Utilisation de la télédétection pour la cartographie des systèmes de culture intégrés : contribution au suivi de l’agriculture bas carbone dans l’Etat du Mato Grosso, Brésil

Use of remote sensing for the mapping of integrated cropping systems: contribution to monitoring low carbon agriculture in the state of Mato Grosso, Brazil

• Auteur / Autrice : Patrick Calvano kuchler
• Direction : Agnès Bégué, Margareth Simoes
• Type : Projet de thèse
• Discipline(s) : Géomatique
• Date : Soutenance en 2021
• Etablissement(s) : Paris, AgroParisTech en cotutelle avec Université de l'État de Rio de Janeiro
• Ecole(s) doctorale(s) : GAIA (Montpellier ; École Doctorale ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Président / Présidente : Margareth Simoes
• Jury : Examinateurs / Examinatrices : Agnès Begue, François Laurent, Vincent Dubreuil, Laerte Ferreira, Rodrigo Ferraz
• Jury : Rapporteurs / Rapporteuses : François Laurent

Mots clés

Mots clés libres

Développement durable

Intégration agriculture-élevage

Apprentissage automatique

Séries temporelles

Modis

Big Data

Sustainable development

Crop-livestock integration

Machine learning

Time series

Modis

Big Data

Résumé

Pour atteindre ses engagements internationaux de réduction des émissions de gaz à effet de serre, le Brésil a mis en place le Plan ABC (Agriculture Bas Carbone). Parmi les stratégies d’intensification durable de l’agriculture, l’Etat incite à l’adoption de systèmes intégrés agriculture-élevage-forêt pour lesquels des mécanismes de suivi doivent être mis en place. L’objectif général est de développer une méthodologie de cartographie annuelle à l’échelle régionale des systèmes intégrés de type agriculture-élevage (iLP) à partir de séries temporelles d’images satellite MODIS, afin de contribuer à l’établissement d’un protocole de suivi de l’agriculture à faible émission de carbone. Le travail est divisé en trois étapes : la mise au point de la stratégie de classification des systèmes intégrés, l’application à l’échelle régionale et l’analyse thématique des cartes obtenues. La zone d’étude est l'État du Mato Grosso qui est le plus grand producteur national de soja et offre une grande diversité de milieux naturels permettant d’évaluer les méthodes dans des contextes et années climatiques différents. La stratégie de classification a été mise au point dans une zone au nord de l'État. Les résultats montrent que les pré-traitements de type lissage du signal temporel ou calcul d’indices phénométriques détériorent la précision des classifications des systèmes de culture, que l’utilisation de séries temporelles d’indices de végétation permettent d’obtenir de bons scores de classification (précision globale : OA = 0.96) et enfin que l’algorithme Random Forest est légèrement plus performant que SVM. La stratégie a été ensuite appliquée au Mato Grosso, à 7 campagnes agricoles (2012-2019) et 6 régions climatiques, selon une approche hiérarchique en 4 niveaux (niveau 1 = Soja, produit Mapbiomas). Les résultats montrent que l’utilisation d’une base de données d'apprentissage unique (échantillons de différentes années et régions) pour classer chaque région et années individuellement permet d’obtenir des précisions proches de celles obtenues avec des bases de données acquises dans chaque région et pour chaque année. Le nombre élevé d’échantillons dus au regroupement compense en grande partie la variabilité spatio-temporelle des classes. La carte des systèmes de culture du niveau 2 (monocultures SC et cultures séquentielles DC) a une OA moyenne de 0.89 sur la période étudiée et présente une bonne stabilité interannuelle ; au niveau 3 (OA = 0.84), les DC sont séparées en 3 classes (soja-coton, soja-céréale et le système intégré iLP soja-brachiaria) ; au niveau 4 (OA = 0.77), la classe iLP est séparée en iLP1 (soja- bracharia) et iLP2 (soja-bracharia en association avec du maïs). Les F-score des classes de systèmes de culture DC, iLP et iLP1 ont une précision proche (0.89, 0.85 et 0.84) et la classe iLP2 (0.63). L’analyse des cartes annuelles des systèmes de culture des campagnes agricoles de 2012-2013 à 2018-2019 montre une augmentation de 66% de la superficie en cultures séquentielles, y compris les iLP, et une réduction de 19% de la monoculture. Ces résultats témoignent de l’intensification agricole en cours dans l'État. L'intensification durable basée sur les systèmes intégrés à plus que doublé pendant la même période passant de 18.6% (1.1 Mha) à 28.9% (2.6 Mha) des surfaces cultivées. En conclusion, la méthode développée nous a permis de relever quatre défis majeurs: cartographier des systèmes complexes (passer de l’occupation des sols à l’utilisation des sols), à l’échelle régionale (diversité des conditions environnementales), de façon rétrospective (en l’absence de données in situ correspondantes) et traiter un grand volume de données grâce aux outils du Big Data et aux connaissances expertes sur les systèmes de culture. Il est prévu de tester cette approche sur l’ensemble du corridor du soja, pour aboutir à terme à un outil opérationnel de suivi territorial et d’analyse de l’adoption des pratiques d’intensification durable.

In order to meet Brazil´s international commitments to reduce greenhouse gas emissions, the ABC Plan (Low Carbon Agriculture Plan) was implemented for the agricultural sector. Among strategies for increasing a sustainable intensification of agriculture, Brazil is promoting the adoption of integrated crop-livestock-forest systems. However, it is necessary to create mechanisms for monitoring the adoption of those new practices. The overall objective of the thesis is to develop an annual mapping methodology, at regional level for integrated crop-livestock systems (ILP) from MODIS satellite images timeseries, to contribute to the establishment of a protocol for monitoring low-carbon agriculture. The work is divided into three stages: the development of the integrated system classification strategy, regional application and thematic analysis of the maps obtained. The study area is the state of Mato Grosso, the largest national producer of soybean, which offers a wide variety of natural environments for evaluating methods in different climatic contexts and years. The classification strategy was developed in an area in the north of the state. The results show that pre-treatments such as temporal signal smoothing or phenometric index calculations deteriorate the accuracy of crop system classifications, that the use of time series of vegetation indices provides good classification scores (global accuracy: OA - 0.96) and that the Random Forest algorithm performs slightly better than SVM. The strategy was then applied to Mato Grosso, 7 agricultural campaigns (2012-2019) and 6 climatic regions, using a hierarchical approach in 4 levels (Level 1 - Soybean, Mapbiomas product). The results show that the use of a single training database (pooling samples from different years and regions) to classify each region and year individually provides similar classification accuracies in comparison to those based on the use of a database acquired in each region and for each year. The high number of samples due to grouping largely compensates for the spatial-temporal variability of the classes. The map of Level 2 cropping systems (SC single crop and DC double crops) has an average OA of 0.89 over the period studied and has good interannual stability: OA between 0.86 and 0.96; at Level 3: OA - 0.84, DC are divided into 3 classes (soy-cotton, soy-cereal and the integrated system iLP soy-brachiaria); at level 4 (OA - 0.77), the iLP class is separated into iLP1 (soy-bracharia) and iLP2 (soy-bracharia mixed with maize). The F-scores for DC, iLP and iLP1 classes of cropping systems have close accuracy (0.89, 0.85 and 0.84) and the iLP2 class (0.63). Analysis of annual cropping systems maps from 2012-13 to 2018-2019 shows a 66% increase in the area under double cropping systems, including ILP, and a 19% reduction in single cropping. These results reflect the ongoing agricultural intensification in the state. Sustainable intensification based on integrated systems has more than doubled during the same period from 18.6% (1.1 Mha) to 28.9% (2.6 Mha) of the cultivated area. In conclusion, the method developed has enabled us to address four major challenges: mapping complex systems (moving from land cover to land use), at the regional level (diversity of environmental conditions), retrospectively (in the absence of corresponding in situ data) and processing a large volume of data using Big Data tools. It is planned to test this approach across the entire Brazilian soybean corridor, eventually leading to an operational tool for for monitoring and analysis of the adoption of sustainable intensification practices.