Intégrer les réalités des données limitées : Surveillance des cultures et estimation du rendement au niveau de la parcelle à l'aide de données satellitaires multispectrales et de l'apprentissage automatique

Integrating Limited Data Realities : Advanced Crop Monitoring and Parcel-Level Yield Estimation using Multispectral Satellite Data and Machine Learnig

• Auteur / Autrice : Johann Desloires
• Direction : Dino Ienco
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 05/10/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Examinateurs / Examinatrices : Carmen Gervet
• Jury : Rapporteur / Rapporteuse : Jochem Verrelst, Nesrine Chehata

Mots clés

Mots clés contrôlés

Agriculture

Télédétection

Apprentissage non supervisé (intelligence artificielle)

Mots clés libres

Apprentissage automatique

Télédétection

Agriculture

Machine Learning

Remote sensing

Agriculture

Résumé

Les systèmes de surveillance des cultures jouent un rôle essentiel pour répondre aux défis posés par le changement climatique et la croissance de la population mondiale. Dans le contexte de la sécurité alimentaire et de l'optimisation des pratiques agricoles, cette thèse de doctorat se concentre sur l'amélioration de ces systèmes en exploitant les données d'observation de la Terre à haute résolution disponibles gratuitement. Avec l'arrivée des satellites de la mission Copernicus (par exemple Sentinel-2), les possibilités d'applications dans ce domaine ont considérablement augmenté. L'objectif de cette recherche est de proposer des méthodes innovantes qui surmontent les limites des systèmes existants de surveillance des cultures, en utilisant une approche ascendante au niveau du pixel et/ou du champ. Des techniques d'apprentissage automatique sont utilisées pour développer ces méthodes tout en tenant compte des contraintes liées à la disponibilité des données étiquetées de ces systèmes, ce qui donne lieu à un cadre expérimental adapté.La première contribution majeure de cette thèse tourne autour de l'utilisation du cadre d'apprentissage positif non étiqueté (PUL) pour la cartographie précise de l'occupation du sol. En exploitant la force des réseaux neuronaux récurrents et en incorporant la dimension temporelle des données des pixels, l'approche PUL vise à extraire des classes spécifiques d'occupation du sol, telles que les terres cultivées, à partir de données de télédétection en utilisant uniquement des échantillons de la classe ciblée (positive) et des données non étiquetées. La technique en deux étapes utilisée montre qu'il est possible d'identifier et de cartographier avec précision des classes d'occupation du sol distinctes, même si nous ne disposons que de quelques exemples étiquetés de la classe positive, grâce à l'abondance des données non étiquetées et à l'hypothèse préétablie de la séparabilité des classes.La deuxième contribution majeure concerne l'estimation et la prédiction du rendement du maïs à l'échelle du champ en utilisant des séries temporelles optiques pour la saison en cours. Étant donné la difficulté de généraliser les méthodes d'apprentissage automatique aux années non observées, ce qui est crucial pour les prévisions de rendement pluriannuelles avant la récolte, les séries temporelles optiques sont rééchantillonnées en fonction du temps thermique. En outre, des estimations de paramètres biophysiques sont incorporées pour améliorer le pouvoir explicatif des informations dérivées du spectre de Sentinel-2. L'approche proposée permet des prévisions de rendement du maïs plus fiables et plus précises, contribuant ainsi à une prise de décision mieux informée sur les pratiques agricoles.Les résultats soulignent l'efficacité des méthodes d'apprentissage automatique dans l'amélioration des systèmes de surveillance des cultures. Cette thèse offre un potentiel significatif pour fournir aux agriculteurs des informations précieuses pour la prise de décision sur le terrain et pour répondre aux limites associées à la disponibilité des données étiquetées dans les scénarios du monde réel.

Crop monitoring systems play an essential role in meeting the challenges posed by climate change and global population growth. In the context of food security and optimizing agricultural practices, this PhD thesis focuses on improving these systems by exploiting freely available high-resolution Earth observation data. With the arrival of the Copernicus mission satellites (e.g. Sentinel-2), the possibilities for applications in this field have increased considerably. The aim of this research is to propose innovative methods that overcome the limitations of existing crop monitoring systems, using a bottom-up approach at pixel and/or field level. Machine learning techniques are used to develop these methods while taking into account the constraints linked to the availability of labeled data from these systems, resulting in an adapted experimental framework.The first major contribution of this thesis revolves around the use of the Positive Unlabelled Learning (PUL) framework for accurate land cover mapping. By exploiting the strength of recurrent neural networks and incorporating the temporal dimension of pixel data, the PUL approach aims to extract specific land cover classes, such as cropland, from remotely sensed data using only samples of the targeted (positive) class and unlabeled data. The two-stage technique used shows that it is possible to accurately identify and map distinct land-use classes, even if we only have a few labeled examples of the positive class, thanks to the abundance of unlabeled data and the pre-established assumption of class separability.The second major contribution concerns the estimation and prediction of maize yield at the field scale using optical time series for a current season. Given the difficulty of generalizing machine learning methods to unobserved years, which is crucial for multi-year pre-harvest yield forecasts, optical time series are resampled as a function of thermal time. In addition, biophysical parameter estimates are incorporated to improve the explanatory power of the information derived from the Sentinel-2 spectrum. The proposed approach enables more reliable and accurate maize yield forecasts, contributing to better-informed decision-making on agricultural practices.The results highlight the effectiveness of machine learning methods in improving crop monitoring systems. This thesis offers significant potential for providing farmers with valuable information for decision-making in the field and addressing limitations associated with the availability of labeled data in real-world scenarios.