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.

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.

 

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.