Surveillance des cultures et détection d'anomalies sur parcelles agricoles à l'aide de données multispectrales et radar à synthèse d'ouverture

Crop monitoring and detection of anomalous crop development at the parcel-level with multispectral and synthetic aperture radar satellite data

• Auteur / Autrice : Florian Mouret
• Direction : Jean-Yves Tourneret, Denis Kouamé
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunication
• Date : Soutenance le 04/02/2022
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Jury : Président / Présidente : Frédéric Pascal
• Jury : Examinateurs / Examinatrices : Jean-Yves Tourneret, Denis Kouamé, Paulo Gonçalvès, Mohanad Albughdadi, Sylvie Duthoit
• Jury : Rapporteurs / Rapporteuses : Florence Tupin, Jean-Philippe Ovarlez

Mots clés

Mots clés contrôlés

Détection des anomalies (informatique)

Imagerie multispectrale

Télédétection

Mots clés libres

Télédétection

Imagerie multispectrale

Imagerie radar

Surveillance des cultures

Détection d'anomalies

Reconstruction de données manquantes (imputation)

Remote sensing

Multispectral imagery

Radar imagery

Crop monitoring

Anomaly detection

Data imputation

Résumé

La surveillance des cultures va devenir un enjeu majeur dans les années à venir. Soumise aux pressions liées au changement climatique d’une part, et à l’augmentation de la population mondiale d’autre part, les chaînes d’approvisionnement alimentaire risquent d’être fortement contraintes, impactant la sécurité alimentaire dans de nombreuses zones de la planète. Dans ce contexte, l’utilisation de la télédétection pour acquérir des informations sur l’état de la végétation sera un outil primordial. Un des domaines directement concerné est l’agriculture de précision, qui consiste à optimiser les rendements et les pratiques agricoles. Avec l'arrivée des satellites de la mission Copernicus, Sentinel-1 (radar à synthèse d’ouverture) et Sentinel-2 (imagerie multispectrale), les possibilités d’applications dans le domaine ont été décuplées. En effet, les données Sentinel sont disponibles gratuitement, et ce, avec une résolution temporelle et spatiale adaptée à la surveillance des cultures au niveau de la parcelle. L'objectif principal de cette thèse est de proposer une stratégie pour détecter automatiquement les parcelles agricoles qui ont un développement agronomique anormal. Une attention particulière a été donnée à l’utilisation conjointe des données Sentinel-1 et Sentinel-2. De plus, afin d’être déployée facilement dans un contexte opérationnel, une contrainte est de proposer une méthode capable d’analyser un seul cycle de croissance (ou une partie de celui-ci). Pour répondre aux objectifs de la thèse, nous proposons dans un premier temps une chaîne de traitement permettant l’extraction d'indicateurs agronomiques au niveau de la parcelle. Ces indicateurs sont calculés en deux temps : 1) calcul d’indicateurs agronomiques au niveau pixel et 2) calcul de statistiques spatiales au niveau parcelle. Par la suite, ces indicateurs sont utilisés pour détecter des parcelles qui ont un comportement phénologique anormal. La détection est non supervisée et réalisée à l’aide d’un algorithme de détection d’anomalie. Une comparaison de plusieurs approches a été faite pour trouver la méthode la plus adaptée à notre problème. Parmi les différents algorithmes testés, la méthode la plus efficace est la forêt d’isolement, qui présente également l’avantage d’être rapide et peu sensible aux choix de ses paramètres. Grâce à la méthode proposée, il est possible de détecter des parcelles au comportement anormal avec une grande précision. Les résultats obtenus ont été validés sur deux types de cultures différentes, le blé et le colza. Dans un second temps, nous traitons le problème de détection d’anomalie en présence de données manquantes. Cette problématique est fondamentale en télédétection, en particulier pour les données issues d’images multispectrales car celles-ci sont sensibles au couvert nuageux. Pour résoudre ce problème, nous proposons de reconstruire les données manquantes (au niveau parcelle) en utilisant des modèles de mélange gaussien. Cette approche s’est montrée significativement meilleure que les autres approches testées pour reconstruire les données manquantes et pour permettre de détecter des anomalies sur des parcelles agricoles avec des séries temporelles incomplètes. De plus, nous avons également proposé une méthode d’estimation des modèles de mélange gaussien qui est robuste à la présence de valeurs aberrantes dans les données. Cette méthode est particulièrement utile en présence de forte valeurs anormales, par exemple en présence de parcelles provenant d'un type de culture différent de celui analysé. Enfin, nous explorons dans cette thèse des approches de détection d’anomalie qui prennent en compte la structure temporelle des données. En particulier, nous proposons une méthode basée sur un ensemble de modèles de Markov cachés. Un des intérêts de cette approche est de pouvoir également localiser les anomalies dans le temps.

Crop monitoring will become a major challenge in the coming years. Under the pressure of climate change on the one hand, and the increase of the world population on the other hand, food supply chains are likely to be strongly constrained, impacting food security in many areas of the planet. In this context, using remote sensing to acquire information on vegetation status will be a key asset. One of the areas directly concerned is precision agriculture, which consists in optimizing yields and agricultural practices. With the arrival of the Copernicus mission satellites, Sentinel-1 (synthetic aperture radar) and Sentinel-2 (multispectral imagery), the possibilities of applications in this area have increased drastically. Indeed, Sentinel data are freely available, with a temporal and spatial resolution adapted to crop monitoring at the parcel level. The main objective of this thesis is to propose a strategy to automatically detect agricultural parcels with abnormal agronomic development. Special attention was given to the joint use of Sentinel-1 and Sentinel-2 data. Moreover, in order to be easily deployed in an operational context, a constraint is to have a method able to analyzing a single growth cycle (or a part of it). To meet the objectives of the thesis, we first propose a processing chain allowing the extraction of agronomic indicators at the parcel-level. These indicators are calculated in two steps: 1) calculation of agronomic indicators at the pixel level and 2) calculation of spatial statistics at the plot level. Then, these indicators are used to detect parcels with abnormal phenological behavior. The detection is unsupervised and performed using an anomaly detection algorithm. A comparison of several approaches was made to find the most suitable method for our problem. Among the different algorithms tested, the most efficient method is the isolation forest, which also has the advantage of being fast and not very sensitive to the choice of its parameters. Thanks to the proposed method, it is possible to detect plots with abnormal behavior with a high accuracy. The results obtained were validated on two different types of crops, wheat and rapeseed. In a second step, we addressed the problem of anomaly detection in the presence of missing data. This problem is fundamental in remote sensing, in particular for multispectral data because they are sensitive to cloud cover. To solve this problem, we propose to reconstruct the missing data (at the parcel-level) using Gaussian mixture models. This approach has been found to be significantly better than the other tested approaches for reconstructing missing data and for detecting anomalies on parcels with incomplete time series. In addition, we also have proposed a method for estimating Gaussian mixture models that are robust to the presence of outliers in the data. This method is particularly useful in the presence of strong outlier values, for example in the presence of parcels coming from a different crop type than the one analyzed. Finally, we explore in this thesis anomaly detection approaches that take into account the temporal structure of the data. In particular, we propose a method based on an ensemble of hidden Markov models. One of the interests of this approach is to be able to localize the anomalies in time.