Tài liệu Cartographie de caracteritiques de la surface du sol par traitement de donnees sentinel 2

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL TSHIBANDA NKOLONGO Franck "Cartographie de caracteritiques de la surface du sol par traitement de données Sentinel-2" "Lập bản đồ đặc tính mặt đất bằng xử lý dữ liệu SENTINEL-2" MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOI – 2019 UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL TSHIBANDA NKOLONGO Franck "Cartographie et analyse de changements spectraux sur une chronique de données Sentinel-2" "Lập bản đồ đặc tính mặt đất bằng xử lý dữ liệu SENTINEL-2" Spécialité: Systèmes intelligents et multimédia (SIM) Code: Programme pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Mme. GOMEZ Cécile , Chargée de recherche à l’IRD M. BAILLY Jean-Stéphane, Enseignant chercheur à AgroParisTech HANOI – 2019 UNIVERSITÉ NATIONALE DU VIETNAM À HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL MÉMOIRE DE FIN D’ÉTUDES DE MASTER INFORMATIQUE Cartographie des caractéristiques de la surface du sol par traitement de données Sentinel-2 TSHIBANDA NKOLONGO Franck Encadrants : Gomez Cécile M. Chargée de recherche (IRD, UMR LISAH) Jean-Stéphane Bailly Enseignant chercheur (AgroParisTech, UMR LISAH) 01 Avril - 30 Septembre 2019 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc. TSHIBANDA NKOLONGO Table des matières Introduction..........................................................................................................................................1 1. Enjeux et objectifs de l’étude.......................................................................................................1 1.1 Enjeux de l’étude.................................................................................................................1 a) Lien entre EDS et Infiltrabilité..........................................................................................1 1.2. La Télédétection..................................................................................................................3 1.2.1. Éléments de contexte...................................................................................................3 1.2.2. Télédétection Multispectrale.......................................................................................3 a) Principes généraux........................................................................................................3 b) Spectroscopie................................................................................................................5 c) Télédétection en milieu agricole...................................................................................6 1.2.3. Télédétection Multispectrale et Multi Temporelle: Sentinel-2....................................8 1.3 Objectif de l’étude..............................................................................................................10 1.4 Approches adoptées...........................................................................................................10 2. Contexte Administratif du stage.................................................................................................11 2.1. Situation au sein de l’UMR LISAH..................................................................................11 2.2. Situation dans le projet TOSCA A-MUSE........................................................................11 Matériels et Données..........................................................................................................................13 2.1. Site d’étude.............................................................................................................................13 2.1.1. Localisation géographique.............................................................................................13 2.1.2. Les parcelles observées..................................................................................................14 2.2. Présentation des données disponibles.....................................................................................14 2.2.1. Données satellitaires.......................................................................................................15 2.2.1.1. Caractéristiques brutes...........................................................................................15 2.2.2. Données terrain...............................................................................................................18 Méthodologie d’analyse de profils temporels spectraux....................................................................26 3.1. Contexte..................................................................................................................................26 3.1.1 Introduction à la classification........................................................................................26 3.1.2 Données Fonctionnelles et Analyse fonctionnelle..........................................................27 3.2. Méthode de Classification Kmeans........................................................................................29 3.2.1. Algorithme.....................................................................................................................30 3.2.2. Choix du nombre K de classes.......................................................................................31 3.2.3. Implémentation KMeans................................................................................................33 3.2.4 Critères de qualité de classification.................................................................................33 3.3. Méthode de Classification Funcy...........................................................................................34 3.3.1. Préparation des données.................................................................................................34 3.3.2. Classification fonctionnelle basée sur le modèle de mélange EM.................................35 3.3.3. Implémentation de la classification fonctionnelle..........................................................37 3.3.4 Mesure de qualité............................................................................................................40 3.4. Implémentation selon les approches.......................................................................................40 Résultats.............................................................................................................................................45 4. 1. Approche univariée................................................................................................................45 4. 1.1. Classification sur indice de végétation (NDVI)............................................................45 4. 1.2. Classification de la végétation verte Observée sur le terrain........................................49 4. 2. Approche multivariée.............................................................................................................53 4. 2. 1. Classification sur Sentinel-2 multispectrale.................................................................53 4. 2.2. Classification sur les variables observées au sol...........................................................58 4.3. Comparaison des méthodes...................................................................................................61 4.3.1. Kmeans, funHDDC et Funcy : Univariée.......................................................................62 4.3.2. Kmeans, funHDDC et Funcy : multivariée.....................................................................63 Conclusion..........................................................................................................................................65 Bibliographie......................................................................................................................................67 Index des illustrations l o g o .....................................................................................................................................................3 l o g o 2 ..................................................................................................................................................3 F i g u r e 1 . 1 : P r o c e s s u s d ’ a c q u i s i t i o n i m a g e e n t é l é d é t e c t i o n ..................................4 Figure 1.2 : Gamme de spectre électromagnétique longueur d’onde et f r é q u e n c e . ........................................................................................................................................6 F i g u r e 1 . 3 : l o n g u e u r d ' o n d e e t l a r g e u r d e b a n d e S e n t i n e l - 2 ..................................9 Figure 2.1 : Localisation, modèle numérique de terrain et vue satellitaire ( i m a g e Q u i c k b i r d ) d u b a s s i n v e r s a n t d e K a m e c h . ......................................................1 3 F i g u r e 2 . 2 : P a r c e l l a i r e d u B a s s i n Ve r s a n t d e K a m e c h ( 2 , 6 3 k m 2 , e n n o i r e ) sur laquelle est délimité le contour des 39 parcelles-tests associées aux o b s e r v a t i o n s d e t e r r a i n ( e n r o u g e ) . ...................................................................................1 4 F i g u r e 2 . 3 : R é p a r t i t i o n t e m p o r e l l e d e s i m a g e s d e l a s é r i e ....................................1 5 F i g u r e 2 . 4 : h i s t o g r a m m e s N D V I 1 4 i m a g e s ..................................................................1 7 Figure 2.5: Exemple de fichier d’Observation des états de surface (EDS) 39 p a r c e l l e s o b s e r v é e s d e K a m e c h 0 2 - 1 2 - 2 0 1 6 .................................................................1 8 F i g u r e 2 . 6 : h i s t o g r a m m e s v é g é t a t i o n v e r t e 1 4 d a t e s ................................................1 9 F i g u r e 2 . 7 : h i s t o g r a m m e s v é g é t a t i o n s è c h e 1 4 d a t e s ...............................................2 0 F i g u r e 2 . 8 : h i s t o g r a m m e s t r a v a i l d u s o l 1 4 d a t e s ......................................................2 1 F i g u r e 2 . 9 : h i s t o g r a m m e s r u g o s i t é 1 4 d a t e s .................................................................2 2 F i g u r e 2 . 1 0 : h i s t o g r a m m e s f a c i è s 1 4 d a t e s ...................................................................2 3 F i g u r e 2 . 11 : C a r t e d ’ o c c u p a t i o n d e s o l P a r c e l l a i r e K a m e c h . ..............................2 4 I m a g e 1 9 ..........................................................................................................................................3 1 F i g u r e 3 . 1 : c l a s s i f i c a t i o n S e n t i n e l - 2 a v e c K M e a n s .................................................3 1 F i g u r e 3 . 2 : m é t h o d e d u c o u d e ( e l b o w ) ( s o u r c e : w w w. s c i k i t - y b . o r g ) ..............3 3 I m a g e 8 ............................................................................................................................................3 4 Figure 3.3 : . Approche multi-date ordonnée multivariée Sentinel-2 et o b s e r v a t i o n d e d o n n é e s ...........................................................................................................4 2 I m a g e 1 ............................................................................................................................................4 2 Figure 3.4 : . Approche multi-date ordonnée univariée végétation verte et i n d i c e d e v é g é t a t i o n .................................................................................................................4 4 I m a g e 2 ............................................................................................................................................4 4 Figure 4.1 . choix du nombre de classes du NDVI global par la méthode c a s c a d e K M c a l i n s k i c r i t e r i o n l a .........................................................................................4 6 Figure 4.2 . choix du nombre de classes du NDVI par la méthode du coude 46 Figure 4.3 . Graphiques des trajectoires des centres de chaque classe pour t o u t e s l e s m é t h o d e s ..................................................................................................................4 7 Figure 4.4 . Localisation des classes du NDVI échelle pixellaire et pixel m a j o r i t a i r e : ( K m e a n s , f u n H D D C , F u n c y ) .....................................................................4 8 Figure 4.5 . choix du nombre de classes de végétation verte méthode c a s c a d e K M c a l i n s k i c r i t e r i o n ..............................................................................................5 0 Figure 4.6 . Graphiques des trajectoires des centres de chaque classe pour t o u t e s l e s m é t h o d e s ..................................................................................................................5 1 Figure 4.7 . Localisation des classes du taux de végétation verte : échelle p a r c e l l a i r e ( f u n H D D C e t F u n c y ) ........................................................................................5 2 Figure 4.8. choix du nombre de classes du S-2 multispectral méthode c a s c a d e K M c a l i n s k i c r i t e r i o n ..............................................................................................5 4 Figure 4.9 . choix du nombre de classes du S-2 multispectral méthode du c o u d e ...............................................................................................................................................5 4 Figure 4.10 . Graphiques des trajectoires des centroïdes de chaque classe d e s p i x e l s d a n s t o u t e s l e s b a n d e s s p e c t r a l e s : K m e a n s e t F u n c y ........................5 5 F i g u r e 4 . 11 . G r a p h i q u e s d e s t r a j e c t o i r e s d e s c e n t r o ï d e s d e c h a q u e c l a s s e d e s p i x e l s d a n s l e s b a n d e s s p e c t r a l e s 1 e t 1 0 f u n H D D C .................................................5 6 Figure 4.12 . Localisation des classes des trajectoires des pixels : échelle p i x e l l a i r e e t p i x e l m a j o r i t a i r e : ( K m e a n s , f u n H D D C , F u n c y ) ..............................5 7 Figure 4.13 . Graphiques des trajectoires des centres de chaque classe de m u l t i v a r i a b l e o b s e r v é e s : f u n H D D C .................................................................................5 9 Figure 4.14 . Graphiques des trajectoires des centres de chaque classe de m u l t i v a r i a b l e o b s e r v é e s : F u n c y ........................................................................................5 9 Figure 4.15 . Localisation des classes des trajectoires multivariable o b s e r v é e s e t E D S : f u n H D D C , F u n c y .............................................................................6 1 Figure 4.16 . comparaison des résultats des indices de rand ajustés Vgtv : K m e a n s , f u n H D D C e t F u n c y ................................................................................................6 2 F i g u r e 4 . 1 7 . M a t r i c e d e c o n f u s i o n d e l a V é g é t a t i o n v e r t e .....................................6 2 Figure 4.18 . comparaison des résultats des indices de rand ajustés variables o b s e r v é e s : K m e a n s , f u n H D D C e t F u n c y ......................................................................6 3 4 . 1 9 . M a t r i c e d e c o n f u s i o n d e s v a r i a b l e s o b s e r v é e s .................................................6 3 Résumé Réalisée en lien avec une activité de recherche au sein de l’unité mixte de recherche (UMR) du laboratoire d’études des interactions entre sols agrosystème et hydrosystème (LISAH), cette étude porte sur l’analyse de la forte variabilité des états de surfaces au cours d’une année culturale, notamment des cycles de développement des cultures, liée aux différentes pratiques agricoles ainsi qu'aux conditions météorologiques changeants, qui rendent difficile l'utilisation de méthodes classiques de cartographie d'occupation du sol. Nous proposons de développer puis de tester de nouvelles méthodes plus automatiques et robustes, permettant d'exploiter le potentiel offert par les séries temporelles d’images satellites à haute résolution visible selon deux approches : univariée (NDVI) et multivariée (10 bandes de réflectance), basés sur des algorithmes d’apprentissage non supervisés dans le bassin versant de Kamech, en Tunisie. Une méthode permettant de reconstituer les successions de cultures a pu être mise en œuvre et testée à l'aide d'analyse de données satellitaires Sentinel-2, couplée à des observations de terrain. Une approche base de données est utilisée pour identifier les différents cycles de développement culturaux à partir du profil temporel NDVI de chaque pixel. Les résultats obtenus démontrent la pertinence de l'approche innovante ici testée. Mots clés : agriculture, classification fonctionnelle, télédétection, occupation du sol, série temporelle, NDVI, algorithme, États de surfaces Abstract Conducted in connection with a research activity within the Joint Research Unit (UMR) of the Agrosystem and Hydrosystem Soil Interactions Laboratory (LISAH), this study focuses on analyses the high variability of surface conditions during a crop year, particularly crop development cycles, linked to different agricultural practices and changing weather conditions, which make it difficult to use conventional land use mapping methods. We propose to develop and test new, more automatic and robust methods to exploit the potential offered by time series of highresolution visible satellite images using two approaches: univariate (NDVI) and multivariate (10 reflectance bands), based on unsupervised learning algorithms in the Kamech watershed in Tunisia. A method for reconstructing crop successions could be implemented and tested using Sentinel-2 satellite data analysis, coupled with field observations. A database approach is used to identify the different crop development cycles based on the NDVI time profile of each pixel. The results obtained demonstrate the relevance of the innovative approach tested here. Keywords: agriculture, functional classification, remote sensing, Tunisia, land cover, time series, NDVI, algorithm Remerciement Tous mes remerciements s’adressent aux responsables et corps scientifiques de l’Institut Francophone International M. Ngô Tự Lập, Directeur, et son adjoint, M. Hồ Tường Vinh qui ont contribué à ce que ce travail devienne réalité et qui y ont, pendant ces deux années, apporté leur contribution. Mes remerciements s'adressent également à mes superviseurs de stage : Cécile Gomez (IRD , UMR LISAH) et JeanStéphane Bailly (AgroParisTech, UMR LISAH). Leur temps qu’ils ont consacrés, leur patience, leur aide et leur disponibilité ont permis une collaboration enrichissante, autant sur le plan professionnel que personnel. En outre, je leur suis très reconnaissant pour m’avoir fait participer dans un projet d’envergure à savoir le projet A-MUSE qui porte sur la surveillance de de caractéristiques observables de la surface du sol en lien avec l’infiltrabilité. J’associe toute l’UMR LISAH qui m'a fait découvrir le milieu de la recherche et m'a donné l'envie de continuer à le faire. Un grand merci à tous ceux qui ont participé aux différents comités de suivi de ce travail, Je remercie Monsieur Jérôme MOLENAT, Directeur du LISAH pour m’avoir accueilli dans sa structure. Je remercie également les agents du laboratoire avec qui j’ai collaboré durant ce stage. Chapitre 1 Introduction 1. Enjeux et objectifs de l’étude 1.1 Enjeux de l’étude Les sols agricoles cultivés en pluvial représentent 80% des terres cultivées dans le monde et assurent 70% des ressources alimentaires mondiales, jouant ainsi un rôle crucial sur la sécurité alimentaire mondiale Cornelius Senf et al. [2]. Ainsi dans les pays sud méditerranéens, ils occupent entre 15% et 20% du territoire, emploie environ le quart de la population et consomment entre 70 % et 80% des ressources en eau [5]. La gestion non optimisée de consommation croissante en eau, pose de nombreux problèmes dans la société. Les tensions entre différents usagers concurrents (domestique et industriel) subsistent, les inégalités sociales s’aggravent lorsque l’accès à l’eau devient difficile, de nombreuses dégradations environnementales s’observent (salinisation des terres, …) Joanna Roussillon [4]. Nous nous intéressons particulièrement dans notre étude au bassin-versant de Kamech, de la région agricole du cap bon, situé au nord de la Tunisie. Dans cette zone on y observe une activité agricole régulière aux grands enjeux économiques : en Tunisie, l’agriculture génère entre 8.5 % et 11.5 % du PIB national (2012) si l’on ajoute l’agroalimentaire et assure 16% d’emplois de la population active [www.statistiques-mondiales.com] [1]. En climat semi-aride, les conditions météorologiques sont peu favorables à la production faisant face aux aléas climatiques et au déficit de la balance agricole alimentaire. On observe périodiquement des chutes de rendements agricoles liées aux irrégularités des périodes pluviales, si ce n’est parfois la perte totale des récoltes. a) Lien entre EDS et Infiltrabilité La formation des ruissellements dans les sols cultivés semi-arides ou méditerranéens en régime permanent sont fortement influencée par l’état structural de la surface. La structure du sol en surface se dégrade sous l’effet des précipitations ce qui se traduit par la formation de différents types morphologiques de croûte de 1 battance contrôlant ainsi la partition ruissellement/infiltration (Bresson et Boiffin, 1990; Valentin et Bresson, 1992; Le Bissonnais et al., 1995; Léonard et Andrieux, 1998). Ces auteurs ont fait émerger le concept d’état de surface du sol [EDS] (Boiffin, 1984; Auzet, 2000). Il désigne l’état hydrique et structural, la couverture éventuelle du sol. Les EDS jouent sur les processus hydrologiques de la surface du sol : l’interception, l’infiltration, le stockage dans les dépressions ainsi que l’arrachement et le transport des particules de terre. Leur variabilité spatio-temporelle est un des facteurs permettant d’expliquer la récurrence des dégâts liés au ruissellement dans des secteurs caractérisés par des conditions climatiques et topographiques modérés. Plusieurs travaux ont montré les interactions existant entre les pratiques agricoles et la dégradation structurale de la surface (Monnier et al., 1986; Van Dijk et al., 1996; Martin et al., 2004). De ce fait, les EDS présentent une variabilité spatiale et temporelle forte, largement contrôlée par les interactions entre calendriers climatique et cultural. En intégrant ces interactions, les EDS constituent des indicateurs permettant de tenir compte de la variabilité spatiale des processus hydrodynamiques de surface Auzet et al., 2005b [24] et, de ce fait, sont utilisés dans des démarches expertes afin d’estimer le volume d’eau ruisselé (modèle hydrologique STREAM Cerdan et al., 2002b [25]. L’UMR LISAH de Montpellier travaille notamment grâce à la télédétection sur l’apport de solutions à ce type des problèmes. Avec des travaux qui s’inscrivent dans un cadre général de modélisation intégrée du bassin versant de Kamech et consistant en une méthode générique de prédiction des états de surface connaissant un ensemble de facteurs explicatifs comme la pluviométrie ou les pratiques culturales. Cependant cette méthode nécessite une régularité dans l’observation spatio-temporelle des caractéristiques d’occupation du sol. L’utilisation des séries temporelles d’images satellitaires peuvent être un moyen efficace permettant le suivi du développement des pratiques culturales, des pratiques d’irrigation,... C’est dans ce cadre que s’inscrit ce travail de fin d’études. Les modèles développés au LISAH n’intègrent pour l’instant qu’une information assez globale concernant les données satellites. Afin d’affiner l’étude du modèle du LISAH, il devient primordial de connaître plus précisément la nature des images satellites des parcelles agricoles et de saisir l’information contenue dans leur ordonnancement temporel. Les progrès observés dans le monde de l’imagerie spatiale satellitaire offrent de nombreuses possibilités d’améliorations du suivi de ces cultures 2 en continu, notamment avec une grande fréquence d’acquisition des images associée à une haute résolution spatiale. 1.2. La Télédétection 1.2.1. Éléments de contexte L'objectif principal de l'agriculture de précision est d'optimiser la productivité des cultures tout en tenant compte de la protection environnementale, ceci dans une logique de développement durable [14]. Utiliser l'agriculture de précision permet une meilleure conservation des enregistrements des actions ou pratiques menées sur les parcelles. Ces informations enregistrées peuvent par la suite être utilisées pour des comparaisons sur différentes saisons agricoles. La possibilité d'analyse sur l'ensemble des informations ainsi produites permet une meilleure connaissance des changements spatiaux temporelles des parcelles. Ces connaissances permettent une meilleure gestion des cultures avec comme conséquence, l’évolution du rendement [14]. L'obtention d'informations à l'aide de méthodes traditionnelles d'acquisition de données (avec contact directe avec les objets) pour la gestion des cultures est moins aisée et financièrement plus coûteuse. D’où l’intérêt de l’utilisation de la télédétection fournissant une grande masse d'information sur les variations spatiales et spectrales résultant des caractéristiques du sol et des cultures à l'intérieur de la parcelle. Un avantage potentiel de ce type de méthode est qu'elle n'est limitée ni par l'intervalle d'échantillonnage ni par les interpolations géostatistiques qu'on pourrait faire si on utilisait des données échantillonnées de manière ponctuelle au sol. 1.2.2. Télédétection Multispectrale a) Principes généraux La télédétection est une technique qui, par l'acquisition d'images, permet d'obtenir de l'information sur la surface de la Terre sans contact direct avec celle-ci en utilisant des dispositifs embarqués à bord de plateformes (Satellite, Avion ou drone). Les capteurs enregistrent le rayonnement électromagnétique émis et réfléchi par un observable (surface de la terre). Il s’agit ensuite de traiter et analyser cette information. 3 Dans la plupart des cas, la télédétection implique une interaction entre l'énergie incidente et les objets, en utilisant des capteurs imageurs (passifs). Elle comporte 6 étapes , dont le processus est décrit ci-dessous (figure 1.1): Figure 1.1 : Processus d’acquisition image en télédétection • Source d'énergie ou d'illumination (Soleil) La présence d’une source d'énergie est une étape primordiale en télédétection pour illuminer la cible ou l’objet se trouvant sur la zone d’étude. Dans ce cas de capteurs de télédétection dit «actifs», la source d’énergie utilisée provient du capteur de télédétection lui-même. Dans ce cas de capteurs de télédétection dit « passifs », la source d’énergie utilisée est celle provenant du Soleil. Dans notre travail de stage, nous utilisons uniquement des données provenant d’un capteur passif. • Rayonnement et atmosphère Le rayonnement électromagnétique (soit du capteur dans le cas de la télédétection active, soit du soleil dans le cas de la télédétection passive) interagit deux fois avec l'atmosphère dans ce processus de télédétection : premièrement durant son parcours entre la source d'énergie et l’objet observable, le rayonnement entre en interaction permanente avec l'atmosphère, et une seconde interaction se produit lors du trajet entre la cible et le capteur. 4 • Interaction avec l’objet Une fois parvenue à l’objet, l'énergie interagit avec la surface de celle-ci. La nature de cette interaction dépend des caractéristiques du rayonnement et des propriétés de la surface. • Enregistrement de l'énergie par le capteur Une fois l'énergie diffusée ou émise par la cible, elle doit être captée à distance (par un capteur qui n'est pas en contact avec la cible) pour être enfin enregistrée. • Transmission, réception et traitement L'énergie enregistrée par le capteur est transmise, souvent par des moyens électroniques, à une station de réception où l'information est transformée en images (numériques ou photographiques). • Interprétation, analyse et application Une interprétation visuelle et/ou numérique de l'image traitée est ensuite nécessaire pour l’extraction de l'information de l'image afin de mieux comprendre la cible, avec comme but la découverte de nouveaux aspects pour aider à résoudre un problème particulier. Ainsi les capteurs de télédétection mesurent des valeurs quantitatives des propriétés physiques des surfaces ciblées telles que la réflectance, la température, ou la rétrodiffusion pour les capteurs actifs. Un des axes principaux de la télédétection est la conversion de ces valeurs en informations spatialement et temporellement comparables. b) Spectroscopie ● Le spectre électromagnétique Le spectre électromagnétique c’est la description de l’ensemble des rayonnements électromagnétiques classés: par fréquence, longueur d’onde ou énergie, 5 il s'étend des courtes longueurs d'onde (dont font partie les rayons gamma et les rayons X) aux grandes longueurs d'onde (micro-ondes et ondes radio). Ainsi la télédétection utilise plusieurs régions du spectre électromagnétique (figure 1.2). Les plus petites longueurs d'onde utilisées pour la télédétection se situent dans l'ultraviolet. Ce rayonnement se situe au-delà du violet de la partie du spectre visible. Certains matériaux de la surface terrestre, surtout des roches et minéraux, entrent en fluorescence ou émettent de la lumière visible quand ils sont illuminés par un rayonnement ultraviolet. Dans le cadre de notre étude, la gamme du spectre utilisée s’étend du visible soit 400 nm jusqu’au proche infrarouge à 2400 nm. Figure 1.2 : Gamme de spectre électromagnétique longueur d’onde et fréquence. c) ● Télédétection en milieu agricole Interactions avec l'atmosphère Le rayonnement électromagnétique interagit deux fois avec l’atmosphère, premièrement avant d'atteindre la surface de la Terre, il traverse une certaine épaisseur atmosphérique et deuxièmement après avec touché la surface de la terre. Les particules et les gaz dans l'atmosphère peuvent dévier ou bloquer le rayonnement incident. Ces effets sont causés par les mécanismes de diffusion et 6 d'absorption. L'atmosphère ne laisse passer le rayonnement solaire que dans un nombre limité de bandes spectrales appelées fenêtres atmosphériques. Si l'atmosphère est relativement transparente dans le visible et présente une large fenêtre atmosphérique dans l'infrarouge (de 8 à 14μm), elle est opaque de 22μm à 1mm, cem), elle est opaque de 22μm), elle est opaque de 22μm à 1mm, cem à 1mm, ce qui explique la non utilisation de cette portion de spectre en télédétection. Une correction de l'absorption atmosphérique est appliquée sur les images en estimant la quantité de vapeur d'eau dans la colonne d'air traversée par l'observation, puis on passe à la correction de l'absorption gazeuse. Cette phase est réalisée par des modèles de corrections atmosphériques tels que les modèles ATCOR, MAJA (MACCS ATCOR Joint Algorithm, prononcer « maya ») ou encore Sen2Cor. ● Interaction avec l’eau Du proche infrarouge (750 à 1500 nm) à l'infrarouge thermique (3000 nm) , la vapeur d'eau est principalement responsable de l'absorption du spectre. Elle absorbe davantage les grandes longueurs d'onde du rayonnement visible (380 à 780 nm) et du proche infrarouge (750 à 1500 nm) . Ainsi, l'eau paraît généralement bleue ou bleuvert car elle réfléchit davantage les petites longueurs d'onde, elle paraît encore plus foncée si elle est observée sous les longueurs d'onde du rouge ou du proche infrarouge. Lorsque les couches supérieures de l'eau contiennent des sédiments en suspension, la transmission diminue, la réflexion augmente et l'eau paraît plus brillante. ● Interaction avec le sol Dans le sol, deux éléments chimiques majeurs affectent majoritairement le spectre : les minéraux (argileux, ferriques et carbonatés) et la matière organique [19]. A titre d’exemple, la présence de carbonate de calcium dans les sols entraîne une bande d’absorption autour de 2340 nm, due aux vibrations d’ions CO3. Les caractéristiques physiques du sol, liées à la granulométrie, la géométrie de l’échantillon, l’angle de vue de la source lumineuse (angle incident et angle azimut) influencent quant à eux la forme générale du spectre à travers un changement d’intensité des bandes d’absorption spectrale et de hauteur de ligne de base [20], mais n’affectent généralement pas la position des bandes d’absorption [20]. L’effet de la granulométrie des sols (taille des particules) joue ainsi un rôle sur l’intensité du spectre. Plus la granulométrie est fine, plus l’intensité du spectre est forte. Ainsi, les sols sableux ont logiquement les bandes d’absorption de l’eau les moins marquées. 7 ● Interactions avec la végétation sèche En automne, les feuilles contiennent moins de chlorophylle et plus de cellulose (végétation sèche). Elles absorbent alors moins de rouge, et paraissent donc rouges ou jaunes (le jaune est une combinaison des longueurs d'onde du vert et du rouge). Dû à la cellulose, le spectre de réflectance de végétaux secs est absorbé autour de 2100 nm. Cette caractéristique peut être utilisée pour distinguer les déchets végétaux du sol en calculant une variable spectrale appelée indice d’absorption de la cellulose (CAI), qui décrit la profondeur de la caractéristique d’absorption de la lignocellulose dans la région de l’infrarouge à ondes courtes (2000 à 2200 nm). ● Interactions avec la végétation verte Les feuilles, qui contiennent un maximum de chlorophylle en été, sont donc plus vertes pendant cette saison. La structure interne des feuilles en santé agit comme un excellent réflecteur diffus pour les longueurs d'onde de l'infrarouge. Si nos yeux pouvaient percevoir l'infrarouge, les feuilles paraîtraient très éclatantes sous ces longueurs d'onde. Les scientifiques utilisent d'ailleurs les bandes infrarouge et rouge pour déterminer l'état de santé de la végétation par le calcul de l’indice de végétation NDVI (Normalized Difference Vegetation Index). 1.2.3. Télédétection Multispectrale et Multi Temporelle: Sentinel-2 L'un des grands avantages de la télédétection satellitaire est sa capacité à acquérir périodiquement de l'information d'une même région de la Terre. Les caractéristiques spectrales de la région observée peuvent changer avec le temps. La comparaison d'images multi-temporelles permet de détecter ces changements. Par exemple, durant la période de croissance de la végétation, de nombreuses espèces se transforment continuellement et notre capacité à détecter ces changements dépend de la fréquence avec laquelle les données sont recueillies. En acquèrant des données périodiquement et de façon continue, il est possible de suivre les changements qui surviennent à la surface de la Terre, qu'ils soient naturels (comme le développement de la végétation ou l'évolution d'une inondation) ou de source humaine (comme le développement des milieux urbains ou la déforestation). Les systèmes modernes d'observation de la Terre fournissent des données de télédétection à différentes résolutions spatiales et temporelles. Parmi les capteurs 8 optiques, aujourd'hui Sentinel-2 qui est un satellite d’observation de la terre de l’Agence Spatiale Européenne, fournit des données à haute résolution temporelle (tous les 5 jours) et haute résolution spatiale (10 m) dans 13 bandes spectrales , qui peuvent être utiles pour surveiller la dynamique de la couverture terrestre. Figure 1.3 : longueur d'onde et largeur de bande Sentinel-2 Des travaux utilisant la télédétection multispectrale et temporelle, pour le suivi des éléments de surfaces et l’identification des natures de culture à partir de leurs séries temporelles ont été démontré à plusieurs reprises. Furlan et al. [23] proposent une méthode de classification qui exploite la très haute résolution temporelle des images SPOT végétation en utilisant comme vecteurs caractéristiques les profils NDVI des images. Un profil temporel NDVI annuel est calculé pour chaque classe en moyennant les valeurs NDVI des zones d’entraînement, puis est utilisé comme base pour le processus de classification. Le profil NDVI lissé de chacun des pixels est comparé grâce à une distance de mesure (Coefficient de Jaccard et DTW) pour ceux disponibles pour chaque classe. L’utilisation d’une structure hiérarchique des classes basée sur le coefficient de Jaccard permet d’en regrouper certaines lorsque leur similitude limite leur distinction. Wardlow et Egbert [22] proposent une méthode de combinaison d’analyses graphiques et statistiques sur des données NDVI issues d’une série temporelle MODIS sur une année civile, avec une résolution spatiale de 250 m et temporelle de 16 jours, pour quelques 2000 champs cultivés. Il en découle des résultats obtenus, la possibilité de détecter pour chacune des cultures majoritaires associées à certaines pratiques agricoles (cultures doubles, jachères, irrigation) une 9