Cartographie fine de l'état sanitaire et nutritionnel des vergers par acquisitions drone multimodales en appui de pratiques agro-écologiques

Fine mapping of orchard health and nutritional status from multimodal drone acquisitions in support of agro-ecological practices

• Auteur / Autrice : Nathan Sikora
• Direction : Karine Adeline
• Type : Projet de thèse
• Discipline(s) : Surfaces et interfaces continentales, Hydrologie
• Date : Inscription en doctorat le 02/10/2023
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Sciences de lu2019univers, de lu2019environnement et de lu2019espace
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA PSI Physique Spatiale et Instrumentation
• Partenaire(s) de recherche : Equipe de recherche : ONERA/DOTA/SDU2E Département Optique et Techniques Associées

Mots clés

Mots clés libres

Imagerie hyperspectrale drone

Polarisation

LiDAR

Transfert radiatif

Machine learning

Propriétés biochimiques foliaires

UAV hyperspectral imagery

Polarization

LiDAR

Radiative transfer

Machine learning

Leaf biochemical properties

Résumé

Combiner une production agroalimentaire substantielle et le recours à des pratiques agro-écologiques plus respectueuses de l'environnement est un critère essentiel dans les vergers en raison de l'augmentation de la population mondiale et du changement climatique. L'imagerie par drone à haute résolution spatiale ouvre à de nouvelles perspectives de cartographies fines guidant vers des traitements spatialisés plus adaptés en observant la variabilité intra-individu de chaque arbre. L'objectif est d'évaluer la complémentarité de différentes technologies d'acquisitions optiques pour remonter aux propriétés morphologiques et biochimiques des feuilles qui seront mis en lien avec l'état sanitaire et nutritionnel des arbres en vergers. Les problématiques majeures des résolutions spatiales centimétriques visées sont les effets directionnels rencontrés qui sont à la fois d'ordre spectral (anisotropie des propriétés optiques intrinsèques aux feuilles) et géométrique (orientation de la feuille au sein de l'arbre). L'imagerie hyperspectrale aidera à caractériser les propriétés foliaires avec des méthodes statistiques de machine learning et des méthodes physiques basées sur la modélisation du transfert radiatif. L'acquisition LiDAR permettra de connaître la répartition spatiale et angulaire du couvert foliaire tandis qu'enfin l'imagerie multispectrale polarisée a pour but de s'affranchir des réflexions de surface indésirables dans l'estimation des propriétés foliaires. Les vergers candidats sont des pêchers et des abricotiers avec différents niveaux de traitements (fertilisation et irrigation) et différents phénotypes (évaluer la résilience pour la sélection de variétés).

Combining substantial food production with the use of more environmentally-friendly agro-ecological practices is an essential criterion for orchards, given the increase in the world's population and climate change. High spatial resolution drone imagery is opening up new prospects for fine mapping to guide more appropriate spatialized treatments by observing the intra-individual variability of each tree. The aim is to assess the complementarity of different optical acquisition technologies in order to determine the morphological and biochemical properties of leaves, which will be linked to the health and nutritional status of trees in orchards. The major problems with the targeted centimeter-scale spatial resolutions are the directional effects that are encountered, which are both spectral (anisotropy of the intrinsic optical properties of leaves) and geometric (orientation of the leaf within the tree). Hyperspectral imaging will help to characterize leaf properties using statistical machine learning methods and physical methods based on radiative transfer modelling. LiDAR acquisition will provide information on the spatial and angular distribution of the leaf canopy, while polarized multispectral imagery aims to eliminate undesirable surface reflections when estimating leaf properties. The candidate orchards are peach and apricot trees with different levels of treatment (fertilization and irrigation) and different phenotypes (to assess resilience for variety selection).