Festival time with sentinel-2

Burning Man, black rock desert, USA.
Area : about 5 km2
Official attendance in 2016:: about 70000 people per day during 8 days.
1 people each 72 m2

Conclusion about my search of the event on Sentinel-playground: EASY! The event is iin the middle of the desert, high contrasts, long preparation time, no cloud, .

Burning Man

Festival des Vieilles Charrues, Carhaix, France..
Area: about 8 hectares for the music festival and 20 hectares for the camping area
Official attendance in 2016: about 70000 people / day during four days.
Density: 1 people each 4 m2

Conclusion about my search of the event on Sentinel-playground: LUCKY! I searched for other big european music festivals and found only this one. Most of the dates appeared to be cloudy or without image during the festival..This one was perfectly clear.

Conclusion: I still can't hear the music

An overview of irrigation evolution in Central Asia with Landsat

In Central Asia former soviet republics, pre-independence water allocation and irrigation system infrastructure were well maintained and operated with massive funding from the central government of the Former Soviet Union. Since independence, the situation has changed dramatically politically, institutionally and technically. Political transition from a planned to a market economy has introduced ‘new’ concepts such as land tenure, water rights and different kinds of ownership. The institutional changes are described as a transition from former state collective farms – kholkhoz and sovkhoz – to smaller private farms. (FAO report #39)
The Kyrgyz Republic is a landlocked country in Central Asia with a total area of 198 500 km2 and about 6 million inhabitants. It became independent from the Soviet Union in August 1991. Most of the land formerly controlled by the 195 kolkhoz (collective farms) and 275 sovkhoz (state farms) has been distributed to their employees and dependants in the form of certificates extending 99 years of land-use rights. 1 million hectares of fields are irrigated : almost all irrigation uses surface water, and only 4.4% of the water comes from groundwater (FAO report #39). FAO Aquastat surveys show that the Kirghiz consumption of water for agriculture has dropped from 9486Mm3 in 1994 to 7447 Mm3 in 2006 (-21%), but they also say that « These data should be used with caution, since the reason for this is not clear. It may be the result of computation methods, data quality, changed cropping pattern or improved irrigation techniques. »

 

We (1) have been looking at the evolution of an irrigated scheme on the southern bank of the Issyk Kul lake. The water which is coming from Karak Batak glacier melt, snow melt, and other rain runoff flows along the Chon Kyzyl Suu river which is then diverted to the Bolshoi and Polanski canals.

 

The statistics of water diversion (2) to those two canals show a huge drop between 1996 and 2004, followed by a flat evolution until 2012. The volume diverted in the 2000s is half the volume of the 1990s, so we would expect that the cropped area of the 90’s was much bigger than in the 2010’s.

Continue reading

Chambord flooding: An update to "Mapping flooded areas using Sentinel-1 in Google Earth Engine" from Simon

Short after working with Simon on the script for the  article about the mapping of flooded areas, I wanted to be sure that our short script was realistic. I had some time to loose at the airport, so, after finding a wifi connection, I looked for pictures of the flooded areas of the north of France. I found some impressive pictures of the damages like the hippodrome of Mesnil Le Roy and surrounding places, but the most stunning one was surely this aerial view of Chambord.

Francis the 1st was the king of France during the first part of the XVI century. After winning the battle of Marignano, he decided to build a castle to its own glory. The castle is actually located 5 km south of the Loire river in between the cities of Blois and Orleans. The small Cosson river also crosses the park as can been seen on the aerial view. The Cosson overflowed at the end of May 2016 causing damages to the castle estimated in between 0.5 and 1 million euros.

After doing some slight adjustment to the original script, I exported the result from Earth Engine as a Geotiff file and encapsultated it into a KMZ file to load into Google Earth. Some people had already prepared a 3D model of the castle, so it was quite easy to create this  3D view.

Well, I'm really sorry for King Francis, but it seems our first guess of mapping flooded areas was not bad at all.

SAT-IRR: Satellite for Irrigation Scheduling

=>

Suite à l'expérience de pilotage d'irrigation menée au Maroc lors de l'expérience SPOT4-Take5 (Le Page et al, 2014), un outil Web d'aide à la prise de décision d'irrigation est en cours de développement (http://osr-cesbio.ups-tlse.fr/Satirr). L’outil est fonctionnel sur trois tuiles Landsat8 situées à Marrakech au Maroc, Kairouan en Tunisie, Toulouse en France.

 

L'outil s'adresse à des irrigants :  après avoir dessiné sa parcelle sur un fond cartographique, l’utilisateur répond à 4 questions. Il choisit sa culture parmi 7 options actuellement renseignées (maïs, blé, olivier…), son sol parmi les 12 sols type de l’USDA, sa date de semis et son mode d’irrigation (gravitaire, aspersion ou goutte à goutte). Cette initialisation sommaire est suffisante pour lancer le service, mais l’utilisateur pourra modifier à tout moment les contours de sa parcelle ou affiner la paramétrisation s’il connaît bien le sol, les particularités de sa culture, etc.

 

Dans un premier temps le serveur se charge de faire une approximation d’un comportement

satirr_screenshot

Screenshot from SAT-IRR web interface. The four icons allow modifying the plot parameters and contours, input irrigation, and consulting the results as graphs or tables. The graph results show a small Openlayers window with the last NDVI image, the sequence of NDVI thumbnail images, and 4 graphics: The “atmospheric part (rainfall, Reference Evapotranspiration and actual evapotranspiration), the second graph shows the status of the soil water content separated in three layers, the third graph shows the evolution of Basal Crop Coefficient and Fraction Cover, and the last graph is NDVI. The blue square at the right of the graphs are projections for the next month, including the green bars which are irrigation recommendations

moyen de la plante. Pour cela, une climatologie mensuelle est compilée (moyenne multi-annuelle de paramètres météo) puis interpolée au pas de temps journalier, alors que le comportement moyen de la plante est tiré des tables du document FAO-56 « FAO Irrigation and Drainage n°56: Guidelines for Computing Crop Water Requirements » (Allen et al, 1998). Dans un second temps, les images satellites déjà présentes sur le serveur sont examinées puis les relations entre NDVI et Coefficient Cultural de Base (Basal Crop Coefficient, Kcb) et le pourcentage de la couverture du sol par la végétation (Fraction cover, Fc) sont déterminées à chaque date disponible en faisant une moyenne sur la parcelle.

 

La météo passée est renseignée par les mesures effectuées sur la station synoptique de l’Organisation Mondiale Météorologique la plus proche, et synthétisée quotidiennement sous la forme de l’évapotranspiration de référence (ET0) et de la pluie. Enfin, des prévisions météo sont obtenues grâce à l’API de l’Institut Météorologique Norvégien.

 

Finalement, un bilan hydrique très proche de celui décrit dans la méthode FAO-56 est calculé en combinant ainsi comportement cultural et climatologie type, imagerie satellitaire, mesures et prévisions météo ainsi que projection dans le futur du développement de la culture. Le but étant bien évidemment de proposer une date et dose d’irrigation.

 

En plus de mettre à jour la météo (mesures et prévisions), le serveur vérifiera chaque jour la disponibilité de nouvelles images (uniquement Landsat8 pour le moment). Si une nouvelle image est disponible, elle est téléchargée, corrigée des effets atmosphériques en utilisant les informations fournies par le photomètre du réseau Aeronet le plus proche en utilisant le code SMAC (Rahman & Dedieu, 1994), puis un masque de nuage est créé et le NDVI est calculé. Cette image est stockée alors que le fichier original est jeté pour ne pas encombrer le serveur.

 

L’ensemble paramétrisation/mesures/prévision est stocké sur une base postgres/postgis qui fait le lien avec une interface web. L’utilisateur peut consulter les résultats sous forme de tableaux ou de graphes, et rajouter ses propres irrigations dans une autre interface dédiée.

 

Bien que l’interface soit encore un peu fruste, nous envisageons surtout des développements du côté serveur:

  • Adaptation à Sentinel-2 : à priori le passage à S2 ne devrait pas poser de soucis. Il faudra cependant adapter le calcul des tuiles à télécharger, le code de téléchargement, ainsi que la lecture du format.
  • Utilisation de Sentinel-1: Dans l’état actuel, le bon fonctionnement du bilan hydrique repose sur l’information réelle de l’irrigation que doit fournir l’utilisateur. Nous prévoyons de tester l'utilisation d’images S1 pour déterminer les dates d'irrigation.
  • Accès à des stations agro-météo locales : Dans le cadre du développement du Système d’Information Environnemental au Cesbio, la télémétrie de plusieurs stations météo se met petit à petit en place (par exemple voir http://trema.ucam.ac.ma (Jarlan et al, 2015)), nous comptons rendre ces stations accessibles à travers un service web normalisé du type Sensor Web.
  • Introduction de réseau d’irrigation collective. Les travaux de thèse de Kharrou (2013) et Belaqziz (2013, 2014) ont montré que la télédétection spatiale peut servir à optimiser les tours d’eau sur un secteur irrigué. Nous comptons donc offrir la possibilité d’introduire un ensemble de parcelle pour l’associer à un réseau de distribution et proposer in fine un arrangement optimisé du tour d’eau. Cependant, à l’heure actuelle, cet objectif est plutôt de l’ordre du défi !
  • Nous travaillons actuellement sur une procédure d'estimation du rendement du blé avec la télédétection spatiale (Thèse J. Toumi) et espérons ainsi introduire une estimation précoce du rendement dans cet outil.

Si vous souhaitez essayer l'outil, inscrivez-vous, c'est gratuit. Si les régions de test ne vous conviennent pas, contactez-moi!

Références:

  1. Le Page M., J. Toumi, S. Khabba, O. Hagolle, A. Tavernier, M. Kharrou, S. Er-Raki, M. Huc, M. Kasbani, A. Moutamanni, M. Yousfi, and L. Jarlan, “A Life-Size and Near Real-Time Test of Irrigation Scheduling with a Sentinel-2 Like Time Series (SPOT4-Take5) in Morocco,” Remote Sens., vol. 6, no. 11, pp. 11182–11203, Nov. 2014.
  2. Allen R., L. Pereira, D. Raes, and M. Smith, FAO Irrigation and Drainage n°56: Guidelines for Computing Crop Water Requirements, no. 56. FAO, 1998, pp. 273–282.
  3. Rahman H. and G. Dedieu, “SMAC: a simplified method for the atmospheric correction of satellite measurements in the solar spectrum,” Int. J. Remote Sens., vol. 15, no. 1, pp. 123–143, 1994.
  4. Kharrou M.H., M. Le Page, A. Chehbouni, V. Simonneaux, S. Er-Raki, L. Jarlan, L. Ouzine, S. Khabba, and A. Chehbouni, “Assessment of Equity and Adequacy of Water Delivery in Irrigation Systems Using Remote Sensing-Based Indicators in Semi-Arid Region, Morocco,” Water Resour. Manag., vol. 27, no. 13, pp. 4697–4714, Sep. 2013.
  5. Belaqziz S., S. Mangiarotti, M. Le Page, S. Khabba, S. Er-Raki, T. Agouti, L. Drapeau, M. H. Kharrou, M. El Adnani, and L. Jarlan, “Irrigation scheduling of a classical gravity network based on the Covariance Matrix Adaptation – Evolutionary Strategy algorithm,” Comput. Electron. Agric., vol. 102, pp. 64–72, Mar. 2014.
  6. Belaqziz S., S. Khabba, S. Er-Raki, L. Jarlan, M. Le Page, M. H. Kharrou, M. El Adnani, and A. Chehbouni, “A new irrigation priority index based on remote sensing data for assessing the networks irrigation scheduling,” Agric. Water Manag., vol. 119, pp. 1–9, Mar. 2013.
  7. Jarlan L., S. Khabba, S. Er-raki, M. Le Page et al, “Remote sensing of water resources in semi-arid Mediterranean basins: The Joint International Laboratory TREMA,” Int. J. Remote Sens., vol. (under review), 2015.

SAT-IRR: Satellite for Irrigation Scheduling

=>

Following the irrigation scheduling experiment in Morocco during the SPOT4-Take5 experiment (Le Page et al, 2014), a Web tool owing to help the irrigation decision making is under development (http://osr-cesbio.ups-tlse.fr/Satirr). The tool is functional on three Landsat8 tiles: Marrakech in Morocco, Kairouan in Tunisia, Toulouse, France.

 

As the tool is addressing irrigators, the idea is to set an irrigated plot of the simplest and fastest possible way. After drawing his plot on a base map, the user answers to 4 questions. He chose his culture among 7 options currently parameterized (corn, wheat, olive ...), its soil among the 12 USDA typical soils, the sowing date and irrigation method (flooding, sprinkler or drip). This rough initialization is adequate launch the service although, at any time, the user can change the plot contours or refine parameterization if he knows the soils, the peculiarities of its crop, etc.

satirr_screenshot

Screenshot from SAT-IRR web interface. The four icons allow modifying the plot parameters and contours, input irrigation, and consulting the results as graphs or tables. The graph results show a small Openlayers window with the last NDVI image, the sequence of NDVI thumbnail images, and 4 graphics: The “atmospheric part (rainfall, Reference Evapotranspiration and actual evapotranspiration), the second graph shows the status of the soil water content separated in three layers, the third graph shows the evolution of Basal Crop Coefficient and Fraction Cover, and the last graph is NDVI. The blue square at the right of the graphs are projections for the next month, including the green bars which are irrigation recommendations

Initially the server makes an approximation of an average behavior of the plant. For this, a monthly climatology is compiled (multi-annual average of weather parameters) and then interpolated to daily values, while the average behavior of the plant is extracted from FAO-56 Tables "FAO Irrigation and Drainage No. 56 : Guidelines for Computing Crop Water Requirements" (Allen et al, 1998). In a second step, the satellite images already on the server are examined and the relationship between NDVI and Basal Crop coefficient (Kcb) and percent of ground covered by vegetation (Fraction cover, Fc) are determined at each date by averaging on the plot.
Past weather is populated by measurements on the nearest synoptic station of the World Meteorological Organization and synthesized in the form of daily reference evapotranspiration (ET0) and rainfall. Forecasts are obtained by the API of the Norwegian Meteorological Institute.
Finally, a water balance very close to the one described in the FAO-56 is calculated by combining typical crop behavior and climate, satellite imagery, weather data and forecasts and projection into the future of crop development. The goal is to propose a date and dose of irrigation.

 

In addition to updating the weather (measures and forecasts), the server will check every day for the availability of new images (only Landsat8 for the time being). If there is availability, the tile is downloaded, it is then corrected for atmospheric effects using the information provided by the nearest photometer from the Aeronet network using the SMAC code (Rahman & Dedieu, 1994), then a cloud mask is created and NDVI is calculated. This image is stored as the original file is discarded to not overload the server.
All parameterization / measures / prediction are stored in a postgres / postgis database that links with a web client interface. The user can view the results in tables or graphs, and add its own irrigation in another dedicated interface.
While the interface is still a little rough, we are essentially considering developments on the server side:

  • Adaptation to Sentinel-2: the transition to S2 should not be a hassle. However, it will be necessary to adjust the calculation of the tiles to download, the download code and format reading.
  • Use of Sentinel-1: In the current state, the well-performance of water balance is based on the actual information of irrigation provided by the user. We plan to test the use of S1 images to determine the irrigation dates.
  • Access to local agro-weather stations: As part of the development of the Environmental Information System in Cesbio, telemetry of several weather stations has been settled up (eg, see http://trema.ucam.ac .ma) (Jarlan et al, 2015), we have to make these stations accessible through a standardized web service like Sensor Web.
  • Introduction of collective irrigation network. The PhD work of Kharrou (2013) and Belaqziz (2013, 2014) have shown that remote sensing can be used to optimize water rotations of an irrigated command. We plan to offer the possibility of introducing a set of plots to associate it with a distribution network and ultimately offer an optimized arrangement of the water rotation. However, at present, this goal is more into the order of a challenge!
  • We are currently working on a procedure to introduce wheat yield using remote sensing data (J. Toumi PhD Thesis) and further expect to input an early wheat yield prediction into the tool.

If you want to try it out, be my guest, it's free. If you want to try it out on other regions, please contact me!

 

References:

  1. Le Page M., J. Toumi, S. Khabba, O. Hagolle, A. Tavernier, M. Kharrou, S. Er-Raki, M. Huc, M. Kasbani, A. Moutamanni, M. Yousfi, and L. Jarlan, “A Life-Size and Near Real-Time Test of Irrigation Scheduling with a Sentinel-2 Like Time Series (SPOT4-Take5) in Morocco,” Remote Sens., vol. 6, no. 11, pp. 11182–11203, Nov. 2014.
  2. Allen R., L. Pereira, D. Raes, and M. Smith, FAO Irrigation and Drainage n°56: Guidelines for Computing Crop Water Requirements, no. 56. FAO, 1998, pp. 273–282.
  3. Rahman H. and G. Dedieu, “SMAC: a simplified method for the atmospheric correction of satellite measurements in the solar spectrum,” Int. J. Remote Sens., vol. 15, no. 1, pp. 123–143, 1994.
  4. Kharrou M.H., M. Le Page, A. Chehbouni, V. Simonneaux, S. Er-Raki, L. Jarlan, L. Ouzine, S. Khabba, and A. Chehbouni, “Assessment of Equity and Adequacy of Water Delivery in Irrigation Systems Using Remote Sensing-Based Indicators in Semi-Arid Region, Morocco,” Water Resour. Manag., vol. 27, no. 13, pp. 4697–4714, Sep. 2013.
  5. Belaqziz S., S. Mangiarotti, M. Le Page, S. Khabba, S. Er-Raki, T. Agouti, L. Drapeau, M. H. Kharrou, M. El Adnani, and L. Jarlan, “Irrigation scheduling of a classical gravity network based on the Covariance Matrix Adaptation – Evolutionary Strategy algorithm,” Comput. Electron. Agric., vol. 102, pp. 64–72, Mar. 2014.
  6. Belaqziz S., S. Khabba, S. Er-Raki, L. Jarlan, M. Le Page, M. H. Kharrou, M. El Adnani, and A. Chehbouni, “A new irrigation priority index based on remote sensing data for assessing the networks irrigation scheduling,” Agric. Water Manag., vol. 119, pp. 1–9, Mar. 2013.
  7. Jarlan L., S. Khabba, S. Er-raki, M. Le Page et al, “Remote sensing of water resources in semi-arid Mediterranean basins: The Joint International Laboratory TREMA,” Int. J. Remote Sens., vol. (under review), 2015.

Feedback on the irrigation scheduling experiment using remote sensing images

=>

CESBIO contributes to an international joint laboratory in Morocco, called TREMA, "Télédétection et Ressources en Eau en Méditerranée semi-Aride", which means "Remote Sensing and Water Resources in Semi-Arid Mediterranean". This year, this laboratory has embarked on an ambitious experiment of irrigation scheduling by satellite imagery, on a wheat plot near Marrakech. This experiment was already described in March, and it gave very promising results.


The main objective of the experiment was to see if  the logistics of irrigation scheduling by water balance model were feasible in real conditions. For this, a farmer accepted to play our game on two four hectares plots of wheat: Irrigation of the reference plot was driven by the farmer in the usual way. The test plot irrigations was driven by our tool SAMIR (FAO-56 model forced by satellite imagery).

 

Since the sowing late December to the harvest in early June, a weather station installed on a reference culture has given us the daily reference evapo-transpiration measurements. On the other hand, to control a posteriori the quality of our estimates of water requirements for irrigation, two flux measuring stations were set up. We also acquired a series of images SPOT5 early in the season to compensate for the slightly late start of SPOT4 experience (TAKE5) which began in February.

 

In addition to a clear weather throughout the season, we were able to benefit from the excellent work of the SPOT4 (TAKE5) team which provided us with the georeferenced images very quickly. The NDVI evolutions were thus available in a relatively short time. As an end user, the Office of Agricultural Haouz allowed us to perform the irrigation of the test plot in the best conditions while being subjected to the constraints of the canal system.

On the ground, everything did not work as well as we planned. Following a misunderstanding with the farmer, we completely missed the second irrigation and the fertilizer application was not timely. Indeed, the study plot is installed on a heavy clay soil that forms a crust. We were not aware that, a few days after sowing, a specific irrigation is needed to ease the emergence of plants. On the other hand, the farmer applied nitrogen fertilizer on two plots just after irrigation of the reference parcel and relatively far from the irrigation of the test plot. Under these conditions the nitrogen is relatively less soluble, and our test plot lacked fertilizers.

Our experiment has been seriously hampered by the misunderstandings with the farmer. But despite the bad start, the experiment was pursued to its end.

 

This plot shows the changes throughout the course of the experiment of the water supply from rainfall and irrigation, the evapo-transpiration ETobs measured in the field and the Evapo-Transpiration ET estimated by SAMIR model, using the vegetation status from SPOT4 (Take5) images. On this plot, the dates of irrigation were suggested by the model.

 

To our surprise, the results are extremely promising. Indeed, despite a 20% lower biomass compared to the plot driven by the farmer, we got a equivalent performance in grain yield. This can be explained by the fact that, although the average number of wheat blades was much lower on the test plot, it is very likely that the reference plot, irrigated by the traditional method, has suffered water stress in late March limiting the filling of grain.

 

 

This full-scale experiment finally turned out to be very instructive. First,  imaging/weather/irrigation logistics worked great : the weather data transmission, the reception and the geometric and radiometric correction of images, the model runs and  irrigation decision were largely automated. The SPOT4 (Take5) data, that prefigure those of Sentinel-2, proved perfectly suited to this application. Unfortunately, the clay crust has severely limited the emergence of culture. Yet this phenomenon, well-known to our farmer, taught us to cultivate humility ;-) , and we will consider the introduction of the risk in a decision support system. Finally, the functional constraints of the gravity irrigation system have taught us that our tool should be more flexible to recommend an irrigation period instead of a single date, and that we should link the service to weather forecasts.

 

Following this experiment, we started developing a Web service (SAT-IRR) that should shortly provide the essential functions of an irrigation decision support with a simplified interface.

 

Retour sur le pilotage en temps réel de l'irrigation d'une parcelle par télédétection

=>

Le CESBIO contribue à un laboratoire mixte international au Maroc, baptisé TREMA, "Télédétection et Ressources en Eau en Méditerranée semi-Aride". Cette année, ce laboratoire s'est lancé dans une expérience ambitieuse de pilotage de l’irrigation par imagerie satellitaire, sur une parcelle de blé dur près de Marrakech. Nous vous en parlions au mois de mars. Cette expérience s'est révélée très encourageante.

 

L’objectif principal de l’expérience était de vérifier si nous pouvions assumer la logistique de pilotage de l’irrigation par un modèle de bilan hydrique dans des conditions réelles. Pour cela, un agriculteur s’est prêté à notre jeu en proposant deux parcelles de blé dur de quatre hectares : L'irrigation de la parcelle de référence était pilotée par l’agriculteur selon sa méthode habituelle. La parcelle d’essai était pilotée par l’outil SAMIR (modèle FAO-56 forcé par l’imagerie satellitaire).

Depuis la date de semis fin décembre jusqu’à la récolte en début juin, une station météo installée sur une culture de référence nous a transmis quotidiennement les mesures d’Evapotranspiration de Référence. D’autre part, pour contrôler à posteriori la qualité de nos estimations des besoins en eau d'irrigation, deux stations de flux ont été mises en place. Nous avons également acquis une série d’image SPOT5 en début de saison pour pallier au démarrage un peu tardif de l’expérience SPOT4(TAKE5) qui commençait en février.

 

En plus d’une météo très claire tout au long de la saison, nous avons pu bénéficier de l’excellent travail de l’équipe SPOT4(TAKE5) qui nous a délivré les images géoréférencées très rapidement. Les trajectoires de NDVI ont ainsi pu être corrigées dans un délai relativement court. En fin de chaîne, la relation avec l’Office Agricole du Haouz nous a permis d’effectuer les irrigations de la parcelle d'essai dans les meilleures conditions tout en étant soumis aux contraintes du système de canaux.

 

Sur le terrain, cela n’a pas fonctionné aussi bien que nous le souhaitions. Suite à un malentendu avec l’agriculteur, nous avons complètement raté la seconde irrigation et l'application des engrais n’a pas été opportune. En effet, la parcelle étudiée est installée sur un sol très argileux qui forme une croûte de battance. Une irrigation spécifique, quelques jours après le semis, est nécessaire pour faciliter l’émergence des plantes. D’autre part, l'agriculteur a appliqué l'engrais azoté sur les deux parcelles juste après l'irrigation de la parcelle de référence et relativement loin de l'irrigation de la parcelle d'essai. Sous ces conditions l'azote est relativement moins soluble sur la parcelle étudiée.

 

Notre expérience a donc été sérieusement handicapée par ces malentendus avec l'agriculteur. En dépit de cela, nous avons mené l’expérience jusqu’à sa fin.

Ce graphe fournit les variations tout au long de long de l'expérience des apports d'eau par les précipitations et les irrigations, ainsi que de l'évapo-transpiration ETobs mesurée sur le terrain et de l'observation ET modélisée par le modèle SAMIR, à partir de l'état de la végétation observé par SPOT4 (Take5). Sur cette parcelle, les dates des irrigations ont été préconisées par le modèle.

 

A notre grand étonnement, les résultats sont extrêmement prometteurs. En effet, malgré une biomasse inférieure de 20% par rapport à la parcelle pilotée par l’agriculteur, nous avons obtenu un rendement en grain équivalent. Ceci peut s’expliquer par le fait que, bien que le nombre moyen de talles (les "brins" de blés) fusse très inférieur sur la parcelle d’essai, il est très probable que la parcelle de référence, irriguée, selon la méthode traditionnelle, ait subit un stress hydrique en fin mars limitant ainsi le remplissage des grains.

 

Cette expérience grandeur nature est riche d’enseignements. Tout d’abord, la logistique imagerie-météo-irrigation a très bien fonctionné (télétransmission de la météo, réception et corrections géométriques et radiométriques des images, run du modèle, lancement des irrigations) et peut-être largement automatisée. Les données SPOT4(Take5) qui préfigurent celles de Sentinel-2, avec la météo de cette année, se sont révélées parfaitement adaptées.  Malheureusement, la croûte de battance a fortement limité l’émergence de la culture. Ce phénomène pourtant bien connu de notre agriculteur nous a appris à cultiver l’humilité ;-) et nous devrons envisager l’introduction de ce risque dans un système d’aide à la décision. Enfin, les contraintes fonctionnelles de l’irrigation en système gravitaire nous ont appris que notre outil devra être plus flexible en proposant plutôt une fenêtre de dates plutôt qu’une seule meilleure date d’irrigation, et qu’il devra pouvoir être lié à un ou plusieurs pronostics météo.

 

Suite à cette expérience, nous avons commencé à mettre en place un outil Web (SAT-IRR) qui devrait à court terme offrir les fonctionnalités essentielles pour l’aide à la décision d’irrigation dans une interface simplifiée.

 

Une expérience de pilotage de l’irrigation du blé en conditions réelles à Marrakech

Dans la région sud de la Méditerranée, ainsi que d'autres régions arides et semi-arides, la consommation en eau a augmenté de façon significative au cours des dernières décennies, alors que les ressources en eau disponibles se raréfient. Au Maroc, on estime que 83% des ressources mobilisées sont consacrées à l'agriculture avec une efficacité inférieure à 50%. La région du Haouz, typique du sud des bassins méditerranéens, est caractérisée par un climat semi-aride (l'évapotranspiration potentielle est d'environ 1600 mm/an contre une moyenne de précipitations annuelles de 250 mm). Dans ces conditions, l'irrigation des cultures est inévitable pour permettre la croissance et le développement des plantes. Ainsi, il est nécessaire de développer des méthodes d’irrigation qui permettent d’optimiser l’utilisation des faibles ressources en eau disponibles pour une amélioration et une stabilisation de la production.

La demande en eau des cultures dépend principalement de deux aspects: les conditions météorologiques et le développement des cultures. De nombreuses recherches ont démontré que l'imagerie optique à partir de satellites d'observation de la terre permet d’estimer précisément l'état des cultures. Associée au calcul d’un bilan hydrique du sol et certains aspects de prévision (météo, développement des plantes), les informations obtenues par télédétection spatiale peuvent être utiles pour la décision d’irrigation. Afin d'obtenir le meilleur rendement, le stress hydrique de la plante doit être évité autant que possible. De même, les dotations en eau ne doivent pas être excessives afin d’éviter les pertes par percolation profonde.

 

Durant la saison du blé d'hiver de 2013, une expérience de pilotage de l’irrigation en conditions réelles se déroule sur une parcelle de 4 hectares de blé située 40 km à l’est de Marrakech. Il s’agit de comparer la stratégie d’ l'irrigation usuellement pratiquée sur un secteur irrigué avec une stratégie d'irrigation pilotée par télédétection. L’imagerie de télédétection est fournie par Spot4 (Take5) et Spot5 (ISIS). La météo est mesurée sur une surface de référence à un kilomètre de la parcelle.

 

L’outil SAMIR (Satellite Monitoring of Irrigation), qui est basé sur la méthode FAO 56, mais en pilotant les coefficients culturaux par l’indice normalisé de végétation (NDVI) est utilisé pour calculer le bilan hydrique de la parcelle au pas de temps journalier. Une climatologie moyenne de la région est utilisée pour la météo à long terme (15 jours), tandis que nous faisons tourner un modèle météo pour le court terme (4 jours). Enfin, le coefficient cultural est lui aussi extrapolé en attendant que de nouvelles images satellites soient disponibles (production, nuage…)

 

Dans le même temps, deux systèmes d’Eddy-Correlation mesurent les flux de la parcelle pilotée et de la parcelle de référence.

 

Les premiers résultats de l'expérience sont convaincants autant du côté de l’estimation de l’évapotranspiration par rapport aux mesures de flux (RMSE = 0.75mm/jour), que des préconisations d’irrigation. Deux "tours d’eau" ont ainsi été lancés dans le cadre de l’expérience en dates du 14 Février et 12 Mars 2013, alors que la parcelle de référence recevait quand à elle 3 tours d’eau pendant la même période.

 

Un grand nombre d’enseignements peuvent dors et déjà être tirés de cette expérience grandeur nature: les aspects pratiques de la mise en œuvre sont dévoilés (télémétrie, répétitivité de l'imagerie, ...) alors que certains indices quant à l'acceptation sociale d'une telle technologie sont mis en évidence comme la simplicité d’utilisation et la flexibilité des préconisations. Restera à démontrer l’impact positif sur la rentabilité de l’eau d’irrigation, seul juge de l’efficacité opérationnelle de cette approche.

Plus d'infos sur le site du LMI TREMA: http://trema.ucam.ac.ma