Académique Documents
Professionnel Documents
Culture Documents
1 Introduction 4
2 Objectifs 4
3 Méthodologie générale 4
5 Méthodologie détaillée 6
5.1 Prétraitements réalisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5.2 Calcul de l’indice de végétation NDVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5.3 Extraction des courbes des paramètres phénologiques . . . . . . . . . . . . . . . . . . . . . . . 7
5.3.1 Définition et principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5.4 Classification Support Vector Machine (SVM) . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6 Résultats et Discussions 10
6.1 Analyse des signatures spectrales des cultures . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.2 Classification Support Vector Machine (SVM) . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
6.3 Évaluation des performances de la classification . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.3.1 Inspection visuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.3.2 Matrice de confusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.3.3 Précision globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6.3.4 Coefficient Kappa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
7 Conclusion 15
8 Réferences bibliographiques 16
1
Table des figures
1 Organigramme de la méthodologie générale suivie . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Situation géographique du site d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Cycle phénologique du blé et des céréales en général (Espace Pain Information, 2020) . . . . . 7
4 Stades phénologiques du maïs (Agrico’Notes Agriconomie, 2020) . . . . . . . . . . . . . . . . 8
5 Vecteurs supports et les hyperplans possibles . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6 Hyperplan optimal assurant une marge maximale . . . . . . . . . . . . . . . . . . . . . . . . . 9
7 Exemples de discrimination binaire entre les points bleus des points verts. L’hyperplan est
représenté en rouge. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
8 Classification SVM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
9 Comparaison visuelle de la classification SVM. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
10 Matrice de confusion de la classification SVM. . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Liste des tableaux
1 Caractéristiques du Sentinel-2 (Agence spatiale européenne ESA, 2015). . . . . . . . . . . . . 5
2 Caractéristiques des bandes spectrales de Sentinel-2 (Bratu, 2019) . . . . . . . . . . . . . . . 6
3 Catégories de classification sur la base de Kappa . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Caractéristiques des bandes spectrales de Sentinel-2 (Bratu, 2019) . . . . . . . . . . . . . . . 17
3
1 Introduction
L’agriculture a toujours été le principal contributeur dans l’économie marocaine. Afin de continuer l’amé-
lioration de ce domaine vital et répondre aux exigences que posent les programmes nationaux, comme le Plan
Maroc Vert ainsi que la stratégie Génération Green 2020- 2030 lancée récemment, il est impératif d’étudier
les étendues terrains et de développer les méthodes y relatives. Cela permettra de bien gérer et suivre le
territoire national, notamment en matière de consommation des terres agricoles et d’étalement urbain.
Dans ce contexte,la cartographie des cultures s’avère d’une importance majeure et constitue une nécessité
nationale pour mieux guider les directives du ministère de l’agriculture et améliorer ses outils de prise de
décisions stratégiques afin d’atteindre l’autosuffisance du royaume en termes de produits agricoles. L’avè-
nement des constellations satellitaires de hautes résolutions spatiales et temporelles, comme Landsat-8 et
Sentinel-2, a constitué une révolution dans le domaine de la cartographie des grandes étendues agricoles
en termes de suivi fin de la végétation et avec des faibles coûts. En effet, la classification des cultures im-
plique généralement des acquisitions multi temporelles, car le suivi des cultures à partir d’une seule image
satellitaire n’est pas suffisant. Dans ce sens, les satellites précités fournissent des séries temporelles à partir
desquelles elles sont extraites des images de NDVI (Normalized Difference Vegetation Index) utilisées par la
suite dans des processus de classification supervisée afin de produire une carte d’occupation du sol.
2 Objectifs
L’objectif du présent travail est d’évaluer l’apport de la classification supervisée par la méthode Support
Vector Machine SVM pour la cartographie saisonnière des cultures.
3 Méthodologie générale
Afin de mener notre étude et aboutir à l’objectif déterminé nous allons adopter la méthodologie explicitée
dans le shéma suivant :
4
4 Données et outils utilisés
4.1 Site d’étude
4.2 Données
4.2.1 Images satellitaires
Nous avons exploité les images multispectrales acquises par le satellite Sentinel-2 pour construire une
série temporelle de la saison agricole 2018/2019. Trente-quatre images acquises entre le 01 Août 2019 et et
30 Séptembre 2020 ont été téléchargées à partir du site Earth explorer.
sentinel-2 est une série de satellites d’observation de la Terre de l’Agence spatiale européenne ESA développée
dans le cadre du programme Copernicus dont les deux premiers exemplaires ont été lancés en 2015 et 2017.
La table suivante présente les caractéristiques du satellite précité :
La plateforme « Earth Explorer » offre la possibilité du choix de la zone d’étude et du taux de couverture
nuageuse selon le besoin ainsi qu’une large base de données satellitaires dont les images Sentinel-2A et
Sentinel-2B fait partie. Dans notre cas, nous avons retenus les critères de sélection suivants :
- Une couverture nuageuse nulle ou faible pour notre zone d’étude ;
- Un pas de temps quasiment régulier de 10 jours entre les images Sentinel-2 selon leur disponibilité dans
chaque mois de la saison agricole objet d’étude.
Les images Sentinel-2 sont composées de 13 bandes dont les caractéristiques sont résumées dans la table
ci-dessous :
5
Sentinel-2 Bandes Central Wavelength (nm) Resolution (m)
Bande 1 – Aérosol côtier 442.7 60
Bande 2 – Bleu 492.4 10
Bande 3 – Vert 559.8 10
Bande 4 – Rouge 664.6 10
Bande 5 – Végétation "red edge" 704.1 20
Bande 6 – Végétation "red edge" 740.5 20
Bande 7 – Végétation "red edge" 782.8 20
Bande 8 – PIR 832.8 10
Bande 8A – PIR "étroit" 864.7 20
Bande 9 – Vapeur d’eau 945.1 60
Bande 10 – SWIR – Cirrus 1373.5 60
Bande 11 – SWIR 1613.7 20
Bande 12 – SWIR 2202.4 20
ENVI est un logiciel complet de traitement d’images de télédétection, optiques et radar. Il regroupe les
principales méthodes de traitement d’images : corrections géométriques et radiométriques, classification et
mise en page cartographique. D’autres outils relatifs à la visualisation et à la modélisation de données
topographiques sont aussi disponibles. La plateforme précitée permet d’extraire rapidement l’information
pertinente des images géospatiales. L’ensemble de ses outils et modules spécialisés permettent de lire, explo-
rer, analyser les données et de partager l’information. Avec une interface Windows, il est facile d’utilisation.
Le logiciel ENVI offre des fonctionnalités des systèmes de traitements interactifs de données numériques
géocodées (données satellitaires, images numérisées, cartes digitalisées,. . ..). Avec ses options, Envi propose
un environnement de traitement, d’archivage et de consultation d’images sur PC et de nombreuses fonctions
de transformation pour SIG. Des programmes de liaison Import-Export permettent l’intégration des données
avec d’autres logiciels fondamentaux de SIG, CAO, DAO.
b. QGIS 3.14
QGIS est un système d’information géographique ouvert (open source). Il est accessible à toute personne
ayant accès à un ordinateur personnel. QGIS fonctionne actuellement sur la plupart des plateformes Unix,
Windows et MacOS. Développé pat les outils Qt et le C++, QGIS est rapide et possède une interface uti-
lisateur graphique (GUI) agréable et facile à utiliser. Cette plateforme a atteint le pic de son évolution et
il est utilisé de nos jours pour les besoins quotidiens de visualisation de données SIG, pour la capture de
données, pour l’analyse SIG avancée et pour des présentations sous forme de cartes, d’atlas et de rapports
sophistiqués. QGIS prend en charge une multitude de formats de données matricielles et vectorielles, de
nouveaux formats pouvant être facilement ajoutés grâce à l’architecture des plugins (QGIS Documentation,
2020).
5 Méthodologie détaillée
5.1 Prétraitements réalisés
D’abord nous avons sélectionné les bandes utiles pour élaborer les imagettes de NDVI et des composi-
tions colorées par la suite. Il s’agit des bandes : Bleu, Vert, Rouge, et Proche Infrarouge qui correspondent
respectivement aux bandes de numéros : deux, trois, quatre et huit pour le satellite Sentinel-2 (Tableau 2).
Ensuite nous avons empilé ces quatre bandes à l’aide du logiciel SNAP afin d’avoir des images satellitaires
6
regroupent les bandes RVB et PIR. Ces images résultantes ont été coupées sur le même logiciel en vue d’avoir
des imagettes du site d’étude utilisées ainsi pour le calcul de NDVI.
N DV I = (N IR − RED)/(N IR + RED)
Les valeurs de NDVI sont comprises entre -1 et 1. Les valeurs négatives correspondent aux surfaces autres
que la végétation (eau, nuages, neige), et les valeurs voisinant 0 correspondent aux sols nus pour lesquelles
les réflectance dans rouge et dans le proche infrarouge sont identiques. Les valeurs positives correspondent
aux couverts végétaux.
Figure 3 – Cycle phénologique du blé et des céréales en général (Espace Pain Information, 2020)
En effet, l’analyse de ces événements phénologiques joue un rôle majeur dans la prédiction de l’effet des
pratiques de gestion agricole sur la croissance et la production. Puisque, la connaissance de la date de début
de saison est un grand défi, car sachant cette date, des prévisions peuvent être instaurées sur l’état du ren-
dement en fin de campagne agricole (Marteau et al., 2011 ; Dian, 2016). A noter que l’étude de la phénologie
permet de proposer des stratégies d’adaptations en fonction des conditions climatiques (Waha et al., 2013 ;
Wolf et al., 2015). Dans le but d’anticiper les pertes dans les rendements et de réaliser des cartes de culture
précises, plusieurs études se sont orientées vers la recherche des méthodes assurant l’identification des étapes
7
du cycle phénologique des plantes (Brown et de Beurs, 2008). Sur la figure 3 nous constatons que le cycle
phénologique du maïs se subdivise en plusieurs étapes. Nous trouvons généralement le début de la saison
(SOS), la date du maximum de végétation (MAX) et la fin de la saison (EOS)
L’indice de végétation par différence normalisée (NDVI) défini précédemment se trouve en corrélation avec
la productivité des plantes ce qui le rend un indicateur performant pour l’étude de la phénologie des surfaces
agricoles (Htitiou et al., 2019). Par conséquent, disposer des séries temporelles de NDVI permet de caracté-
riser les stades phénologiques des différents types de cultures et aide par la suite à les différencier. Ainsi, Les
métriques phénologiques sont déterminés à partir des seuils utilisés sur l’amplitude de l’indice de végétation
(Hoolst et al., 2016).
8
Figure 5 – Vecteurs supports et les hyperplans possibles
Le principe de SVM est de trouver un hyperplan optimal dont l’équation maximise la marge de séparation
entre les classes. Comme le montre la figure suivante :
Initialement, le Séparateur à Vastes Marges était dédié à la classification de deux ensembles linéairement
séparables afin de distinguer les classes (figure I-10.a). Dans ce cas il est possible de trouver un hyperplan
séparateur. Par contre, dans le cas non linéaire il est impossible de trouver une frontière linéaire qui permette
de séparer correctement les deux ensembles (figure I-10.b).
Figure 7 – Exemples de discrimination binaire entre les points bleus des points verts. L’hyperplan est
représenté en rouge.
Cependant le cas linéaire est peu présent dans les situations réelles de la classification. Pour pallier à ce
problème, les données non-linéairement séparables sont projetées dans un espace de dimension supérieure où
une séparation linéaire pourrait être présente. La projection consiste à appliquer une transformation non-
linéaire aux données d’entrée en utilisant une fonction noyau : Kernel Trick (Müller et al., 2001 ; Schölkopf
et Smola, 2002). Parmi les fonctions noyau nous trouvons les fonctions polynomiale, gaussienne, sigmoïde et
Laplacien.
9
6 Résultats et Discussions
6.1 Analyse des signatures spectrales des cultures
Nous visons à obtenir les signatures spectrales (valeurs de réflectance spectrale) pour les cultures de maïs,
de Colza, de Bétrave, des céréales (Blé tendre et Blé dur) et de Paprika dans une zone de culture située à
proximité de la ville de Fkih Ben Saleh pour des cycles de demi saison (Septembre à Août) 2019/2020 et
2020/2021, dans le but d’analyser le comportement de la signature dans les différentes phases des cultures.
10
D’après la courbe varie plusieurs fois. Donc il s’agit du Luzerne.
11
6.3 Évaluation des performances de la classification
6.3.1 Inspection visuelle
L’évaluation visuelle est indispensable pour la validation d’une classification et pour montrer le degré
d’adaptation de l’approche suivie. L’évaluation sera réalisée en faisant une appréciation du résultat de la
classification obtenue par rapport à la réalité terrain en se basant sur la photo-interprétation.
Visuellement, cette carte représente mieux la réalité terrain sauf quelques confusions qui apparaissent no-
tamment entre :
• Des pixels de type Blé Dur sont classés Blé tendre.
• Des pixels de type Blé dur sont classés Paprika.
• Des pixels de type Bétrave à sucre sont classés Blé dur.
• Les pixels de type "Colza" et "Luzerne" sont bien classés.
12
Figure 10 – Matrice de confusion de la classification SVM.
Précision globale
83.54 %
9785 Pixels bien classés
Pr Pr
N i=1 xii − i=1 (xi+ ∗ x+i )
kappa = Pr
N 2 − i=1 (xi+ ∗ x+i )
Avec :
N le nombre total des objets dans la matrice de confusion
r le nombre des lignes dans la matrice de la confusion
xii est le nombre d’observation dans la ligne i et la colonne i (la diagonale principale)
xi+ est la somme des observations dans la ligne i
x+i est la somme des observations dans la colonne i
La valeur du coefficient kappa est comprise entre 0 et 1. Le tableau suivant représente la qualité de la
classification en fonction de de la valeur de kappa :
13
Résultat de la classification Kappa
Excellent 0,81
Bon 0,80 – 0,61
Modéré 0,60 – 0,41
Médiocre 0,40 – 0,21
Mauvais 0,20 – 0,0
Coefficient Kappa
0.8
14
7 Conclusion
La cartographie des cultures est un outil important pour la prise de décisions dans le domaine agricole.
C’est pourquoi il est indispensable de développer de nouvelles approches de classification précises des cultures
pour assurer la qualité des cartes produites. En effet, l’utilisation des séries temporelles d’images satellitaires
et l’insertion des informations sur la phénologie des cultures en même temps permettent de distinguer entre
les différentes classes présentes dans une zone donnée. Dans ce sens, le présent travail a pour objectif prin-
cipal :Extraction des courbes phénologiques et l’évaluation de l’apport de la classification SVM, dans la
cartographie de cultures dans la plaine de Fkih Ben Saleh.
15
8 Réferences bibliographiques
Aktas, A.F., et Üstündag, B.B. (2017) Phenology based NDVI time-series compensation for yield
estimation analysis. 6th International Conference on Agro-Geoinformatics (2017) : 1-5
Bendini, H.N., Sanches, I.D., Körting, T., Fonseca, L.M., Luiz, A., et Formaggio, A. (2016) Using
Landsat 8 image time series for crop mapping in a region of Cerrado, Brazil. ISPRS -International Archives
of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Inf Sci XLI-B8 : 845–850.
Brown, M.E. et de Beurs, K.M. (2008) Evaluation of multi-sensor semi-arid crop season parameters
based on NDVI and rainfall. Remote Sensing of Environment, 112(5), pp.2261–2271.
Dusseux Pauline. (2014) Exploitation de séries temporelles d’images satellites à haute résolution spatiale
pour le suivi des prairies en milieu agricole. Thèse de Doctorat, Géographie. Université Rennes 2
Elmansouri L., Lahssini S., Hadria R., Eddaif N., Benabdelouahab T., Dakir A. (2018) Time
Series Multispectral Images Processing for Crops and Forest Mapping : Two Moroccan Cases. Chapter in
the book : Geospatial Technologies for Effective Land Governance. (Pages 83-106)
Lebrini, Y., Boudhar, A., Hadria, R., Lionboui, H., Elmansouri, L., Arrach, R., Ceccato, P., et
Benabdelouahab, T. (2019) Identifying Agricultural Systems Using SVM Classification Approach Based
on Phenological Metrics in a Semi-arid Region of Morocco. Earth Systems and Environment, 3, pp : 277 -
288.
Leinenkugel, P., Künzer, C., Oppelt, N., et Dech, S. (2013) Characterisation of land surface pheno-
logy and land cover based on moderate resolution satellite data in cloud prone areas — A novel product for
the Mekong Basin. Remote Sensing of Environment, 136, 180-198.
16
Number of users Number of books Min rating Max rating
53424 53424 1 5
17