De l’image satellite au système d’utilisation des terres : détéction et caractérisation des investissements agricoles à grande échelle (IAGE) à partir de données d’Observation de la Terre. Etude de cas du Sénégal

From land cover to land use systems mapping : detection and characterization of large scale agricultural investments (LSAIs) from satellite imagery. Application to Senegal

• Auteur / Autrice : Yasmine Ngadi Scarpetta
• Direction : Anne-Élisabeth Laques, Agnès Bégué, Valentine Lebourgeois
• Type : Thèse de doctorat
• Discipline(s) : Environnement, territoires et sociétés
• Date : Soutenance le 09/04/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Président / Présidente : Carmen Gervet
• Jury : Examinateurs / Examinatrices : Liam Wren-Lewis
• Jury : Rapporteurs / Rapporteuses : Damien Arvor, Nicolas Delbart

Mots clés

Mots clés contrôlés

Variations saisonnières

Utilisation du sol

Sénégal

Acquisitions

Zones de cultures

Images de télédétection

Séries chronologiques

Mots clés libres

Séries temporelles d’images satellitaires

Sits

Modis ndvi

Changement d'utilisation des sols

Acquisitions de terres à grande échelle

BFASTm-L2

SITS analysis

Modis ndvi

Land use and land cover change

BFASTm-L2

Lsla

Unsupervised change detection

Résumé

Pendant les deux dernières décennies, la demande croissante en eau, en alimentation et en énergie a généré une ruée mondiale vers les terres sous la forme d'investissements agricoles à grande échelle (IAGE). En raison de leurs nombreuses incidences potentiellement négatives et de l'opacité entourant les données disponibles, la détection et la caractérisation de ces IAGEs dans le temps et dans l’espace sont nécessaires. La disponibilité croissante de séries temporelles d'images satellitaires (STIS), associée à l'amélioration constante des algorithmes de détection des changements, est particulièrement intéressante dans cette tâche. Bien que les algorithmes de détection des changements soient efficaces dans la détection des changements brusques et graduels dans les séries temporelles phénologiques, des progrès restent nécessaires en ce qui concerne la détection des changements saisonniers.L'objectif principal de cette recherche est la détection automatique, de manière non supervisée, des IAGEs implantés au Sénégal à partir des données de télédétection. Ce travail est structuré autour de trois articles interdépendants. Le premier présente une méthode rapide et non supervisée (BFASTm-L2) développée pour détecter, dans les STIS de NDVI issues du satellite MODIS, le point de rupture associé au plus grand changement de forme (principalement saisonnier) dans la série temporellede chaque pixel. Comparé à d'autres algorithmes de détection des changements (BFAST Lite, EDYN et BFAST monitor), BFASTm-L2 s'est révélé particulièrement sensible aux changements saisonniers et efficace pour mettre en évidence les IAGEs au Sénégal. Cela confirme l'hypothèse selon laquelle les changements d'utilisation des terres tels que ceux générés par l’implantation de IAGEs sont très souvent de type saisonnier. Le deuxième article a cherché à différencier la contribution des IAGEs de celles des principaux facteurs de changement (climatiques, naturels et anthropiques) dans les changements détectés. L'approche mise en place s'est basée sur l'identification de trois variables spectro-temporelles issues des séries temporelles de NDVI MODIS de chaque pixel (la magnitude du changement, la dissimilarité induite par le changement et la direction du changement), lesquelles, une fois combinées dans une image composite RVB, ont permis l’obtention d’un meilleur aperçu de la dynamique des terres et de leur possible facteur de changement. Il a ainsi été démontré que les IAGEs ont une signature de changement particulière au niveau éco-régional. Enfin, le troisième article vise principalement affiner la détection des transactions en à localisant automatiquement les hotspots de changement potentiellement liés aux IAGEs dans deux écorégions contrastées du Sénégal. Cette localisation s'opère grâce à la segmentation d'une carte des magnitudes de changement basée sur BFASTm-L2, combinée à un clustering K-means à l’échelle de l’objet. Dans cette dernière étude, des métriques discriminantes clés texturales et structurelles), dérivées d'images à plus haute résolution (Landsat), ont été combinées aux métriques spectro-temporelles issues des série temporelles de NDVI MODIS pour l’étape de clustering, et ainsi fournir une caractérisation les IAGEs.En privilégiant la détection non supervisée et l’analyse du type de changement induit dans les séries temporelles phénologiques, cette recherche contribue significativement à une meilleure compréhension de la dynamique des terres et des facteurs de changement à l'origine des modifications détectées.

Increasing demand for water, food and energy has led to dramatic competition for land, resulting in a global land rush in the form of large scale agricultural investments (LSAI). Due to their many potential negative impacts and the opacity of their surroundings, accurate detection and characterisation of LSAIs in space and time is required. The increasing availability of dense satellite imagery time series (SITS), together with ever-improving change detection algorithms, is useful in this task. While SITS change detection algorithms are efficient at detecting abrupt and gradual changes phenological time series, there is still much room for improvement when it comes to detecting seasonal changes.The primary objective of this research was to automatically detect, in an unsupervised manner, the implementation of LSAIs in Senegal based on remote sensing data. This work is structured around three interrelated papers. The first presents a fast and unsupervised approach (BFASTm-L2) developed to detect, in full MODIS NDVI SITS at the pixel level, the breakpoint associated with the largest pattern (i.e. mostly seasonal) change of the time series. Compared to other change detection algorithms (BFAST Lite, EDYN and BFAST monitor), BFASTm-L2 proved to be particularly sensitive to seasonal changes and efficient in highlighting LSAIs in Senegal. This supports the hypothesis that changes induced by land use systems such as LSAIs are very often of a seasonal type. The second paper sought to differentiate the contribution of LSAIs from the main drivers of change (climatic, natural and anthropogenic) at a national-scale, relying mainly on three time series-based change metrics calculated at the pixel level (magnitude of change, direction of change, dissimilarity), which, when combined into a unique composite map, provided insights into land dynamics. LSAIs were shown to have a specific ecoregional signature of change. Finally, the third paper aims to refine the detection of the deals by automatically locating potential hotspots of change related to LSAIs in two contrasting ecoregions of Senegal through the segmentation of a BFASTm-L2-based magnitude of change map combined with object-based K-means clustering. In this last study, key discriminative metrics (textural and structural) derived from higher resolution imagery (Landsat) were combined with the spectro-temporal ones coming from MODIS NDVI SITS to provide a generic characterization of LSAIs.Through its specific focus on large-scale detection of LSAIs, this project contributed to the land change community by improving the understanding of land dynamics and the drivers of change behind the detected changes.