Estimation des rendements, des besoins et
consommations en eau du maïs dans le sud-ouest

Présentation des images

 Les images utilisées varient selon l’année et la zone d’étude. Les caractéristiques de ces images sont présentées dans le Tableau 1-3. A la fin de la vie de chaque satellite, le Centre National d’Etudes Spatiales (CNES) lance un appel à idées pour des expériences à court terme qui se déroulent avant la désorbitation du satellite. Ainsi, pour la fin de vie de SPOT-4 survenue en début d’année 2013, le CESBIO a eu l’occasion de mettre en place l’expérience « Take-5 » [http://www.cesbio.upstlse.fr/multitemp/]. Avec 44 autres sites répartis sur le globe, le site « SudMiPy » de l’OSR (Figure 1-1) correspondant à notre zone d’étude a ainsi pu bénéficier d’images acquises tous les 5 jours avec un angle de visée constant. Ces images ont été acquises durant 5 mois entre le 31 janvier et le 19 Juin 2013. Cette expérience a permis d’obtenir un jeu de données unique avec des images ayant des caractéristiques spectrales, spatiales et temporelles très proches des données Sentinel-2 (ESA, 2015). Le CNES a renouvelé l’expérience « Take-5 » sur 150 sites du 8 avril au 8 septembre 2015, pour la fin de vie du satellite SPOT-5. Notre site d’étude a donc à nouveau pu bénéficier d’images multi-spectrales acquises tous les 5 jours avec une résolution spatiale de 10 m. Ces images ont été utilisées durant ma thèse mais étant donné la durée relativement limitée de ces deux expériences, elles ne permettaient pas à elles seules un suivi temporel sur toute la période de culture donc nous avons eu recours à des images provenant d’autres capteurs (Landsat-8, Deimos-1, Formosat-2). La Figure 1-18 correspond au calendrier des acquisitions entre 2006 et 2015. Parmi toutes les images acquises depuis 2006, nous avons utilisé une quantité totale de 385 images, avec une répartition temporelle variable au fil des ans. Concernant les images Formosat-2, seules celles ayant une couverture nuageuse inférieure à 20% ont été commandées après 2006. Cela explique le grand nombre d’images pour l’année 2006 par rapport aux années postérieures. Nous avons bénéficié d’une importante couverture d’images satellitaires depuis 2006 (Figure 1-18) pour les parcelles incluses dans l’emprise des images Formosat-2 et SPOT (LAM, ESU, ITK, ASA de Poucharramet, voir Figure 1-1 et Figure 1-10). Les cartes de rendement parcellaire (YM) de 2009 et 2010 n’étant pas sur l’emprise de Formosat-2, et les images SPOT étant peu nombreuses en 2009, nous avons eu recours aux images Landsat-5 pour compléter les séries temporelles. Enfin, nous bénéficions depuis le début de l’année 2013 d’un jeu de données conséquent alliant plusieurs satellites (Landsat-8, Deimos-1 et les expériences « Take 5 »). Ces images permettent de couvrir une large zone (Figure 1-1) et d’exploiter les données des parcelles de la CACG, des ESU de 2015 et des ASA de Miradoux et Saint-Sauvy (Figure 1-10). 

Prétraitement des images 

Les images que j’ai utilisées ont été soumises à différents pré-traitements. Elles sont tout d’abord ortho-rectifiées, puis corrigées des effets radiométriques et atmosphériques. Ces traitements sont effectués avec la chaîne de traitement KALIDEOS [http://kalideos.cnes.fr] ou la méthode MACCS selon le satellite considéré (Hagolle et al., 2008, 2015). Les images sont également filtrées des nuages et des ombres (Hagolle et al., 2010). Le résultat final correspond à des ortho-images en réflectance TOC (pour « Top Of Canopy ») (Figure 1-17) associées à des masques de nuages (niveau 2A6 ). Les images brutes et traitées sont stockées dans un Système d’Information Environnemental (SIE) géré par Jérôme Cros (IE CNRS-CESBIO) dans le cadre de l’Observatoire Spatial Régional (OSR). Le but de l’OSR est de recueillir et d’organiser les données (télédétection et mesures in situ) utilisées dans de nombreux travaux de recherche. Figure 1-17: Chaîne de traitement depuis les produits 1A jusqu’aux réflectances TOC orthorectifiées (source: Lafrance et al., 2012). 6 Nomenclature de Sentinel-2 : 1C (image monodate ortho-rectifiée, exprimée en réflectance TOA), 2A (image monodate ortho-rectifiée, exprimée en réflectance TOC, accompagnée d’un masque de nuages/ombres de nuages/neige/eau), 3A (synthèse mensuelle ortho-rectifiée des pixels non nuageux provenant des images 2A). Chapitre 1 : Zone d’étude et données 53 Capteur Résolution Spatiale Résolution temporelle Bandes Spectrales7 Emprise Angles de visée Formosat-2 8 m Journalier Bleu (450-520 nm), Vert (520-600 nm), Rouge (630-690 nm), PIR (760-900 nm) 24 x 24 km Constant (17° ou 27° selon année) SPOT SPOT-4 20 m 2-3 jours selon la latitude Vert (500-590 nm), Rouge (610-680 nm), PIR (780-890 nm), SWIR (1580-1750 nm) 60 x 60 km Variable SPOT-5 10 m (SWIR 20 m) SPOT-4 Take5 Site SudMiPy 20 m 5 jours Vert (500-590 nm), Rouge (610-680 nm), PIR (780-890 nm), SWIR (1580-1750 nm) 160 x 270 km Constant (13°) SPOT-5 Take5 Site SudMiPy 10 m (SWIR 20 m) 160 x 60 km Constant (Est : 12° Ouest : 23°) Landsat-5 30 m 16 jours Vert (500-600 nm), Rouge (600-700 nm), PIR (700-800 nm), PIR (800-1100 nm) 110 x 110 km Constant (0° au Nadir) Landsat-8 30 m Aérosols (433-453 nm), Bleu (450-515 nm), Vert (525-600 nm), Rouge (630-680 nm) PIR (845-885 nm), SWIR-1 (1560-1660 nm), SWIR-2 (2100-2300 nm), Cirrus (1360-1390 nm) Deimos-1 22 m 3-4 jours Vert (520-600 nm), Rouge (630-690 nm), PIR (770-900 nm) 160 x 160 km Variable Tableau 1-3: Description des capteurs. 

Inter-comparaison des capteurs 

Afin d’évaluer la cohérence entre les images issues de différents capteurs, j’ai comparé les valeurs de NDVI obtenues avec ces capteurs pour des dates proches (< 2 jours). J’ai ainsi comparé les NDVI des satellites Formosat-2, SPOT et Landsat-5 en 2009, 2010 et 2011 (Figure 1-19). Puis les NDVI des satellites Formosat-2, SPOT-4 (expérience Take5), Landsat-8 et Deimos-1 en 2013 et 2014 (Figure 1-20). Enfin, les NDVI des satellites Landsat-8 et SPOT-5 (expérience Take5) en 2015 (Figure 1-21). Les dates utilisées pour la comparaison sont présentées dans l’Annexe 4. Pour la comparaison, j’ai tout d’abord extrait les ilots purs du RPG sur l’emprise commune des capteurs. Toutes les cultures ont été utilisées. Les ilots ont été érodés de 30 m afin d’éviter les effets de bords dus aux pixels mixtes. Seules les parcelles de taille supérieure à 2 ha ont été conservées afin d’augmenter la rapidité des traitements. Les Figure 1-19, Figure 1-20 et Figure 1-21 montrent la comparaison des NDVI entre les différents capteurs, avec une symbologie traduisant le nombre de jours d’écart entre les dates comparées. Ainsi, les points noirs correspondent à des dates identiques, les points verts à un écart d’une journée entre les acquisitions et les points rouges à un écart de deux jours. Les résultats révèlent que les satellites produisent globalement des valeurs de NDVI assez proches, avec une différence plus importante lorsque l’écart entre les deux dates d’acquisition augmente. La Figure 1-22 montre l’exemple des profils temporels de GAI obtenus avec l’outil BVNet sur les six ESU prélevés en 2013 en combinant les données Formosat-2, SPOT-4 Take5 et Landsat-8. On constate que les profils sont assez peu bruités. Pour l’année 2015, des différences conséquentes ont été observées entre les données Landsat-8 et SPOT-5 Take5, mais également entre les deux tuiles « Take5 ». Ces différences sont principalement dues au fait que les deux tuiles n’ont pas les mêmes angles d’acquisition (voir Tableau 1-3). Il en est de même pour SPOT-5 et Landsat-8. Compte tenu de ces différences, nous avons donc décidé d’utiliser uniquement les données Landsat-8. En effet, elles permettaient à elles seules de suivre le développement du maïs. Les images Landsat-8 et les images SPOT-5 des deux tuiles (Est et Ouest) ont été utilisées conjointement pour deux cas particuliers : deux ESU pour lesquelles nous n’avions pas suffisamment de données Landsat-8 (ESU n°1 et ESU n°2 ; voir Annexe 5). Lors de l’extraction des séries temporelles de NDVI ou de GAI sur une parcelle donnée, nous appliquons un filtre sur le pourcentage de nuages et d’ombres des images. Ainsi, le pourcentage de pixels non nuageux est calculé pour chaque image couvrant la parcelle. L’image est conservée uniquement si ce pourcentage est supérieur à 50%. Compte tenu de la petite taille des ESU (quelques pixels), un seuil de 100% a été appliqué. Cela réduit donc parfois considérablement le nombre d’images utilisées pour construire les profils temporels de NDVI et de GAI. Figure 1-19: Comparaison des valeurs de NDVI obtenues sur des ilots purs de maïs en 2009, 2010 et 2011 à des dates proches avec Formosat-2, SPOT (4 et 5) et Landsat-5. Figure 1-20: Comparaison des valeurs de NDVI obtenues sur des ilots purs (toutes cultures) en 2013 et 2014 à des dates proches avec Formosat-2, Landsat-8, SPOT-4 Take5 et Deimos- Figure 1-21: Comparaison des valeurs de NDVI obtenues sur des ilots purs (toutes cultures) en 2015 à des dates proches avec Landsat-8 et avec les deux tuiles de SPOT-5 Take5. Figure 1-22: Profils de GAI « satellite » obtenus avec l’outil BVNet pour les six ESU de l’année 2013 en utilisant les différents capteurs (Formosat-2, Landsat-8 et Spot4-Take5). 

Séries temporelles de variables biophysiques 

Parmi les variables biophysiques accessibles par télédétection, on retrouve l’indice foliaire (LAI ou GAI), le taux de couverture (FCOVER), la fraction du rayonnement photosynthétiquement actif absorbée par la végétation (FAPAR) ou encore le contenu en chlorophylle. 

 Définitions 

Le LAI (« Leaf Area Index » en m2 .m-2) est un indice largement utilisé permettant de caractériser la quantité de matière du couvert végétal. Il est défini comme la moitié de la surface totale développée de la végétation par unité de surface de sol horizontale (Chen and Black, 1992). Etant donné l’impossibilité pour le satellite de distinguer les feuilles des autres organes verts de la plante, nous avons privilégié dans ma thèse l’utilisation du GAI (« Green Area Index » en m2 .m-2) introduit par Baret et al. (2010) (Tableau 1-4). Le GAI est la variable biophysique accessible par télédétection la plus populaire utilisée comme un proxy pour la production de biomasse et l’élaboration du rendement (Hoefsloot et al. 2012). Seulement vert vert + non-vert Seulement les feuilles Tous les éléments Méthodes LAI Leaf Area Index   Seulement les méthodes destructives GLAI Green Leaf Area Index   Seulement les méthodes destructives GAI Green Area Index   Mesures depuis le haut du couvert: photographie (GF), télédétection PAI Plant Area Index   Mesures de fractions de trous Tableau 1-4: Définitions de LAI, GLAI, GAI and PAI et méthodes de mesure associées. Toutes les quantités sont exprimées en m².m-2 (source : Baret, 2016). Le FAPAR (« Fraction of absorbed photosynthetically active radiation », adimensionnel) est la fraction de rayonnement solaire photosynthétiquement actif absorbée par les plantes dans le domaine spectral du PAR (« Photosynthetically active radiation », entre 400 et 700 nm) (Mõttus et al., 2012). Le FAPAR est utilisé notamment dans des modèles simples de production primaire (McCallum et al., 2009). Le FCOVER (« Fraction of cover », adimensionnel) est la fraction de la surface du sol couverte par la végétation lorsqu’elle est observée au nadir. Il varie entre 0 et 1 et agit sur les processus de fonctionnement liés aux surfaces couvertes, parmi lesquels figure l’évapotranspiration. 

Estimation des variables biophysiques par télédétection 

L’estimation de variables biophysiques est nécessaire pour un grand nombre d’applications. Les méthodes d’estimation de variables biophysiques à partir des données de télédétection ont été largement étudiées par la communauté scientifique depuis les premières missions spatiales comme Landsat en 1972. La plupart d’entre elles reposent sur l’utilisation de l’imagerie optique et d’importants progrès ont pu être réalisés grâce à l’amélioration des capteurs embarqués. Deux grandes approches ont été développées: les approches empiriques basées sur des modèles de régression et les approches utilisant des modèles de transfert radiatif (MTR) (Figure 1-23). Figure 1-23: Les deux grandes approches utilisées pour estimer les caractéristiques du couvert à partir de la mesure de réflectance (ρ). A gauche, l’approche centrée sur les ρ, minimisant l’écart entre les ρ mesurées et simulées (notées avec *). A droite, l’approche est centrée sur les variables d’intérêt, minimisant l’écart entre le GAI de la base d’apprentissage et le GAI estimé par le modèle inverse (noté GAI*).  représente la fonction coût à minimiser pour les ρ ou les variables d’intérêt (source : Baret, 2016). 

 L’approche empirique 

Cette approche consiste à relier les variables biophysiques aux réflectances (Bsaibes et al., 2009) ou à des combinaisons de réflectance correspondant à des indices de végétation. Le NDVI est largement utilisé et fait figure de référence (Walthall et al., 2004). De nombreuses études ont ainsi démontré l’aptitude de cet indice pour estimer correctement le LAI, le FAPAR ou le FCOVER (Myneni and Williams, 1994 ; Duchemin, 1999 ; Verger et al., 2009). La relation entre le LAI et le NDVI la plus couramment utilisée par la communauté scientifique (Gong et al., 1995 ; Gilabert et al., 1996 ; Duchemin et al., 2006 ; Verger et al., Chapitre 1 : Zone d’étude et données 61 2011) est issue de Baret and Guyot (1991). Cette relation permet de traduire la forte saturation du NDVI observée sur des couverts denses. La simplicité de mise en œuvre a conduit à une large utilisation de ce type d’approche par la communauté scientifique (Asrar et al., 1984 ; Huete, 1988 ; Wiegand and Richardson, 1990). Cependant, même si ces relations empiriques sont faciles à mettre en place, elles nécessitent un étalonnage basé sur un nombre important de données in situ. Ces données doivent être les plus représentatives possible de la gamme de variation des variables recherchées. Ces conditions étant rarement remplies, la nature même de la base de données limite souvent l’application de ces méthodes au domaine de variation pour lequel elles ont été établies. De plus, les données utilisées pour étalonner les relations sont souvent entachées d’incertitudes

 L’approche utilisant des MTR 

Les méthodes exploitant des MTR, bien que plus complexes, permettent de s‘affranchir des mesures in situ nécessaires à l’étalonnage des approches empiriques. Les MTR décrivent les processus physiques associés aux trajets des photons dans le couvert végétal. Ils simulent les processus de transfert du rayonnement en fonction de la configuration géométrique d’observation et d’éclairement et des caractéristiques de la végétation et du sol. L’inversion consiste à retrouver certaines entrées du MTR à partir de ses sorties (Baret, 2016). L’outil BVNet (« Biophysical Variables Neural NETwork ») développé par l’INRA (Baret et al., 2007) permet l’inversion des réflectances obtenues par télédétection à l’aide de réseaux de neurones. L’apprentissage du réseau est réalisé avec le MTR PROSAIL (Baret et al., 1992). Ce modèle résulte du couplage entre le modèle SAIL (« Scattering by arbitrarily inclined leaves », développé par Suits, 1971-1973 et amélioré par Verhoef, 1984) simulant le transfert radiatif dans la végétation et le modèle foliaire PROSPECT (Jacquemoud, 1992 ; Jacquemoud et al., 2009). L’approche requiert des images de réflectance pour toutes les bandes spectrales disponibles et les informations de géométrie correspondant à l’acquisition (angles solaire et de visée, angle azimutal). De plus, elle nécessite des intervalles de distribution délimités pour les variables d’entrée, qui décrivent les propriétés optiques des feuilles et du sol, ainsi que la géométrie du couvert. Cette méthode présente donc l’avantage de tenir compte des angles d’acquisition et de visée ce qui permet d’homogénéiser, dans une certaine mesure, les mesures de réflectance issues des différents capteurs. Le pilotage du modèle SAFY est réalisé via le profil temporel du GAI de la culture. Ce profil est extrait des images satellitaires acquises tout au long de la saison culturale. Il n’est donc disponible qu’en fin de saison dans le cas d’approches diagnostiques. BVNET permet l’estimation des variables biophysiques (GAI, FAPAR, FCOVER) sur de grandes surfaces. La méthode reposant sur l’outil BVNet, opérationnelle et transposable à d’autres cultures (Weiss et al., 2000 ; Claverie et al., 2012), a donc été privilégiée pour ma thèse. L’outil BVNet a été évalué à l’aide d’un ensemble de mesures effectuées sur des parcelles de maïs. Parmi la variété des techniques de mesure du GAI (voir revue de Weiss et al., 2004), nous avons choisi d’utiliser les photographies hémisphériques (DHPs, Demarez et al., 2008, voir Section 3.1). La comparaison du GAI effectif estimé par BVNet avec celui estimé avec les DHPs montre une bonne corrélation (R = 0.92) avec une RMSE moyenne de 0.4 (Figure 1-24). L’augmentation de la dispersion observée pour les valeurs de GAI supérieures à 2 s’explique par l’effet de saturation du GAI.