Amélioration des systèmes de suivi des cultures à à l’aide de la télédétection multi-source et des techniques d’apprentissage profond

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

• Auteur / Autrice : Yawogan Gbodjo
• Direction : Dino Ienco
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 08/11/2021
• Etablissement(s) : Montpellier
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Président / Présidente : Carmen Gervet
• Jury : Examinateurs / Examinatrices : Dino Ienco, Carmen Gervet, Bertrand Le Saux, Clément Mallet, Thomas Corpetti, Germain Forestier, Laurence Hubert-Moy, Louise Leroux
• Jury : Rapporteurs / Rapporteuses : Bertrand Le Saux, Clément Mallet

Mots clés

Mots clés contrôlés

Apprentissage supervisé (intelligence artificielle)

Végétation -- Télédétection

Télédétection en sciences de la Terre

Produits agricoles

Mots clés libres

Production agricole

Occupation du sol et surfaces cultivées

Estimation et prévision des rendements

Télédétection multi-Source. multi-Temporelle et multi-Échelle

Réseaux de neurones récurrents et convolutifs

Apprentissage supervisé

Crop production

Land cover and cropland mapping

Crop yields estimation and forecasting

Multi-Source. multi-Temporal and multi-Scale remote sensing

Recurrent and Convolutional neural networks

Supervised learning

Résumé

Les systèmes de suivi des cultures jouent un rôle essentiel dans l'évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d'information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l'essor des techniques d'apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l'évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d'apprentissage profond. Nous proposons deux méthodes pour caractériser l'occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d'attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l'intégration d'une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d'études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d'investigation sur l'estimation et la prévision des rendements des surfaces cultivées, à l'échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d'apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l'évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d'apprentissage profond semblent mieux adaptées que les méthodes traditionnelles d'apprentissage automatique pour tirer parti de la complémentarité des données multi-sources, multi-temporelles et multi-échelles à mesure qu'il y ait une quantité suffisante de données pour leur entraînement supervisé. Le travail d'investigation réalisé pour l'estimation et la prévision des rendements n'a par contre pas révélé de plus-value manifeste dans l'emploi de ces méthodes. Dans ce dernier cas, le contexte limité en données d'entraînement semble en être la principale explication.

Crop monitoring systems play a key role in the assessment of crop production worldwide. Nowadays, a plethora of earth observation systems providing large scale multi-source information with high spatial and temporal resolutions, as well as the breakthrough induced by the deep learning have opened up new opportunities for crop monitoring systems in crop production assessment. This thesis investigates methodological trails in order to enhance crop production monitoring through the use of multi-source remote sensing and deep learning. We propose two methods for land cover mapping and cropland identification. The first approach is based on recurrent neural networks equipped with attention strategies which employ multi-source radar and optical time series as well as specific domain knowledge. The second approach is built on convolutional neural networks and further explores the combination of multi-source and multi-scale information especially, thanks to the integration of a very high spatial resolution optical source. We assess our proposals on territorial and local scales through a range of study sites with various landscapes, agro-climatic conditions and agricultural practices, which are located in smallholder agriculture systems and more conventional ones. We also investigate the estimation and forecasting of crop yields at the local scale of smallholder agriculture, using multi-source radar and optical time series. In this context, also characterized by a limited amount of ground reference data, we assess the potential of deep learning methods compared to commonly used modeling approaches. The evaluation of our proposals for the setting of land cover mapping and cropland identification shows that deep learning techniques seem well suited than common machine learning approaches to leverage the complementarity of multi-source, multi-temporal and multi-scale information, as there is sufficient amount of data for the training stage. On the other hand, the investigation carried out for crop yield estimation and forecasting did not show significant contributions from these methods. In this latter setting, the limited amount of ground reference data seems to be the main explanation.