Pourquoi cartographier ?
L'accès à des données satellites gratuites a de nombreuses applications en agriculture : détections de stress, applications localisées, estimation de rendement, etc. Pour dresser un bilan à grande échelle, il faut toutefois être capable de localiser précisément les cultures. Délimiter les parcelles de betterave en cours de campagne avec 2 ans d'avance sur le Registre Parcellaire Graphique et plusieurs mois avant les produits commerciaux, c'est donc l'objectif des travaux de l'ITB.
Comment cartographier
Différentes approches existent pour classer et délimiter les cultures à partir d'images satellites. On peut notamment citer la segmentation d'instances par réseau de neurones convolutifs, et les séries temporelles. Chaque technique a ses avantages et ses inconvénients en termes de précision et de ressources informatiques. Ici, le parti pris a été de simplifier au maximum la tâche en optant pour de la classification mono date à l'échelle du pixel de 10 m par 10 m.
Pour entrainer le modèle de classification, le RPG a été utilisé pour découper des imagettes correspondant aux différentes cultures. L'opération a été réalisée pour les années 2020-2023 et pour 50 parcelles aléatoires par culture. Même si on se focalise sur la betterave, les cultures principales doivent être considérées pour améliorer la précision du modèle et le diagnostiquer.
Un modèle de type "random forest" est ensuite entrainé sur les images acquises. Une validation croisée est réalisée pour vérifier que les performances ne fluctuent pas selon la campagne et identifier la période la plus propice à l'identification des betteraves (ici mi-juillet). La spécificité est excellente ce qui signifie que peu de betteraves sont identifiées à tort. La sensibilité est un peu moins bonne, c'est-à-dire que le modèle passe à côté de certaines parcelles de betteraves. Dans le détail, les confusions ont le plus souvent lieu avec des cultures de printemps comme les pommes de terre et le maïs.
Une fois l'algorithme entrainé et validé on peut l'utiliser pour prédire l'assolement. Il faut identifier les images satellites les moins nuageuses, les télécharger (plusieurs Go pour environ 100 x 100 km), les analyser pixel par pixel via le modèle. Puis, on regroupe les pixels dans des polygones et on enlève les données aberrantes (parcelles trop petites, hors des zones cultivées, etc).
Et ensuite ?
La délimitation obtenue permettra d'extrapoler des analyses basées sur la télédétection sur la France entière. On peut envisager comparer les vitesses de développement, repérer des stress et dresser des bilans dès lors que l'on dispose d'un modèle calibré et de ressources de calcul suffisantes. Enfin, on peut noter que l'algorithme n'est pas parfait et qu'il comporte de nombreuses étapes : il est donc toujours possible de l'améliorer dans le futur.
