Potentialités des séries pluriannuelles Sentinel à haute résolution pour cartographier la pratique de la jachère en Afrique de l'Ouest

Exploiting multi-year high-resolution Sentinel-2 image time series for mapping fallow practice in West Africa

• Auteur / Autrice : Enzo Castro alvarado
• Direction : Agnès Bégué
• Type : Thèse de doctorat
• Discipline(s) : Géomatique
• Date : Soutenance le 19/12/2023
• Etablissement(s) : Paris, AgroParisTech
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Partenaire(s) de recherche : institution : AgroParisTech (France ; 2007-....)
• Jury : Président / Présidente : Bernard Tychon
• Jury : Examinateurs / Examinatrices : Laurence Hubert-Moy, Thierry Bonaudo, Inbal Becker-Reshef, Raffaele Gaetano, Louise Leroux
• Jury : Rapporteurs / Rapporteuses : Bernard Tychon, Laurence Hubert-Moy

Mots clés

Mots clés libres

Jachère

Africa

Sentinel

Burkina Faso

Pluriannuel

Fallow

Africa

Sentinel

Burkina Faso

Multi-Year

Résumé

En Afrique de l'Ouest, la cartographie des jachères est essentielle pour caractériser les systèmes agricoles et évaluer avec précision la durabilité agroécologique des pratiques actuelles et leur contribution à la sécurité alimentaire. Cependant, les méthodes actuellement disponibles pour la cartographie des surfaces cultivées ne sont pas adaptées aux conditions environnementales et culturales rencontrées en contexte d'agriculture familiale en Afrique sub-saharienne. Dans cette thèse de Doctorat, plusieurs stratégies de cartographie des jachères basées sur des approches de classification supervisée ont été explorées. Pour ce faire, des séries temporelles d'images Sentinel-2 ainsi que des données pluviométriques ont été confrontées à une importante base de données collectées sur le terrain entre 2016 et 2021 sur le site de Koumbia, localisé en zone soudanienne au Burkina Faso. Les résultats de ce travail de thèse ont montré que les méthodes d'apprentissage automatique, dites "traditionnelles", ne permettent pas de détecter les surfaces en jachère pour les conditions pédoclimatiques de la zone d'étude. En effet, les précisions obtenues sont très faibles, avec des F1-scores inférieurs à 0.20. Les résultats les plus prometteurs ont été obtenus à partir d'une approche basée sur l'analyse des trajectoires. Une série d'adaptations méthodologiques a alors dû être effectuée afin de pouvoir exploiter l'orientation pluri-annuelle de données annuelles. Pour ce dernier cas, cette thèse s'est concentrée sur la classe "terres agricoles non actives" (NAAL en anglais) pour laquelle des valeurs de F1-scores entre 0.75 et 0.92 ont été obtenus, en considérant un jeu de données de référence complet. Par ailleurs, nos résultats ont mis en évidence que les stratégies de cartographie intégrant des informations spectrales pluri-annuelles dans le processus d'apprentissage constituent une approche viable, permettant de décrire les surfaces en jachère non pas par leur état actuel (c'est-à-dire par l'occupation du sol), mais par les changements à l'œuvre au cours de la période qui jouxte la mise au repos des cultures. Cependant, nos résultats ont également montré que le domaine de validité spatiale de l'approche pouvait être limité, en raison de l'augmentation de l'incertitude du modèle dans les zones où aucune donnée de terrain n'est disponible. Cela souligne l'importance d'incorporer des approches non supervisées au processus de classification afin de permettre plus de fiabilité dans le processus d'extrapolation spatiale. Des stratégies pluri-annuelles plus explicites, où le processus d'analyse temporelle est délégué aux algorithmes de classification ont également été testées et ont montré des résultats légèrement améliorés par rapport aux stratégies de cartographie annuelles directes. Toutefois les performances obtenues restent modérées avec un F1-score moyen de 0.44. Des développements méthodologiques sont encore nécessaires pour (a) exploiter de manière plus efficiente et directe les données pluri-annuelles, et (b) mettre en place des approches non-supervisées plus efficaces pouvant être testées dans les environnements pauvres en données de terrain.

Fallow mapping in West Africa is essential to accurately assess agricultural systems and its contribution to food security and agro-ecological sustainability of current practices, and yet the available mapping methodologies are not adapted to the environmental and cropping conditions encountered when addressing tropical smallholder agriculture. In this doctoral thesis, we explore different mapping strategies based on supervised classification techniques and making use of Sentinel-2 imagery and rainfall data as input, as well as multiple years of in-situ data to map fallow land at local scale in a Soudanian site in Burkina Faso (Koumbia) between the years 2016 and 2021. Results show that "traditional" machine learning based mapping approaches are not sufficient for detecting fallow land under the given pedoclimatic conditions, resulting in very low accuracy figures (e.g., F1-scores below the 0.2 mark). Most promising results were obtained when following a trajectory analysis approach, where a series of methodological adaptations had to be done to exploit annual data in a multi-year oriented manner. In this last case we reformulate the mapping problem to target non-active agricultural land (NAAL) as whole, obtaining F1-score ranging from 0.75 to 0.92 values when validating against complete (no data gaps) reference data set.Our results show that strategies that incorporate multiple years of spectral data in their learning process as a potential viable approach, where fallow land is not described by current status of land surface (i.e. land cover) but rather by the changes of it along the period that encircles the moment in which crop inactivity begins. However, results also indicate that the spatial application scope might be limited, with an augmentation of model uncertainty in areas where no ground truth data is available, highlighting the need to incorporate unsupervised approaches for enhanced extrapolation. On the other hand more explicit multi-year strategies, where temporal analysis is delegated to model classifiers yielded marginally better results than annual direct mapping strategies, yet performances obtained do not reach satisfying results, with top average F1-score reaching the 0.44 mark. Methodological development is still required for both (a) exploiting more efficiently and direct manner multi-year data, and (b) building more cost-efficient unsupervised solutions that could be tested in areas with a reduce amount of ground truth data.