…

La difficulté de comparer les images de récoltes dans l'espace et le temps

O. Hall et M. F. Archila Bustos

Les images recueillies par les drones peuvent aider les experts du domaine agricole à identifier les raisons de la faible productivité des cultures. Toutefois, cette technologie doit être utilisée afin de déterminer les différentes variétés de cultures à partir d’images multispectrales. Il faut de plus résoudre les problèmes liés à l’étalonnage des images.

L’Université de Lund (Suède) et l’Université suédoise des sciences agricoles ont lancé plusieurs projets de recherche au Kenya et au Ghana sur l’usage des drones, appelés dans le monde anglophone « véhicules aériens sans pilote (UAV) », dans la surveillance agricole. Ont été reliées une approche associant des observations effectuées par des drones, des enquêtes biophysiques, et la technologie classique par spectromètre infrarouge (données collectées entre 2002 et 2014).

De nombreuses méthodes existent pour estimer les rendements des cultures. Les chercheurs comparent généralement un indice de végétation, calculé à partir de données de télédétection, à des mesures de rendement effectuées sur le terrain. Ils estiment ainsi les rendements obtenus dans la totalité du domaine de l’étude. Les indices de végétation mesurent la vigueur et la santé de la plante. Ils se basent sur le fait que la végétation absorbe la lumière visible en grande quantité mais reflète la lumière proche infrarouge. S’il existe un grand nombre d’indices de végétation différents, le plus courant est l’indice de végétation par différence normalisée (Normalized Difference Vegetation Index, NDVI), utilisé dans les projets menés au Kenya et au Ghana.

Des pratiques agricoles différentes

L’utilisation de drones comme outil de télédétection constitue une étape clé de ce projet de recherche. Les chercheurs ont décidé que la faible résolution spatiale de la télédétection traditionnelle et des données du NDVI ne convenait pas aux domaines de recherche au Kenya et au Ghana, particulièrement pour les paysages et systèmes agricoles sophistiqués de l’Afrique subsaharienne qui figurent parmi les plus complexes du monde.

En réalité, la plupart des technologies par satellite et NVDI sont développées pour l’agriculture mécanisée conventionnelle, à savoir pour les vastes champs rectangulaires et monocultures qui sont la norme dans les pays industrialisés. Les pratiques agricoles sont sensiblement différentes en Afrique subsaharienne : de nombreux agriculteurs cultivent plusieurs plantes de cycles similaires, les cultures intercalaires sont largement répandues, et la plupart des parcelles d’Afrique subsaharienne sont nettement plus petites que celles des pays industrialisés.

Ces pratiques agricoles différentes encouragent l’utilisation de plateformes satellitaires d’une résolution plus élevée. Mais elles capturent rarement des images des régions au sud du Sahara. Lorsqu’il existe des données de haute résolution, les satellites passent si rarement au-dessus de ces régions que les mesures contrôlées de séries chronologiques sont impossibles. Par ailleurs, en raison de la proximité entre les régions de l’étude et l’équateur, les images sont souvent masquées par des nuages, ce qui les rend inutilisables. Les images satellites parviennent par conséquent difficilement à résoudre les problèmes spécifiques des systèmes agricoles complexes d’Afrique subsaharienne.

Des images en haute résolution spatiale

Afin de remédier à ce manque de données de télédétection, il a été décidé d’utiliser des drones pour collecter des données aériennes de haute qualité. Des quadrirotors autonomes ont par conséquent été équipés de caméras amateurs pouvant produire des images haute définition en proche infrarouge et RVB (rouge, vert, bleu) des régions agricoles mal couvertes.

Les images aériennes produites par les caméras de ces quadrirotors ont une résolution spatiale de trois et quatre centimètres, ce qui est largement supérieur à la résolution spatiale de la plupart des plateformes satellites. Ces images haute résolution sont si nettes qu’elles montrent les détails des cultures, même dans les champs de petite taille.

Les drones sont à même de produire ces images à haute résolution spatiale car ils volent à une altitude de 100 mètres. Puisque les caméras des drones collectent aussi bien des images en proche infrarouge que des images prises en lumière visible, elles peuvent servir à définir les indices de végétation mentionnés ci-dessus, pouvant à leur tour être utilisés pour des analyses plus détaillées.

Valeurs de réflectance

Pour élaborer des cartes fidèles du rendement des récoltes, il est nécessaire de réaliser au moins deux ou trois observations au cours de la période de croissance. La qualité des images capturées par drone dépend cependant fortement des conditions environnementales au moment du vol et des paramètres de la caméra. Puisqu’il est difficile de standardiser l’environnement et les paramètres au moment de chaque vol, une méthode d’étalonnage visant à standardiser les images après la production a été créée.

Cette méthode consiste à convertir les valeurs numériques des pixels de la caméra en « valeurs de réflectance ». Elles sont liées à l’objet lui-même (comme un type de culture spécifique), et non au modèle de caméra utilisé pour le vol. En utilisant cette méthode de conversion, les chercheurs sont non seulement capables d’effectuer des comparaisons entre différentes missions, mais également de comparer, le cas échéant, des données recueillies par drone avec d’autres formes de données de télédétection. De plus, ces valeurs de réflectance peuvent servir de base à la classification d’images et la détection des changements, ce qui permet de relever les différences d’état des caractéristiques des terres en les observant au fil du temps.

Actuellement, l’objectif de ce projet de recherche est double. Le premier objectif est lié à la classification des images, à savoir le processus d’identification de ce que les experts agricoles recherchent dans une image télédétectée. Les chercheurs participant à ce projet espèrent classifier les différents types de cultures dans l’imagerie aérienne et les distinguer de ce qui n’appartient pas à la végétation ainsi que des autres végétaux environnants. Le second objectif est de mettre au point une méthode d’étalonnage pour retirer des valeurs de réflectance précises de ces images de télédétection.

Estimation automatique du rendement des récoltes

Ces tests de classification et d’étalonnage vont servir de point de départ pour élaborer une méthodologie d’estimation automatique ou semi-automatique des rendements des plants de maïs. Le projet est d’utiliser cette méthodologie tout au long de l’étude, avec au moins trois ou quatre vols par champ. La méthodologie établie pour la classification du maïs pourrait ensuite être utilisée pour les autres cultures.

Jusqu’à présent, le premier défi a été de traiter les systèmes d’identification des plants de maïs de façon automatique ou semi-automatique. Ce processus implique de séparer le maïs de la végétation ressemblante environnante tels que les haricots cultivés de manière intercalaire, les mauvaises herbes, et les petits buissons (voir la Figure 1). Les premiers résultats indiquent que ce processus de classification des plants de maïs est non seulement possible mais qu’il peut s’effectuer à un degré de précision relativement élevé. Sur la base de ces résultats, l’équipe de recherche pense que la technologie des drones pourrait être très prometteuse dans des régions actuellement mal couvertes par les données d’images de télédétection haute résolution.

Des caméras amateurs bon marché ont été utilisées dans ce projet mais les chercheurs essaient toujours d’effectuer des mesures fiables et pertinentes en utilisant des indices de végétation et des techniques d’étalonnage connus dont l’utilisation est souvent onéreuse. L’objectif est de réduire le coût lié à ces mesures pour accroître la base de données locales et d’augmenter de fait le nombre d’agriculteurs inclus dans les analyses. Chaque agriculteur a reçu des copies des cartes NDVI et des rendements ainsi que les images filmées par le drone. Ils peuvent les utiliser pour analyser leurs champs et leurs cultures et améliorer leurs pratiques agricoles.

Il est enfin possible de créer des cartes de rendements des cultures en séries chronologiques et de les utiliser en parallèle des données d’enquête liées aux conditions socioéconomiques, aux pratiques de gestion et aux données biophysiques de terrain. En associant et comparant ces différents types de données, on pourrait alors comprendre plus en détail les raisons pour lesquelles il existe des écarts de rendements en Afrique subsaharienne. Et ce nouveau bagage d’informations permettrait d’élaborer des stratégies visant à améliorer la productivité agricole dans cette région.

Liens connexes 

Yieldgap : site internet du projet de recherche
http://yieldgap.keg.lu.se/

Données sur l’Afrique subsaharienne extraites du Global Yield Gap Atlas
http://www.yieldgap.org/sub-saharan-africa

L’ information de la FAO sur les qualités uniques et complexes des systèmes sub-sahariens agricoles mixtes africains.
http://goo.gl/0AhlKf

IFPRI sur la cartographie des cultures pour améliorer la sécurité alimentaire.
http://goo.gl/oyw0at