Etude de la végétation à partir de nouveaux capteurs satellitaires radar

A Vegetation Study using new Remote Sensing Radar Sensors

• Auteur / Autrice : Emile Ndikumana
• Direction : Nicolas Baghdadi
• Type : Thèse de doctorat
• Discipline(s) : Géomatique
• Date : Soutenance le 26/11/2018
• Etablissement(s) : Paris, AgroParisTech
• Ecole(s) doctorale(s) : GAIA (Montpellier ; École Doctorale ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Président / Présidente : Mehrez Zribi
• Jury : Examinateurs / Examinatrices : Mehrez Zribi, Lionel Jarlan, Thuy Le Toan, Valéry Gond, Dinh Ho Tong Minh
• Jury : Rapporteurs / Rapporteuses : Mehrez Zribi, Lionel Jarlan

Mots clés

Mots clés contrôlés

Riziculture

Analyse

Imagerie satellitaire

Aspect environnemental

Systèmes de culture

Surveillance

Végétation -- Télédétection

Mots clés libres

Sar

Sentinel-1

Alos/palsar

Deep learning

Occupation du sol

Riz

Forêt

SAR images

Sentinel-1

Alos/palsar

Deep learning

Land cover

Rice

Forest

Résumé

Dans cette thèse, nous nous intéressons à la manière dont les images SAR peuvent être utilisées pour étudier la végétation. La végétation est au coeur de la vie humaine en fournissant à la fois des ressources alimentaires, financières et en participant à la régulation du climat. Traditionnellement, la végétation est classée en trois catégories: les champs, les prairies irriguées et les forêts. Nous utiliserons ces trois catégories dans notre étude.Les travaux de cette thèse s’articulent autour de trois axes : (1) la cartographie de l’occupation du sol, (2) l’estimation des paramètres biophysiques du riz en Camargue à partir des images satellitaires Sentinel-1 (bande C) et enfin (3), la cartographie de la biomasse forestière à Madagascar à partir des données radar ALOS/PALSAR (bande L) combinées avec des données tree cover calculées à partir des donnéesoptiques Landsat.L’objectif de la première partie est de fournir une meilleure compréhension du potentiel des images radar Sentinel-1 (bande C) pour cartographier l’occupation du sol à l’aide des techniques d’apprentissage en profondeur. Nous avons obtenu de bons résultats avec la "F-Measure/Accuracy" supérieure à 86% et le meilleur coefficient Kappa de plus de 0,82. Nous avons constaté que les résultats des deux classificateurs basés sur les réseaux neuronaux récurrents profonds (RNN) dépassaient clairement les approches classiques de Machine Learning.Dans la seconde partie, l’objectif est d’étudier la capacité des images radar multitemporelles pour l’estimation de la hauteur du riz et de la biomasse sèche à l’aide des données Sentinel-1.Pour ce faire, nous avons utilisé les données de Sentinel-1 en appliquant des techniques classiques d’apprentissage de "Machine Learning" (MLR, SVR et RF) pour estimer la hauteur du riz et la biomasse sèche. L’erreur de l’estimation de la hauteur du riz est de 16% (7.9 cm), et celle la biomasse est de 18% (162 g¢m¡2) (les deux avec la méthode Random Forest). Ces résultats indiquent que les données radar Sentinel-1 pourraient être exploitées pour la récupération de la biomasse et pourraient être utilisées pour des tâches opérationnelles.Enfin, la réduction des émissions de carbone dues à la déforestation nécessite un aperçu de la façon dont la forêt de biomasse est mesurée et distribuée. Nous utilisons des observations du radar satellitaire ALOS/PALSAR (résolution de 25 m) et des données optiques du capteur Landsat (résolution de 30 m) pour estimer les stocks de biomasse forestière à Madagascar, pour les années 2007-2010. Le signal radar et la biomasse in situ étaient fortement corrélés (R² =0,71) et l’erreur quadratique moyenne était de 30% (pour la biomasse allant de 0 à 500 t/ha). Le signal radar (données SAR en bande L) combiné avec les données optiques semblent être une approche prometteuse pour cartographier la biomasse forestière (et donc du carbone) à de larges échelles géographiques.

In this thesis, we focus on how SAR images can be used to study vegetation. Vegetation lies at the core of human lives by providing both food and economic resources as well as participating in regulating climate. Traditionally, vegetation is classified into three categories: fields, flooded pastures, and forests. We follow this classification in our study. To tackle the first two, we chose to explore rice (in Camargue, France) since rice fields are initially flooded pastures and turn to fields when more mature. We illustrate the last category with forests in Madagascar.The aim of the first part is to provide a better understanding of the capabilities of Sentinel-1 radar images for agricultural land cover mapping through the use of deep learning techniques. We revealed that even with classical machine learning approaches (K nearest neighbors, random forest and support vector machines), good performance classification could be achieved with F-measure/Accuracy greater than 86% and Kappa coefficient better than 0.82. We found that the results of the two deep recurrent neural network (RNN)-based classifiers clearly outperformed the classical approaches.In the second part, the objective is to study the capabilities of multitemporal radar images for rice height and dry biomass retrievals using Sentinel-1 data. To do this, we train Sentinel-1 data against ground measurements with classical machine learning techniques (Multiple Linear Regression (MLR), Support Vector Regression (SVR) and Random Forest (RF)) to estimate rice height and dry biomass. The study is carried out on the same multitemporal Sentinel-1 dataset in the first part. The error of rice height estimation was 16% (7.9 cm), whereas the biomass was 18% (162 g¢m¡2) (both with Random Forest method). Such results indicate that the highly qualified Sentinel-1 radar data could be well exploited for rice biomass and height retrieval and they could be used for operational tasks.Finally, reducing carbon emissions from deforestation and degradation (REDD) requires detailed insight into how the forest biomass is measured and distributed. Studies so far haveestimated forest biomass stocks using rough assumptions and unreliable data. We aim to improve on previous approaches by using radar satellite ALOS PALSAR (25-m resolution) and optical Landsat-derived tree cover (30-m resolution) observations to estimate forest biomass stocks in Madagascar, for the years 2007-2010. The radar signal and in situ biomass were highly correlated (R2 = 0.71) and the root mean square error was 30% (for biomass ranging from 0 to 500 t/ha). Combining radar signal with optical tree cover data appears to be a promising approach for using by L-band SAR to map forest biomass (and hence carbon) over broad geographical scales.