Apprentissage profond et télédétection multi-capteur pour la cartographie de l'occupation et l'usage des sols agricoles au Centre et Nord Bénin.

Deep learning and multi-sensor remote sensing for Land Use and Land Cover mapping of agrosystems in northern and central Benin.

• Auteur / Autrice : Sabi Bruno Bio nikki sare
• Direction : Roberto Interdonato, Yvon-Carmen Hountondji
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 02/01/2023
• Etablissement(s) : Université de Montpellier (2022-....) en cotutelle avec Université de Parakou (UP)
• Ecole(s) doctorale(s) : École Doctorale Information, Structures, Systèmes
• Partenaire(s) de recherche : Laboratoire : TETIS - Territoire Environnement Teledetection et Information Spatiale
• Partenaire(s) de recherche : Equipe de recherche : ATTOS Acquisition, Télédétection, Traitement et Observations Spatiales

Mots clés

Mots clés libres

Télédétection

Apprentissage automatique

Multi-capteur

Multi-temporel

Apprentissage profond

Systèmes agricoles tropicaux

Tropical Agrosystems

Deep Learning

Machine Learning

Multi-temporal

Multi-sensor

Remote Sensing

Résumé

Au Bénin, l'extension accrue des aires de cultures et des agglomérations, le développement croissant des cultures de soja, de coton et de noix de cajou engendre actuellement une transformation rapide des écosystèmes et la structure des paysages (Agbanou et al., 2018). Face à cette situation, déstabilisée par la croissance démographique et les changements climatiques, il devient nécessaire de suivre l'évolution spatio-temporel de l'occupation et de l'usage agricole des sols dans cette région. Pour ce faire, la plupart des études menées à ce sujet ont démontré l'utilité des images satellitaires comme un outil important pour un suivi efficace de la dynamique de l'occupation des terres (Mama et al., 2013)(Soro et al., 2014). C'est dans ce contexte qu'opère le projet OBSYDYA Bénin (Observatoire pilote des paysages et dynamiques agricoles du Bénin), financé par l'UE dans le cadre de l'initiative DeSIRA, visant la spécification et le prototypage d'un observatoire des systèmes et paysages agricoles du Nord et Centre Bénin, et dont une composante est dédiée à l'identification des outils pour la production automatisée de cartes d'occupation et d'usage des sols agricoles à partir de données de télédétection satellitaire. En effet, malgré la disponibilité croissante de données satellitaires précises et accessibles en Afrique de l'Ouest, certaines difficultés subsistent pour leur exploitation, spécifiques à la zone du centre et du nord Bénin car caractérisée par une agriculture avec des exploitation agricoles de petite taille, des pratiques culturales hétérogènes, ainsi qu'une fragmentation du paysage, sans compter la forte nébulosité en saison culturale qui réduit le nombre d'images exploitables. Ces sont de fait ces facteurs qui sont censés limiter les performances des solutions opérationnalisables pour la cartographie, telles que les chaînes iota2 (Inglada et al., 2017) et Moringa (Gaetano et al., 2018) qui seront mise en œuvre dans le projet. Néanmoins, dans la littérature scientifique il existe de plus en plus de méthodes d'apprentissage en profondeur qui permettent entre autres de fouiller de grands volumes de données complexes comme les séries temporelles d'images satellites afin d'en extraire des informations exploitables, avec de nombreux exemples en lien avec la cartographie automatique de l'occupation des sols (Benedetti et al., 2018; Interdonato et al., 2019; Pelletier et al., 2019). L'objectif général de cette thèse est donc la conceptualisation, le développement et l'évaluation de méthodologies innovantes de deep learning pour la classification de l'occupation et l'usage des sols à partir de données de télédétection satellitaire adaptées aux contraintes et spécificités des paysages et des systèmes agricoles du centre et du nord Bénin. De façon spécifique, il s'agira de (i) identifier les limites des approches existantes et de les mettre en relation avec les facteurs qui les déterminent et (ii) développer des solutions basées sur l'usage d'imagerie satellite multi-capteur (imagerie optique multi-temporelle, de haute et très haute résolution spatiale, imagerie radar) et de nouveaux modèles de deep learning “sur mesure”, qui apportent une amélioration de la précision spatiale des cartes produites ainsi que de leur profondeur descriptive. La démarche scientifique s'articulera autour de trois objectifs spécifiques principaux détaillant la contribution scientifique de cette thèse, à savoir : (i) l'affranchissement des problèmes liés à la présence de nuages dans les séries temporelles d'images optiques par des approches de synthèses d'images par fusion optique/radar et de traitement conjoint des tâches de reconstruction du signal et de classification; (ii) l'exploitation conjointe de l'information spatiale et temporelle contenue dans les images, notamment grace à l'intégration de données à THRS; (iii) l'usage conjoint de données de réference étiquetées sur plusieurs niveaux de nomenclature.

In Benin, the extension of crop and urban areas, as well as the growing development of soybean, cotton and cashew nut crops is currently leading to a rapid transformation of ecosystems and the structure of landscapes (Agbanou et al., 2018). Faced with this situation, destabilized by demographic growth and climate change, it becomes necessary to monitor the spatio-temporal evolution of land cover and land use (LULC) in this region. To do this, most studies carried out on this subject have demonstrated the usefulness of satellite images as an important tool for effective monitoring of LULC dynamics in the area (Mama et al., 2013)(Soro et al., 2014). It is in this context that the OBSYDYA Benin project (Pilot Observatory of Landscapes and Agricultural Dynamics of Benin), funded by the EU as part of the DeSIRA initiative, is operating, aiming at the specification and prototyping of an observatory of agricultural systems and landscapes of North and Central Benin, which integrates a component dedicated to the identification of tools for the automated production of agricultural LULC maps based on satellite remote sensing data. Indeed, despite the increasing availability of precise and accessible satellite data in West Africa, certain difficulties remain for their exploitation, specific to the area of central and northern Benin since characterized by a smallholder agriculture, heterogeneous cropping practices, as well as a fragmentation of the landscape, not to mention the heavy cloudiness during the growing season which reduces the number of usable images. These are in fact these factors which are supposed to limit the performance of the operational solutions for LULC mapping, such as the iota2 (Inglada et al., 2017) and Moringa (Gaetano et al., 2018) processing chains which will be implemented in the project. Nevertheless, in the scientific literature there are more and more deep learning methods which allow, among other things, to search large volumes of complex data such as time series of satellite images in order to extract usable information, with numerous examples linked to automatic LULC mapping (Benedetti et al., 2018; Interdonato et al., 2019; Pelletier et al., 2019). The general objective of this thesis is therefore the conceptualization, development and evaluation of innovative deep learning methodologies for the classification of land cover and land use based remote sensing data, adapted to the constraints and specificities of the landscapes and agricultural systems of central and northern Benin. Specifically, this will involve (i) identifying the limits of existing approaches and relating them to the factors that determine them and (ii) developing solutions based on the use of multi-sensor satellite imagery (multi-temporal optical imagery, high and very high spatial resolution, radar imagery) and new “tailor-made” deep learning models, which provide an improvement in the spatial precision of the maps produced as well as their descriptive depth. The scientific approach will be structured around three main specific objectives detailing the scientific contribution of this thesis, namely: (i) overcoming the problems linked to the presence of clouds in the time series of optical images through synthesis approaches optical/radar fusion images and joint processing of signal reconstruction and classification tasks; (ii) the joint exploitation of the spatial and temporal information contained in the images, in particular through the integration of VHSR data; (iii) the joint use of reference data labeled on multiple levels of nomenclature.