La télédétection pour une meilleure gestion de l'eau en agriculture

Dans un contexte de réchauffement climatique qui pourrait induire des phénomènes de sécheresses récurrents, la culture du maïs est de plus en plus contestée. La controverse née autour de cette culture tient autant pour les conséquences en terme de consommation en eau que pour la remise en cause du modèle agricole productiviste qu'elle incarne par excellence.

Existe-t-il de nouvelles perspectives pour le maïs en France?

 

Quelques éléments de contexte économique

La France s'affiche comme le premier producteur de maïs grain en Europe avec près de 15 Mt produites en 2011 et 2012 1.  Le grand Sud-ouest totalise 41 % de la production de maïs grain française dont 20% en Aquitaine et 11% en Midi-Pyrénées 1. Ainsi une majeure partie de cette production alimente les filières agroalimentaires et agroindustrielles régionales.
On comprend alors l'importance de préserver cette richesse économique régionale.

Continue reading

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.

Take5 goes to the movies

=>

How to go from 1 image every 5 days to 24 images per second ?

It was possible, thanks to CNES funding, thanks to an imaginative producer, Gérard Dedieu (who does not smoke cigars yet), thanks to a talented film director and scenarist, Thierry Gentet (the only film director who understands space mechanics), and thanks to his team, Mira Production, who are even able to shoot beautiful images in our  ... splendid CESBIO offices, and thanks to a series of promising actors and actresses Anne Jacquin, Valérie Demarez, Virginie Lafon, Valery Gond, Jean-Pierre Dedieu, and another one, the last one, who cannot say a full sentence before the 5th take.

 

We hope this little film will help you understand or explain the possibilites and opportunities offered by multi-temporal images at a high resolution, and that it will give you ideas to use the new SPOT5 (Take5) data.