Lab'OT

Laboratoire Observation de la Terre

Estimation de rendements agricoles des grandes cultures

La 3D spatiale au service de la gestion des catastrophes naturelles

La charte internationale "Espace et Catastrophe Naturelle" permet de mobiliser les solutions satellitaires au profit de la gestion des catastrophes. En particulier les satellites Pleiades, avec leu...

Orientation des cultures agricoles

Pourquoi s’intéresser à l’orientation des cultures agricoles ? Au moins pour deux raisons. L’orientation des cultures par rapport à la pente du terrain contribue de façon importante au risque de ru...

Ravages des forêts par le Bombyx disparate

Comment identifier et évaluer à grande échelle les dégâts de défoliation des forêts causés par la chenille du Bombyx disparate ? A l’aide de données satellite, le Lab’OT a cartographié l’intensité...

Localisation des parcelles enfumées suite à un incendie

Les feux importants tels que ceux qui se se sont déclarés dans l'Aude dans la nuit du 14 au 15 Août 2019 créent de nombreuses fumées qui peuvent avoir des impacts sur la qualité des récoltes agrico...

Estimation de rendements agricoles des grandes cultures

Estimer le rendement agricole est un enjeu majeur pour de nombreux acteurs de la filière agricole : pour prédire la production annuelle dans un but de souveraineté alimentaire, de planification des...

Dégâts viticoles causés par les inondations dans l’Aude en 2018

Après les inondations dévastatrices survenues en Octobre 2018 dans l’Aude, la DDTM11 et le Lab’OT ont collaboré pour évaluer et suivre exhaustivement, depuis l’espace et dans la durée, les conséque...

Bathymétrie par satellite : estimation de la profondeur à partir de la houle

Les profondeurs d'eau à proximité du littoral sont un facteur important et essentiel pour comprendre l'exposition aux risques côtiers, comme l’érosion ou les submersions. Des connaissances fines de...

Date

25 janvier 2022

Zone d'étude

France

Partenaires/ Bénéficiaires

Ministère de l'Agriculture et de l'Alimentation

Thématique

Agriculture

Type d'acteurs

Ministère / National

Type d'observation

Multi-temporel, Optique

Technologies

Python, IA, Random Forest

Complexité

4/5

Maturité

3/5

Partager

Date

25 janvier 2022

Zone d'étude

France

Partenaires/ Bénéficiaires

Ministère de l'Agriculture et de l'Alimentation

Thématique

Agriculture

Type d'acteurs

Ministère / National

Type d'observation

Multi-temporel, Optique

Technologies

Python, IA, Random Forest

Complexité

4/5

Maturité

3/5

Partager

Contexte du projet

Le Service de la Statistique et de la Prospective (SSP) du Ministère de l’Agriculture et de l’Alimentation établit annuellement des statistiques sur les surfaces, les cheptels et les productions agricoles végétales et animales dans une production statistique dénommée SAA (Statistique Agricole Annuelle). Il s'agit d'une opération de synthèse multi-sources, utilisant les enquêtes thématiques du SSP, des sources d'information locale et des données administratives (e.g. casier viticole, dossiers de demandes des aides de la Politique Agricole Commune). La SAA existe depuis 1947 et fournit chaque année des données sur l’ensemble des productions agricoles (surfaces et rendements, têtes de bétail) détaillées par produit, par région et département.

Parmi ces enquêtes thématiques, l’enquête Terres labourables (TERLAB) du SSP a pour objectif premier d’estimer les rendements des principales cultures issues de terres labourables (dites aussi "grandes cultures") aux niveaux départemental, régional et national. L’enquête est réalisée par sondage auprès d’exploitants agricoles et porte sur la surface et le rendement de l’ensemble des grandes cultures présentes sur l’exploitation, sur la quantité d’eau pour l’irrigation du maïs, ainsi que sur les prévisions de semis pour la campagne suivante. Le recueil des rendements de l’année N se fait à la fin des récoltes (été ou fin d’année selon les cultures).

A la demande du Service de la Statistique et de la Prospective (SSP) du Ministère de l’Agriculture et de l’Alimentation, le CESBIO a étudié la possibilité d'estimer le rendement des grandes cultures à l'échelle de la parcelle en utilisant l'imagerie satellitaire. Les objectifs et intérêts sont d'une part de diminuer des délais d'accès à l'information, et donc une production plus précoce des estimations de production pour le suivi conjoncturel ; et d'autre part d'affiner l'information à l'échelle de la parcelle agricole grâce aux satellites Sentinel 2 qui délivrent une imagerie à résolution de 10 m depuis 2017 tous les 3 à 5 jours en France Métropolitaine. L'étude du CESBIO (publication HAL Id : hal-02935469, version 1) a conduit à définir un modèle d'apprentissage automatique par type de culture qui est entrainé à retrouver les rendements de l'enquête TERLAB à partir de descripteurs extraits d'une série temporelle d'images Sentinel-2 de niveau L2A. La méthode a été testée sur le blé tendre d'hiver et montre une bonne corrélation entre les estimations issues de la donnée satellite et les données TERLAB (RMSE : 9.72 q/ha ; MAE : 7.21 q/ha) mais aussi la SAA lorsque les estimations sont agrégées à l'échelle départementale et nationale.

A la suite des travaux du CESBIO, le Lab'OT du CNES a poursuivi l'étude sur différents axes :

  • Extension de la méthode à d'autres cultures, en priorité les grandes cultures : blé tendre, blé dur, orge, colza, maïs, tournesol,
  • Production plus précoce des estimations de rendement : juste à la fin de la saison voire en cours de saison,
  • Utilisation de variables météorologiques pour affiner les prédictions du modèle,
  • Capacité du modèle d'apprentissage entrainé une année à prédire les rendements d'une autre année.

Méthodes et résultats obtenus

Sept grandes cultures ont été étudiées :

  • 3 cultures céréalières : blé tendre d'hiver, maïs, orge d'hiver
  • 2 cultures oléagineuses : colza, tournesol
  • 2 cultures protéagineuses : pois, soja

La méthode développée par le Lab'OT reprend les concepts énoncés par le CESBIO ici. Cette méthode consiste à extraire un ensemble de descripteurs d'une série temporelle d'images Sentinel-2 de niveau L2A récupérées sur le site THEIA. Ces descripteurs sont calculés comme suit :

  • calcul de 4 indices radiométriques pour chaque image Sentinel-2 : NDVI, NDWI, NDRE1 et NDRE2
  • calcul de statistique zonale (valeur médiane) des 4 indices pour chaque parcelle du RPG
  • extraction des dates - et des valeurs associées - auxquelles la valeur médiane atteint sa valeur min et sa valeur max sur des sous-périodes de la période culturale (bimestre entre Janvier et Août pour les cultures d'hiver, bimestre entre Avril et Octobre pour les cultures d'été)

Synoptique de traitements pour l'estimation de rendement agricole

Les descripteurs sont les entrées d'un modèle de régression non-linéaire qui est entrainé à prédire les valeurs de rendement des parcelles des exploitations qui font l'objet de l'enquête TERLAB du Ministère de l'Agriculture et de l'Alimentation. Le type de modèle retenu est Gradient Boosting qui obtient les meilleurs résultats. On entraine un modèle pour chaque type de culture ce qui implique qu'il faut connaitre au préalable le type de culture pour chaque parcelle dont on veut estimer le rendement.

Sept modèles ont donc été entrainés et affichent des précisions similaires : MAE (Mean Average Error) de l'ordre de 10% du rendement moyen de la culture.

Performance du modèle d'estimation de rendement pour le Blé Tendre d'Hiver en 2017   Performance du modèle d'estimation de rendement pour le Colza d'Hiver en 2017

En multipliant les rendements estimés des parcelles par leur surface et en agrégeant ces résultats à l'échelle départementale, on peut comparer l'estimation avec la Statistique Annuelle Agricole du MAA. On note une très bonne corrélation pour toutes les cultures. L'illustration ci-dessous montre les résultats pour le blé tendre d'hiver.

Comparaison entre les productions estimées par le modèle avec les données Agreste au niveau départemental pour le Blé Tendre d'Hiver

Licence d'utilisation

Propriétaire

Données utilisées

Sentinel-2 de niveau L2A disponible sur le site THEIA

Ces articles pourraient vous intéresser

Vue en 2D des pyramides de Guizée capturées par Pleiades

La 3D spatiale au service de la gestion des catastrophes naturelles

La charte internationale "Espace et Catastrophe Naturelle" permet de mobiliser les solutions satellitaires au profit de la gestion des catastrophes. En particulier les satellite...
Ruissellement de l'eau et orientation des cultures

Orientation des cultures agricoles

Pourquoi s’intéresser à l’orientation des cultures agricoles ? Au moins pour deux raisons. L’orientation des cultures par rapport à la pente du terrain contribue de façon import...
Chenille Lymantria dispar, ravageur des forêts de feuillus

Ravages des forêts par le Bombyx disparate

Comment identifier et évaluer à grande échelle les dégâts de défoliation des forêts causés par la chenille du Bombyx disparate ? A l’aide de données satellite, le Lab’OT a cart...
dezoom communes 2019 - Mesures de concentration en CO issus de CAMS

Localisation des parcelles enfumées suite à un incendie

Les feux importants tels que ceux qui se se sont déclarés dans l'Aude dans la nuit du 14 au 15 Août 2019 créent de nombreuses fumées qui peuvent avoir des impacts sur la qualité...

Estimation de rendements agricoles des grandes cultures

Estimer le rendement agricole est un enjeu majeur pour de nombreux acteurs de la filière agricole : pour prédire la production annuelle dans un but de souveraineté alimentaire, ...
Photo de vignoble après inondation

Dégâts viticoles causés par les inondations dans l’Aude en 2018

Après les inondations dévastatrices survenues en Octobre 2018 dans l’Aude, la DDTM11 et le Lab’OT ont collaboré pour évaluer et suivre exhaustivement, depuis l’espace et dans la...

Bathymétrie par satellite : estimation de la profondeur à partir de la houle

Les profondeurs d'eau à proximité du littoral sont un facteur important et essentiel pour comprendre l'exposition aux risques côtiers, comme l’érosion ou les submersions. Des co...

    Envie de travailler avec nous ?

    Envie de travailler avec nous ?