Améliorer la cartographie des cultures avec des données satellites

Les Indices de végétation sont des outils qui aident à surveiller la croissance des plantes et les activités agricoles. Les satellites prennent des images de la Terre depuis longtemps, mais les anciens ne pouvaient voir que quelques couleurs spécifiques (ou Bandes spectrales). Cela limitait leur capacité à fournir des infos détaillées sur la végétation. Les nouveaux satellites, par contre, peuvent capturer beaucoup plus de couleurs, ce qui ouvre la voie à un meilleur suivi des cultures et de l'utilisation des terres.

Dans cet article, on présente une méthode qui utilise l'Apprentissage automatique et l'intelligence artificielle pour améliorer la conception et la sélection des indices de végétation pour la Cartographie des cultures. En utilisant des données de ces satellites avancés, on peut identifier quelles bandes spectrales sont les plus utiles pour distinguer différentes cultures. Ça peut aider les agriculteurs et les chercheurs à améliorer les pratiques agricoles et à assurer la sécurité alimentaire.

#Défis de la Cartographie des Cultures

Dans certaines parties du monde, surtout en Afrique subsaharienne, il y a de sérieux problèmes d'insécurité alimentaire et de malnutrition. L'agriculture joue un rôle crucial pour résoudre ces problèmes, mais surveiller la santé et la croissance des cultures peut être difficile. Différentes cultures réfléchissent la lumière de manières uniques, et choisir les bons outils pour analyser ces infos est clé pour un suivi réussi.

Traditionnellement, les experts se sont fiés à quelques indices de végétation couramment utilisés pour évaluer la santé des cultures. Cependant, avec les nouvelles capacités des satellites, il est important d'identifier et d'utiliser les meilleurs indices qui tirent parti de toutes les données disponibles.

#Le Rôle de l'Apprentissage Automatique

L'apprentissage automatique, une sous-catégorie de l'intelligence artificielle, permet aux ordinateurs d'apprendre à partir des données et de s'améliorer au fil du temps. Dans notre approche, on entraîne un modèle d'apprentissage profond en utilisant des images de satellites qui prennent des photos dans plein de couleurs différentes. Ce modèle nous aide à reconnaître des caractéristiques importantes dans les données. L'objectif est de découvrir quelles combinaisons de couleurs sont les plus utiles pour identifier différentes cultures.

Une fois le modèle entraîné, on peut l'utiliser pour déterminer comment chaque couleur contribue à prédire les types de cultures. Ça nous aide à comprendre les relations spécifiques entre différentes bandes spectrales et la croissance des cultures.

#Ensemble de Données Utilisé pour l'Analyse

Pour notre étude, on a rassemblé des données de satellites sur deux pays : le Ghana et le Soudan du Sud. Les images satellites ont été collectées de janvier à décembre 2016 et ont une résolution de 10 mètres. Chaque pixel de ces images représente une petite zone de terrain et est étiqueté en fonction du type de culture qui y pousse. On s'est concentrés sur six types de cultures : le sorgho, le maïs, le riz, l'arachide, le soja et l'igname. On a établi des comptes de pixels minimums pour s'assurer qu'on ne travaillait qu'avec des données fiables.

#Analyse des Attributions Spectrales

Pour comprendre comment notre modèle d'apprentissage automatique performe, on utilise une méthode appelée attribution de caractéristiques. Cette méthode nous aide à voir quelles parties des données sont les plus importantes pour faire des prédictions. En évaluant les contributions de chaque couleur (ou bande spectrale), on peut déterminer quelles bandes sont les meilleures pour identifier diverses cultures.

Dans nos résultats, on voit que certaines bandes, comme les bandes infrarouges à ondes courtes et les bandes de la bordure rouge, sont particulièrement importantes pour la classification des cultures. Ces insights aident à guider la sélection des indices de végétation.

#Amélioration des Indices de Végétation

Avec l'importance de chaque bande spectrale en tête, on a développé des indices de végétation spécifiques adaptés à notre tâche de cartographie des cultures. On a examiné différentes combinaisons de bandes et testé de nouveaux indices pour voir comment ils se comportent par rapport aux indices plus traditionnels.

Par exemple, on a utilisé l'indice d'humidité de différence normalisée (NDMI), qui prend en compte les bandes infrarouges à ondes courtes. On a aussi créé des variations d'autres indices pour voir s'ils fournissent une meilleure précision dans l'identification de cultures spécifiques.

Notre but était de montrer qu'en utilisant les bons indices de végétation, on pouvait améliorer l'identification des cultures.

#Résultats Expérimentaux

Après avoir réentraîné nos modèles avec les nouveaux indices créés, on a comparé leurs performances par rapport au modèle de base, qui utilisait toutes les bandes disponibles. En général, on a constaté que les modèles basés sur des indices uniques pouvaient bien fonctionner, certains montrant seulement de légères diminutions de précision par rapport au modèle complet.

L'indice le plus performant était le NDMI, qui a atteint un score de 67 %. Cet indice a aidé à identifier avec précision le sorgho, l'arachide et l'igname. On a aussi remarqué que les combinaisons de deux indices fonctionnaient souvent mieux que les indices uniques, démontrant l'importance d'utiliser plusieurs caractéristiques ensemble.

#Insights Spécifiques aux Cultures

Alors que certains indices ont bien fonctionné dans l'ensemble, d'autres ont montré des niveaux de succès variés selon les cultures. Par exemple, bien que le NDMI ait été efficace pour identifier l'igname et le riz, il n'était pas aussi fort pour le maïs.

Ces résultats soulignent l'importance de comprendre quels indices fonctionnent le mieux avec des cultures spécifiques. Certaines cultures peuvent s'appuyer davantage sur certaines bandes spectrales, ce qui les rend plus faciles à identifier quand les bons indices sont choisis.

#Limitations et Travaux Futurs

Bien que l'approche utilisée ait montré des résultats prometteurs, il y a des limitations. La fiabilité du modèle est liée à sa capacité à apprendre avec précision à partir des données d'entraînement. Si le modèle ne performe pas bien, les insights qu'on en tire peuvent ne pas être aussi fiables.

À l'avenir, on prévoit d'élargir notre ensemble de données pour inclure des images d'années et de régions différentes. Cela nous permettra de tester nos méthodes sur un plus large éventail de cultures et d'améliorer la performance globale de notre modèle.

#Conclusion

En résumé, notre étude décrit une méthode pour sélectionner et concevoir des indices de végétation qui peuvent améliorer la cartographie des cultures grâce aux données modernes des satellites. En comprenant l'importance des différentes bandes spectrales à travers l'apprentissage automatique, on peut créer de meilleurs outils pour surveiller les activités agricoles et soutenir la sécurité alimentaire.

Nos résultats indiquent que l'utilisation d'une combinaison d'indices bien choisis peut mener à une meilleure précision dans l'identification des cultures. Avec des améliorations et des explorations supplémentaires, cette approche a le potentiel d'améliorer les efforts de surveillance agricole et de s'attaquer à des problèmes pressants liés à la sécurité alimentaire et au développement durable.