Using High Spatial Resolution Time Series to monitor forage production

An index-based insurance solution is developed to estimate and monitor the near real-time forage production in France. In this system, payouts are indexed on an indicator, called Forage Production Index (FPI), calculated using a biophysical characterization of the grassland from medium spatial resolution remote sensing time series.

Figure 1: fCover mean profile on parcel 4 derived from remote sensing images of multiple sensors.

Figure 1: fCover mean profile on parcel 4 derived from remote sensing images of multiple sensors.

We used the fCover integral as a surrogate of the forage production. fCover is a biophysical parameter that estimates the fraction of ground covered by green vegetation, looking in a vertical direction, independently of the actual image sensor viewing or illuminations conditions.

 

The first step of the validation process is to compare local ground measurements of biomass production and FPI values obtained from high spatial resolution space-based images. A field protocol (from PV PROTIN, 2010. ARVALIS –Arvalis, Institut du Végétal) was applied to 6 plots of grassland located in the area of Toulouse. These plots were selected to represent variations on pasture management practices and to consider different types of grassland species (Table 1). From March, 7th to June, 17th 2013, biomass was measured every 15 days using a sickle bar mower with a 110 cm cutter bar. Finally, the dataset contains 320 plots. It corresponds to one production data per hectare per plot every two weeks in average.

Name Cover Surface (ha) Pasture management practice Images used
Parcel 1 Alfalfa 7,3 Hay Take 5 : 6 / Spot 6 : 2 / Landsat 8 : 1
Parcel 2 Natural grassland 9,4 Hay Take 5 : 4 / Spot 6 : 1 / Landsat 8 : 1 / Formosat2 : 4
Parcel 3 Ray-Grass 8,6 Silage in May /  Hay in June Take 5 : 5 / Spot 6 : 3 / Landsat 8 : 1
Parcel 4 Natural grassland 6,0 Hay Take 5 : 7/ Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1
Parcel 5 Fescue/ Orchard grass / White clover 11,5 Hay then pasture Take 5 : 5 / Spot 6 : 2 / Landsat 8 : 2 / Formosat2 : 1
Parcel 6 Fescue/ Orchard grass 6,8 Hay Take 5 : 3 / Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1

Table1 : Characteristics of the 6 parcels

 

The 6 plots are in the SudMipy area defined in the framework of SPOT4 -Take5 project. So we used SPOT4 images acquired in the context of this program to build a high spatial resolution time series. Due to the climatic conditions during spring 2013, we had to complete the dataset with images from other sensors Landsat-8, SPOT-6 and Formosat-2. Finally, from February, 16th to June, 26th 2013, we have one image every 15 days over the 6 parcels (Table 1).

Figure 1 presents the fCover mean profile for parcel 4 and derived from remote sensing images of multiple sensors. Figure 2 presents the relation between the biomass measured on the ground and estimated from remote sensing images time series. For the whole dataset, the scatter plot between FPI and ground biomass shows an acceptable correlation (R²=0,724; α < 0,0001). However, it remains a substantial dispersion with a RMSE going up to 0.128.

Figure 2: Regression between FPI and local ground biomass measurements

Figure 2: Regression between FPI and local ground biomass measurements

If we take into account only data recorded during the growing period, the results are improved (R2= 0,811; α < 0,0001 and RMSE 0,101). This can be explained by the way FPI is designed: by definition, when the fCover integral is calculated, the brown fraction of the cover is not considered. In the framework of the research activities developed to create the index-based insurance product, these results enable to conclude that High Spatial Resolution images can be used to perform an indirect validation of the FPI produced from medium spatial resolution remote sensing time series.

 

Anne Jacquin

Antoine Roumiguié

Université de Toulouse, Institut National Polytechnique de Toulouse, Ecole d’Ingénieurs de PurpanUMR 1201 DYNAFOR, France.

Utilisation de séries temporelles d'images à haute résolution spatiale pour le suivi de biomasse fourragère

Figure 1 : Profil moyen de fCover sur la parcelle 4 calculé à partir d'images des différents capteurs utilisés.

=>

Le fCover est un paramètre biophysique calculé à partir d'observations satellitaires. Il permet de mesurer la fraction de couvert vert par unité de surface dans des conditions d'observation au nadir. Dans le cadre du produit d'assurance des prairies, ce paramètre est calculé à partir de synthèses décadaires d'images à moyenne résolution spatiale. Nous utilisons l'intégrale du profil annuel de fCover pour estimer la biomasse prairiale et construire l'Indice de Production Fourragère.

Notre premier travail de validation consiste tout d'abord à tester la relation existante entre la biomasse prairiale et la somme de fCover calculée sur des images à haute résolution spatiale. Un protocole de mesure terrain (d'après PV PROTIN, 2010. ARVALIS – Institut du Végétal) mis en place sur 6 parcelles de prairies dans la région toulousaine a été réalisé entre les mois de Mars et Juin 2013. Ces parcelles ont été choisies dans le but de faire varier les espèces prairiales et les modes d'exploitation des prairies (Tableau 1). Tous les 15 jours, une série de prélèvements est faite afin de mesurer la biomasse des parcelles à des endroits définis. Au total sur les 6 parcelles, il y a 320 points pour lesquels nous disposons d'une information de production à comparer avec le rendement estimé par télédétection.

Les parcelles se situent sur la zone SudMipy définie dans le programme d'acquisition SPOT4(Take5). De ce fait, nous avons pu bénéficier des images acquises dans le cadre de ce programme pour constituer nos séries temporelles sur chaque parcelle. Compte tenu des conditions climatiques du printemps 2013, nous avons du compléter le jeu d'images SPOT-4 (Take5) avec des images acquises par les capteurs Landsat-8, SPOT-6 et Formosat-2. Au final, nous disposons d'une image tous les 15 jours environ (Tableau 1).

Nom Couvert Surface (ha) Exploitation 

prairie

Couverture 

images

Parcelle 1 Luzerne 7,3 Fauche Take 5 : 6 / Spot 6 : 2 / Landsat 8 : 1
Parcelle 2 Prairies naturelles 9,4 Fauche Take 5 : 4 / Spot 6 : 1 / Landsat 8 : 1 / Formosat2 : 4
Parcelle 3 Ray-Grass 8,6 Ensilée début Mai /  Fauché fin Juin Take 5 : 5 / Spot 6 : 3 / Landsat 8 : 1
Parcelle 4 Prairies naturelles 6,0 Fauché fin juin Take 5 : 7/ Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1
Parcelle 5 Fétuque / Dactyle / Trèfle Blanc 11,5 Fauche puis pâture Take 5 : 5 / Spot 6 : 2 / Landsat 8 : 2 / Formosat2 : 1
Parcelle 6 Fétuque / Dactyle 6,8 2 fauches, pas de pâturage Take 5 : 3 / Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1

Tableau 1 : Caractéristiques des 6 parcelles sélectionnées

 

Figure 2 : Régression entre l'IPF et la Production

La figure 1 présente le profil moyen de fCover sur la parcelle 4 calculé à partir d'images des différents capteurs utilisés.La figure 2 présente la relation entre la production mesurée aux champs et estimée par télédétection. Le résultat de la régression linéaire entre l'IPF et la production mesurée  montre une corrélation forte entre les deux variables (R² = 0,76; α < 0,0001).

 

Cependant, plus les valeurs de productions sont fortes, plus l'écart à la moyenne des valeurs d'IPF tend à augmenter. Ceci s'explique en partie par la méthode de calcul de l'IPF qui ne prend pas en compte la partie en sénescence du couvert végétal. Il en résulte un écart entre la biomasse mesurée au champs et l'IPF.

 

En résumé, l'utilisation du fCover sur des séries temporelles à haute résolution spatiale montre qu'il est possible d'estimer la production des prairies à ce niveau d'échelle. L'IPF étant calculé à partir d'images à moyenne résolution spatiale, la prochaine étape consistera à exploiter le jeu de données SPOT-4 (Take5) pour valider l'indice sur un territoire représentatif du territoire que pourrait viser le produit d'assurance.

 

Anne Jacquin

Antoine Roumiguié

Université de Toulouse, Institut National Polytechnique de Toulouse, Ecole d’Ingénieurs de Purpan, UMR 1201 DYNAFOR, France.

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.

 

Le site Take5 de Midi-Pyrénées - Réunion le 6 février 2013

Le CESBIO s'est bien évidemment mobilisé pour proposer plusieurs sites pour l'expérience Take5. Trois sites ont été proposés et finalement retenus : un site au Maroc, un site en Tunisie et un grand site occupant tout le Sud de la région Midi-Pyrénées, de Cahors jusqu'à la frontière Espagnole. Le site SudMiPy couvre 220*160 km², soit l'emprise de 12 images SPOT.

Les 8 images à l'ouest seront acquises simultanément, le jour 2 du cycle de 5 jours, les 4 images à l'ouest seront acquises le jour 3. Il existe une zone d'intersection qui s'étend de Cahors au Val d'Aran en passant par Montauban, Toulouse, Rieumes et Saint Girons, qui sera observée deux fois lors de chaque cycle de 5 jours, à un jour d'intervalle et sous deux angles assez différents.

Une réunion (invitation) présentant l'expérience Take5 et les activités prévues sur le site SudMiPy aura lieu le 6 février après midi au CESBIO (merci à ceux qui comptent venir de prévenir Jean-François Dejoux)

Jean-François Dejoux a réuni pour cette proposition 12 équipes scientifiques basées en Midi-Pyrénées, qui travailleront sur 7 sujets différents :

  1. Détection de nuages, corrections atmosphériques, produits composites mensuels
  2. Détection de la couverture neigeuse, observation et modélisation du dépôt et de la fonte de la neige, et lien avec le bilan hydrologique de bassins versants
  3. Développement de méthodes automatiques et robustes de classification de l'occupation des sols, permettant de traiter de grandes superficies
  4. Production de cartes d'occupation des sols.
  5. Détection et caractérisation des cultures irriguées dès leur émergence
  6. Production de cartes de rendement, biomasse et évapo-transpiration, bilans hydrologiques à l'échelle de bassins versants
  7. Détection des étendues d'eau, modélisation du signal fourni par le futur satellite SWOT, à partir de l'occupation des sols.

Par ailleurs, sur la même zone, l'INRA de Bordeaux a prévu de travailler sur la date de débourrement de différentes espèces d'arbres dans les Pyrénées, en étudiant la variation de cette date avec l'altitude.

Bien entendu, l'utilisation de ces données n'est pas limitée à ces 7 applications, et les personnes intéressées par ces données sont invitées à nous contacter, et à commencer au plus vite leurs relevés de terrain, les 4 mois de l'expérience Take5 seront vite passés.