Caractérisation de la phénologie des forêts tropicales humides du nord Congo grâce aux séries temporelles à haute et basse résolution

=>

Le CIRAD s'intéresse aux forêts tropicales du Nord du Congo, et utilise les séries temporelles d'images pour distinguer les forêts à tendance sempervirente des forêts à tendance décidue. L’analyse de 10 années de données d’un indice de végétation (Enhanced Vegetation Index – EVI) issues d'images MODIS à 500m de résolution, a permis de reconstituer un profil temporel annuel synthétique reflétant la phénologie des formations forestières observées (Gond et al., 2013), et de séparer ces deux types de forêts. Il semble que ces variations dans la phénologie foliaire sont en partie sous la dépendance du substrat géologique (Fayolle et al., 2012), les grès de Carnot paraissant associés à des forêts davantage sempervirentes et les alluvions de la cuvette congolaise paraissant associés à des forêts davantage décidues.

 

L'image SPOT4(Take5) du 2 juin: en haut, les limites géologiques entre les grès à l’ouest et les alluvions à l’est ; en bas, les classes de végétation obtenues avec le capteur MODIS (sempervirentes à l’ouest et semi-décidues à l’est). Profils temporels EVI des types forestiers (sempervirents et semi-décidus) du nord Congo entre le mois de janvier (seizaine 1) et juin (seizaine 11). Les traits pleins noirs indiquent les six acquisitions SPOT-4 exploitables, et les pointillés noirs les acquisitions partiellement nuageuses

 

L'expérience Spot-4 (Take-5), qui préfigure les données qui seront fournies par la mission Sentinel-2 de l'ESA, a permis d’acquérir sur la zone 6 images très claires entre Février et Juin 2013, ce qui est exceptionnel dans cette zone fortement nuageuse (les nuages étaient en Europe cette année :-( ). Ces données permettront d'analyser des profils temporels de l’activité photosynthétique à un niveau de détails bien supérieur à celui de MODIS, ce qui est important pour comprendre le fonctionnement de ces types forestiers contrastés. Les six images Spot-4 permettront d’analyser avec davantage de détails spatiaux et temporels la répartition des types de forêt et leurs comportements dans le temps, de préciser la force et la nature de la dépendance des types de végétation au substrat et aussi leur capacité à stocker du carbone durant leurs cycles phénologiques.

 

Nous avons également accès à des inventaires forestiers dans ces secteurs, nous permettant de connaître les compositions floristiques des peuplements (Gourlet-Fleury et al., 2011). Enfin une base de données sur les précipitations locales a été élaborée à partir des données FewsNet (http://earlywarning.usgs.gov/fews/africa/index.php). Ces informations serviront à étayer les analyses sur des secteurs choisis pour leur homogénéité dans chacun des types de forêts.

 

Ce jeu de données à haute fréquence temporelle nous permet aussi d’évaluer les possibilités de surveillance des activités humaines en forêts tropicales humides en Afrique centrale. Les images ci-dessous, issues de l'expérience SPOT4(Take5) illustrent l’ouverture de la canopée par une compagnie forestière. Cette illustration rend compte de la capacité de la configuration de Sentinel-2 à identifier et évaluer les impacts humains dans les endroits les plus reculés de la planète.

Quatre compositions colorées (Moyen-infrarouge, proche infrarouge et rouge) au nord Congo avec, de gauche à droite, les dates du 4 mars, du 3 avril, du 13 avril et du 2 juin. A partir d’une piste forestière en haut de l’extrait, une piste forestière est ouverte vers le sud le 4 mars puis progresse vers le sud jusqu’au 13 avril. A cette date la piste se redirige vers l’est afin d'aller exploiter des peuplements forestiers. Le 2 juin les infrastructures d’exploitation sont réalisées et la coupe commence. Avec l’habitude et un zoom il est possible de repérer les trouées d’abattage qui apparaissent comme des tache rouge-rose (sol nu) au milieu la canopée (en vert).

Bibliographie

Fayolle, A. Engelbrecht, B. Freycon, V. Mortier, F. Swaine, M. Réjou-Méchain, M. Doucet, J.-L. Fauvet, N. Cornu, G. Gourlet-Fleury, S. 2012 Geological substrates shape tree species and trait distributions in African moist forests PLoS ONE 7, e42381

Gond, V., Fayolle, A., Pennec, A., Cornu, G., Mayaux, P., Camberlin, P., Doumenge, C., Fauvet, N., Gourlet-Fleury, S., 2013, Vegetation structure and greenness in Central Africa from MODIS multi-temporal data, Philosophical Transaction of the Royal Society (serie B), 368: 20120309

Gourlet-Fleury, S. Rossi, V. Réjou-Méchain, M. Freycon, V. Fayolle, A. Saint-André, L. Cornu, G. Gérard, J. Sarrailh, J.-M. Flores, O. Baya, F. Billand, A. Fauvet, N. Gally, M. Henry, M. Hubert, D. Pasquier, A. Picard, N. 2011 Environmental filtering of dense-wooded species controls above-ground biomass storerd in African moist forests J.Ecol. 99, 981-990.

 

SPOT4 (Take5) users's day presentations

Voici les présentations de la Journée SPOT4 (Take5) du 2 octobre, qui a réuni une centaine de personnes au CNES pour faire un bilan des acquisitions et des produits distribués, et prendre connaissance des premiers retours des utilisateurs. J'en profite pour remercier les deux organisatrices, Sylvia Sylvander et Danielle Barrère, du CNES (DCT/ME/OT), les 23 orateurs qui nous ont proposé de brillantes présentations, et le photographe (Gérard Dedieu) qui n'a oublié que 3 orateurs.

 

J'ai rédigé pour le CNES un bref compte rendu en Français. Pour voir les présentations, cliquez sur les liens dans le tableau ci dessous.

 

Here are the presentations from SPOT4 (Take5) users day on October the 2nd. 100 people attended this meeting at CNES, which aimed at making an assessment of the acquisition and products, and obtain a first feedback from users. I would like to thank a lot the two organizers, Sylvia Sylvander and Danielle Barrère from CNES, the 23 speakers, who delivered brilliant presentations, and the photographer (Gerard Dedieu), who only forgot 3 speakers.

 

The table below gives access to all the slides of the presentations.

 

 

O. Marsal

CNES Introduction
S. Sylvander CNES Preparation and progress of Take 5 experiment
O. Hagolle CNES/CESBIO Justification of Take 5 experiment, site selection and data access
M. Leroy CNES The THEIA Land Data Centre
O. Hagolle CNES/CESBIO First results
M. Claverie NASA GSFC Consistency of SPOT4 (Take 5) surface reflectance data: Comparison with MODIS surface reflectance data.
C. Szczypta CESBIO Application of remote sensing to snow modelling in the Pyrenees
JP. Dedieu LTHE/CNRS Grenoble Snow cover monitoring in the French Alps
B. Koetz ESA ESA preparatory activities for Sentinel-2 exploitation - Agriculture, Land Cover Change, Costal Monitoring & Forest Mapping
C. Corbane / F. Güttler UMR TETIS Contribution of remote sensing data with high repetitivity for the identification and monitoring of natural habitats - Application to Lower Aude Valley Natura 2000 site.
A. Govind INRA/Bordeaux High resolution mapping of LAI using SPOT-4 data for spatially explicit modeling of Carbon and Water Fluxes in the Landes de Gascogne
D. Jacques UCL Preparing for the exploitation of Sentinel-2 observations for agriculture monitoring
V. Gond CIRAD Phenological monitoring of tropical forest ecosystems (North of Congo)
E. Bartholome JRC First observations from SPOT 4 Take 5 data over intertropical regions
 

A. Jacquin / A. Roumiguié

EI Purpan Use of multitemporal series of high and medium spatial resolution for forest and biomass monitoring
D. Courault INRA Monitoring of the evolution of agri-hydrosystems in a mediterranean region
V. Lafon EPOC, Univ. Bordeaux Contribution of Sentinel-2 to coast management
S. Battiston SERTIT First results of Take Five experiments over the Alsatian Plain (France) and Chinese lakes in term of biodiversity, forestry and hydrology
M. Le Page CESBIO, UCAM, ORMVAH, INAT Preliminary results of a real time irrigation experiment in Morocco and first results in Tunisia
M. Battude CESBIO Contribution of optical multitemporal satellite imagery for the cartography of irrigated areas
Y. Justeau Exelis VIS Take 5 GeoProcessing with ENVI Services Engine
D. Giaccobo ASTRIUM-GEO Potential use of Take5 data for the ESA DREAM Data Quality Web Service

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.

 

See the snow melting (...or not)

=>

The snow season is ending in the high Atlas mountains in Morocco this beginning of June, as you may see in this time series from SPOT-4 (Take5) experiment over the Rheraya watershed (225 km²). This watershed is one of the study sites of the Laboratoire Mixte International TREMA which CESBIO is co-leading. The Rheraya wadi provides large water resources to the populations in the arid zones downstream. The high frequency of SPOT4 (Take5) revisits and the scarce cloud cover enabled to capture the back and forths of snow cover between January the 31st and May the 26th. Continue reading

Regardez fondre la neige (ou pas)

=>

En ce début du mois de juin, la saison des neiges touche à sa fin dans le Haut-Atlas marocain comme l'illustre cette série d'images SPOT-4 (Take5) extraites sur le bassin de la Rheraya (225 km²). Ce bassin est un site d'étude privilégié du Laboratoire Mixte International TREMA dont le CESBIO est co-porteur. L'oued Rheraya fournit d'importantes ressources en eau pour les populations installées dans les zones semi-arides en aval. La haute fréquence de revisite de l'expérience Take 5 et la faible nébulosité ont permis de capturer le va-et-vient de la neige entre le 31 janvier et le 26 mai. Continuer à lire

Suivi des agrosystèmes sensibles pour la préservation de la biodiversité : le cas du Grand Hamster d’Alsace, premiers résultats

Le paysage agricole alsacien constitue l’habitat du Grand Hamster, présent en France uniquement dans cette région et aujourd’hui en voie d’extinction. Le rongeur est fortement menacé par la régression des surfaces de fourrages et de céréales, les seules à lui offrir nourriture et protection lors de la période vulnérable de fin d’hibernation, remplacées par la culture intensive du maïs, à ce moment là à l’état de sol nu.

 

Dans le contexte de préservation à long terme des populations de hamster, le SERTIT réalise chaque année la cartographie de l’environnement du grand hamster à partir de données SPOT et/ou Pléiades, afin d’évaluer rapidement et de manière ciblée la qualité de l'habitat autour des noyaux de population, d’identifier les sites critiques, et d’apprécier l’efficacité des mesures existantes de protection de l’espèce.

 

Une surveillance encore plus régulière, mensuelle, voire hebdomadaire, de l’évolution du paysage serait certainement très bénéfique pour la compréhension des menaces qui pèsent sur le rongeur et l’observation des effets positifs des mesures de protection. L’intérêt est surtout de voir l’évolution des surfaces favorables au hamster, d’identifier la proportion de cultures fourragères et de céréales d’hiver par rapport aux terres nues, de détecter la précocité éventuelle de certaines cultures de printemps qui pourraient être profitable au hamster, ou de mettre en évidence un gel tardif des cultures d’hiver à l’impact très négatif puisqu’il réduirait l’espace favorable au rongeur.

 

Ainsi, les données SPOT 4 acquises sur l’Alsace dans le cadre du programme Take Five et simulant les futures données Sentinel-2 nous donnent pour la première fois l’opportunité de faire un suivi de l’évolution des cultures favorables au hamster dans un même cycle de vie du rongeur.

 

En parallèle à ces acquisitions satellites, des missions sur le terrain synchrones ou quasi-synchrones sont organisées afin de valider les observations faites à partir des données de télédétection, et cela sur une même sélection de parcelles échantillons (situées sur des sites clé pour le hamster).

 

La première acquisition exploitable a été faite le 4 mars 2013, journée durant laquelle des relevés in situ ont également été réalisés. A cette période, les hamsters sont encore dans leur phase d’hibernation, une partie des cultures d’hiver est en cours de croissance, de vastes parcelles de terre nue labourée couvrent l’espace agricole et de vieux champs de luzerne sèche sont présents.

 

L’analyse radiométrique de cette donnée SPOT 4 permet de différencier trois classes d'occupation du sol dans les parcelles échantillon : terre nue, blé et luzerne / prairie. Il est difficile de distinguer la luzerne des prairies, leurs signatures spectrales étant très proches. Les observations satellites et les relevés terrain concordent assez bien, les caractéristiques spectrales des différentes classes d’occupation du sol étant relativement bien distinctes. Nous constatons tout de même près de 23% d'erreurs, liées principalement à la détection difficile des cultures en cours de croissance trop jeunes et donc trop peu denses et de l'occupation du sol sur les parcelles trop petites / trop étroites. Une résolution plus fine des données satellites, ou une série temporelle plus longue permettrait certainement de résoudre en partie ces problèmes de détection.

 

Les observations suivantes, à condition que la météo s'arrange un peu, permettront d’approfondir ces conclusions et d’évaluer les bénéfices de la multi-temporalité des données.

 

 

Land cover map production: how it works

=>

Land cover and land use maps

Although different, the terms land use and land cover are often used as synonymous. From Wikipedia Land cover is the physical material at the surface of the earth. Land covers include grass, asphalt, trees, bare ground, water, etc. There are two primary methods for capturing information on land cover: field survey and analysis of remotely sensed imagery. and Land use is the human use of land. Land use involves the management and modification of natural environment or wilderness into built environment such as fields, pastures, and settlements. It also has been defined as "the arrangements, activities and inputs people undertake in a certain land cover type to produce, change or maintain it" (FAO, 1997a; FAO/UNEP, 1999).


A precise knowledge of land use and land cover is crucial for many scientific studies and for many operational applications. This accurate knowledge needs frequent information updates, but may also need to be able to go back in time in order to perform trend analysis and to suggest evolution scenarios.

 

Satellite remote sensing offers the possibility to have a global point of view over large regions with frequent updates, and therefore it is a very valuable tool for land cover map production.

 

However, for those maps to be available in a timely manner and with a good quality, robust, reliable and automatic methods are needed for the exploitation of the available data.

 

 

 

Classical production approaches

The automatic approaches to land cover map production using remote sensing imagery are often based on image classification methods.

 

This classification can be:

  • supervised: areas for which the land cover is known are used as learning examples;
  • unsupervised: the image pixels are grouped by similarity and the classes are identified afterwards.

Supervised classification often yields better results, but it needs reference data which are difficult or costly to obtain (field campaigns, photo-interpretation, etc.).

 

 

 

What time series bring

Until recently, fine scale land cover maps have been nearly exclusively produced using a small number of acquisition dates due to the fact that dense image time series were not available.

 

The focus was therefore on the use of spectral richness in order to distinguish the different land cover classes. However, this approach is not able to differentiate classes which may have a similar spectral signature at the acquisition time, but that would have a different spectral behaviour at another point in time (bare soils which will become different crops, for instance). In order to overcome this problem, several acquisition dates can be used, but this needs a specific date selection depending on the map nomenclature.

 

For instance, in the left image, which is acquired in May, it is very difficult to tell where the rapeseed fields are since they are very similar to the wheat ones. On the right image, acquired in April, blooming rapeseed fields are very easy to spot.

 

May image. Light green fields are winter crops, mainly wheat and rapeseed. But which are the rapeseed ones?

April image. Blooming rapeseed fields are easily distinguished in yellow while wheat is in dark green.

 

If one wants to build generic (independent from the geographic sites and therefore also from the target nomenclatures) and operational systems, regular and frequent image acquisitions have to be ensured. This will soon be made possible by the Sentinel-2 mission, and it is right now already the case with demonstration data provided by Formosat-2 and SPOT4 (Take 5). Furthermore, it can be shown that having a high temporal resolution is more interesting than having a high spectral diversity. For instance, the following figure shows the classification performance results (in terms of  \kappa index, the higher the better) as a function of the number of images used. Formosat-2 images (4 spectral bands) and simulated Sentinel-2 (13 bands) and Venµs (12 bands) data have been used. It can be seen that, once enough acquisitions are available, the spectral richness is caught up by a fine description of the temporal evolution.

kappaVFS.png

 

 

What we can expect from Sentinel-2

Sentinel-2 has unique capabilities in the Earth observation systems landscape:

  • 290 km. swath;
  • 10 to 60 m. spatial resolution depending on the bands;
  • 5-day revisit cycle with 2 satellites;
  • 13 spectral bands.

Systems with similar spatial resolution (SPOT or Landsat) have longer revisit periods and fewer and larger spectral bands. Systems with similar temporal revisit have either a lower spatial resolution (MODIS) or narrower swaths (Formosat-2).

 

The kind of data provided by Sentinel-2 allows to foresee the development of land cover map production systems which should be able to update the information monthly at a global scale. The temporal dimension will allow to distinguish classes whose spectral signatures are very similar during long periods of the year. The increased spatial resolution will make possible to work with smaller minimum mapping units.

 

However, the operational implementation of such systems will require a particular attention to the validation procedures of the produced maps and also to the huge data volumes. Indeed, the land cover maps will have to be validated at the regional or even at the global scale. Also, since the reference data (i.e. ground truth) will be only available in limited amounts, supervised methods will have to be avoided as much as possible. One possibility consists of integrating prior knowledge (about the physics of the observed processes, or via expert rules) into the processing chains.

 

Last but not least, even if the acquisition capabilities of these new systems will be increased, there will always be temporal and spatial data holes (clouds, for instance). Processing chains will have to be robust to this kind of artefacts.

 

 

Ongoing work at CESBIO

 

Danielle Ducrot, Antoine Masse and a few CESBIO interns have recently produced a a large land cover map over the Pyrenees using 30 m. resolution multi-temporal Landsat images. This map, which is real craftsmanship, contains 70 different classes. It is made of 3 different parts using nearly cloud-free images acquired in 2010.

 

70-class land cover map obtained from multi-temporal Landsat data.

In his PhD work, Antoine works on methods allowing to select the best dates in order to perform a classification. At the same time, Isabel Rodes is looking into techniques enabling the use of all available acquisitions over very large areas by dealing with both missing data (clouds, shadows) and the fact that all pixels are not acquired at the same dates.

 

These 2 approaches are complementary: one allows to target very detailed nomenclatures, but needs some human intervention, and the other is fully automatic, but less ambitious in terms of nomenclature.

 

A third approach is being investigated at CESBIO in the PhD work of Julien Osman: the use of prior knowledge both quantitative (from historical records) and qualitative (expert knowledge) in order to guide the automatic classification systems.

 

We will give you more detailed information about all those approaches in coming posts on this blog.

La production de cartes d'occupation du sol, comment ça marche?

=>

Les cartes d'occupation du sol

D'après Wikipédia, l'occupation du sol désigne pour la FAO (1998) "la couverture (bio-)physique de la surface des terres émergées" et donc le type d'usage (ou de non-usage) fait des terres par l'Homme. La mosaïque paysagère est cartographiée en identifiant les types homogènes de milieux (ex : zones artificialisées, zones agricoles, forêts ou landes, zones humides, etc.).


La connaissance précise de cette occupation du sol est un enjeu crucial pour beaucoup de travaux de recherche et pour de nombreuses applications opérationnelles. Une connaissance précise demande une mise à jour fréquente de ces informations, mais peut aussi nécessiter de remonter dans le temps pour faire une analyse des tendances et proposer des scénarios d'évolution.

 

La possibilité offerte par la télédétection spatiale d'accéder à une vue d'ensemble de grandes régions de façon récurrente constitue donc un atout majeur pour la production de cartes d'occupation du sol.

 

Cependant, pour que ces cartes soient disponibles dans des délais raisonnables et avec une qualité suffisante, il est nécessaire de disposer de méthodes automatiques robustes et fiables, capables d'exploiter de façon efficace les données disponibles.

 

 

Les approches classiques de production

Les approches automatiques de production de cartes d'occupation du sol à partir d'images de télédétection sont souvent basées sur des méthodes de classification d'images.

 

Cette classification peut être :

  • supervisée : on utilise des zones pour lesquelles on connaît l'occupation du sol comme des exemples pour un apprentissage;
  • non supervisée : on regroupe les pixels de l'image par similarité et on reconnait les classes ensuite.

La classification supervisée fournit souvent de meilleurs résultats, mais elle nécessite des données de référence pour l'apprentissage qui sont coûteuses à obtenir (campagnes sur le terrain, photo-interprétation, etc.). C'est cependant cette approche qui est utilisée dans les travaux actuels du CESBIO, comme par exemple l'édition d'une carte d'occupation des sols annuelle sur la France (avec LANDSAT 8, en attendant Sentinel-2).

 

 

L'apport du multi-temporel

Jusqu'à récemment, les cartes d'occupation du sol à échelle cartographique fine ont été presque exclusivement produites à partir d'un petit nombre de dates et ceci principalement à cause du manque de séries multi-temporelles denses fournies par des capteurs à haute résolution spatiale. L'accent était donc mis sur la richesse spectrale des images pour distinguer les différentes classes d'occupation du sol.

 

Cependant, cette approche "monodate" ne permet pas de distinguer des classes qui auraient la même signature spectrale à une date d'acquisition donnée, mais une signature différente à une autre date (des sols nus qui deviendront des cultures différentes plus tard). Pour pallier à cette difficulté, plusieurs dates peuvent être utilisées, mais cela demande une sélection spécifique de dates en fonction de la nomenclature visée.

 

Par exemple, dans l'image de gauche, acquise au mois de mai, il est très difficile de dire où sont les parcelles de colza et quelles sont les parcelles de blé. Sur l'image de droite, acquise au mois d'avril, les parcelles de colza en fleur sont très faciles à distinguer des parcelles de blé bien vert.

 

]

Image du mois d'avril. Les parcelles de colza en pleine floraison sont parfaitement visibles, elles apparaissent en jaune Image du mois de mai. Les parcelles vert clair sont des cultures d'hiver, blé ou colza principalement. Où sont les champs de Colza ?

 

Si l'on souhaite mettre en place des systèmes opérationnels et génériques (indépendants des sites cartographiés et donc des nomenclatures visées), il faut assurer une acquisition d'images fréquente et régulière. Ceci sera rendu possible par la mission Sentinel-2, et déjà, sur les données de démonstration issues de Formosat-2 et SPOT4 (Take 5). En plus, on peut montrer que le fait de disposer d'une haute résolution temporelle peut être plus intéressant que de disposer d'une grande diversité spectrale. Par exemple, la figure suivante montre des résultats de performances de classification (indice  \kappa ; plus il est élevé, mieux c'est) en fonction du nombre de dates utilisées pour la classification. On a utilisé des images Formosat-2 (4 bandes spectrales) et des simulations Vénµs (12 bandes) et Sentinelle-2 (13 bandes). On constate qu'à partir d'un nombre suffisant de dates utilisées, la richesse spectrale de Vénµs et Sentinelle-2 est rattrapée par une description fine du comportement temporel obtenu avec le simple capteur Formosat-2.

kappaVFS.png

 

 

Ce qui peut être attendu de Sentinelle-2

Sentinelle-2 a des caractéristiques uniques dans le paysage des systèmes d'observation de la Terre :

  • fauchée de 290 km.;
  • résolution spatiale de 10 à 60 m. en fonction des bandes spectrales;
  • revisite de 5 jours (avec 2 satellites);
  • 13 bandes spectrales.

Les systèmes de résolution spatiale comparable (SPOT ou Landsat) ont des revisites plus faibles et moins de bandes spectrales. Les systèmes de revisite similaire, ont une résolution spatiale plus faible (MODIS) ou des fauchées réduites (Formosat-2).

 

Avec le type de données fournies par Sentinelle-2 il est possible d'envisager le développement de systèmes de production de cartes d'occupation du sol capables d'actualiser les informations une fois par mois à l'échelle globale. La dimension temporelle, permettra de distinguer des classes dont les signatures spectrales sont très proches pendant une grande partie de l'année. La résolution spatiale améliorée permettra de travailler avec des unités minimales de cartographie plus fines.

 

Cependant, la mise en oeuvre opérationnelle de tels systèmes nécessitera une attention particulière aux besoins de validation des produits générés et aux énormes volumes de données à traiter.

 

Les cartes d'occupation produites par un tel système devront suivre une validation à échelle régionale, voire globale. De plus, comme les données de référence seront limitées, il faudra se passer au maximum de techniques d'apprentissage et essayer d'intégrer des connaissances a priori (physiques ou expertes) dans les chaînes de traitement.

 

Enfin, même si la capacité d'acquisition des nouveaux systèmes spatiaux sera améliorée, il y aura toujours des trous dans les données (nuages, par exemple). Les chaînes de traitement devront donc savoir combler ces trous, ou en tout cas y être robustes.

 

 

Les travaux du CESBIO

Danielle Ducrot, Antoine Masse et de nombreux stagiaires du CESBIO ont fabriqué récemment une grande carte d'occupation des sols sur la chaîne des Pyrénées à partir de données multi-temporelles de LANDSAT à 30 mètres de résolution. Cette carte, qui représente un vrai travail d'orfèvre, contient 70 classes. Elle a été réalisée en trois parties à partir des images peu nuageuses collectées par les satellites Landsat au cours de l'année 2010.

 

 

Carte d'occupation des sols à 70 classes obtenue à partir de séries temporelles d'images LANDSAT.

Dans sa thèse, Antoine travaille sur les méthodes qui permettent de sélectionner les meilleures dates pour réaliser une classification. De son côté, Isabel Rodes s'intéresse aux méthodes qui permettent d'utiliser toutes les images disponibles sur des zones très étendues tout en gérant les données manquantes (nuages, ombres) et le fait que tous les pixels ne sont pas vus aux mêmes dates. Ces 2 approches sont complémentaires : l'une permet de travailler avec des nomenclatures très détaillées, mais demande l'intervention d'opérateurs humains, l'autre est complètement automatique, mais moins ambitieuse en termes de détails de la classification.

 

Une troisième approche est explorée au CESBIO dans le cadre de la thèse de Julien Osman : l'utilisation de connaissances a priori de type quantitatif (à partir de données historiques) et qualitatif (connaissances d'experts thématiques) pour guider les systèmes de classification automatique.

 

Nous vous décrirons plus en détails ces différentes approches dans des billets à venir.

 

 

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