopy reflectance from a limited number of soil and leaf optical properties. Based on crop specific databases simulated from LuxCoreRender for wheat and maize and crop generic databases simulated from a 1D RT model, we trained some machine learning inversion algorithms to retrieve canopy state variables like Green Area Index GAI, Cab and Canopy Chlorophyll Content (CCC). Results on both simulations and in situ data combined with SENTINEL2 images showed that crop specific algorithms outperform the generic one for the three variables, especially when the canopy structure breaks the 1D turbid medium assumption such as in maize where rows are dominant during a significant part of the growing season.