Estimation de rendements agricoles des grandes cultures

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)

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.

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.

Licence d'utilisation