Table des matières

1 Introduction 4

2 Objectifs 4

3 Méthodologie générale 4

4 Données et outils utilisés 5

4.1 Site d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2.1 Images satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2.2 Plateformes de traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

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 :

Figure 1 – Organigramme de la méthodologie générale suivie

4
4 Données et outils utilisés
4.1 Site d’étude

Figure 2 – Situation géographique du 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 :

Sentinel-2 : Satellite de l’Agence spatiale

Constellation
Résolution Spatiale
Résolution Spectrale
Résolution Temporelle
Système de Projection
européenne ESA
Deux satellites identiques : Sentinel-2A lancé
le 23 juin 2015 et Sentinel-2B lancé le 07
mars 2017.
10 m, 20 m et 60 m selon la bande choisie
13 bandes
La constellation des deux satellites Sentinel-2
fournit une image tous les cinq jours.
WGS84

Table 1 – Caractéristiques du Sentinel-2 (Agence spatiale européenne ESA, 2015).

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

Table 2 – Caractéristiques des bandes spectrales de Sentinel-2 (Bratu, 2019)

4.2.2 Plateformes de traitement

a. ENVI version 4.6.1

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.

5.2 Calcul de l’indice de végétation NDVI

La classification des cultures peut être réalisée à travers l’utilisation des paramètres dérivés des images
multispectrales, le plus souvent est le calcul des indices de végétation par le biais des traitements et des
transformations spectrales entre deux ou plusieurs bandes conçus pour améliorer la contribution des proprié-
tés de la végétation et permettre une comparaison fiable de l’activité photosynthétique terrestre (Huete et
al., 2002).
Parmi les indices de végétation les plus simples qui se basent sur des opérations mathématiques entre deux
bandes on trouve le NDVI (Normalized DifferenceVegetation Index). NDVI est l’un des indices les plus utili-
sés dans la recherche environnementale (Ren et al., 2018). Il permet de suivre l’activité chlorophyllienne des
végétaux en utilisant la réflectance dans le rouge et dans le proche infrarouge. Il a été créé par Tucker en
1979 et donné par l’équation suivante :

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.

5.3 Extraction des courbes des paramètres phénologiques

5.3.1 Définition et principe
La phénologie est l’étude de la chronologie des phénomènes biologiques récurrents qui caractérisent la
période de croissance d’une plante particulière comme : la floraison, la feuillaison, la chute des feuilles . . .
(Hahioui, 2020). Chaque plante se caractérise par un profil phénologique spécial mais l’ensemble des plantes
comme le blé, le mais adhérant à la classe de céréales suivent le même cycle phénologique. Pour telles cultures
saisonnières, le cycle phénologique (figure 2) commence par un semis duquel résulte la germination puis levée,
ensuite le taillage, la montaison, et épiaison pour arriver enfin à la maturation.

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)

Figure 4 – Stades phénologiques du maïs (Agrico’Notes Agriconomie, 2020)

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).

5.4 Classification Support Vector Machine (SVM)

Le classificateur Support Vector Machine (SVM) est un autre algorithme d’apprentissage supervisé ayant
comme objectif la discrimination et la séparation des données. Une définition de quelques notions au préa-
lable s’avère importante afin de comprendre le principe de fonctionnement de l’algorithme :
- Hyperplan : un plan dans un espace multidimensionnel qui sépare les échantillons de donnée de deux
classes ;
- Hyperplan optimale : un hyperplan qui maximise la marge entre le plan et les points de données les plus
proches ;
- Vecteurs supports : ce sont les points des échantillons les plus proches de l’hyperplan ;
- Marge maximale : c’est la distance entre l’hyperplan et les vecteurs supports.

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 :

Figure 6 – Hyperplan optimal assurant une marge maximale

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.

D’après la courbe on remarque que l’indice de végétation atteint

le maximum (0.9) en mois de Décembre 2019 et commence à
diminuer en mois Mars 2020 et une autre augmentation en Juin.
Cette culture accepte deux stades ; un en automne et l’autre en
printemps. Donc il s’agit du Colza.

D’après la courbe on remarque que l’indice de végétation atteint

le maximum en mois de Janvier 2020 et récolté en mois de février
2020, il est cultivé en deuxième fois en mois Aout 2020
Cette culture est similaire au Blé tendre.

D’après la courbe on remarque que l’indice de végétation atteint

le maximum en mois de Octobre 2019 et commence à diminuer
jusqu’à le mois Avril 2020, donc c’est une culture qui dure plus
longtemps. Alors il s’agit du Bétrave à sucre.

D’après la courbe on remarque que l’indice de végétation atteint

le maximum (1) en mois de Nouvembre 2019 et commence à di-
minuer en mois janvier 2020 jusqu’à le mois Avril.Donc il s’agit
du Blé dur.

10
D’après la courbe varie plusieurs fois. Donc il s’agit du Luzerne.

D’après la courbe on remarque que l’indice de végétation atteint

le maximum en mois Octobre 2019 et commence à diminuer en
mois janvier 2020 et commence à augmenter pour la deuxième
fois en mois de Avril 2020.
Cette culture correspond au Maïs.

D’après la courbe on remarque que l’indice de végétation atteint

le maximum en mois Décembre 2019 et commence à diminuer en
mois de Mars 2020 suivi d’une autre augmentation et récolté pour
la deuxième fois en mois juillet 2020.
Cette culture est sémilaire à celle du Paprika.

6.2 Classification Support Vector Machine (SVM)

La classification est faite sur le logiciel ENVI selon la méthode de classification supervisée SVM disponible
dans le menu Classification/Supervised/Support Vector Machine.

Figure 8 – Classification SVM.

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.

Figure 9 – Comparaison visuelle de la classification SVM.

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.

6.3.2 Matrice de confusion

C’est une matrice carrée de dimension égale au nombre de classes, et dont un élément est égal au pour-
centage d’objets classés qui auraient dû appartenir à la classe.

12
 Figure 10 – Matrice de confusion de la classification SVM.

6.3.3 Précision globale

La précision globale est égale au nombre total de pixels correctement classifiés (diagonale de la matrice
de confusion) divisé par le nombre total de pixels de vérification. D’après Singh 1986, cette valeur mesure la
précision de l’image toute entière sans aucune indication sur la précision des classes individuelles (AAZIZE
et FAKIRI, 2015).

Précision globale
83.54 %
9785 Pixels bien classés

6.3.4 Coefficient Kappa

Le coefficient Kappa est un indicateur qui exprime la réduction proportionnelle de l’erreur obtenue par
une classification, comparée à l’erreur obtenue par une classification complètement au hasard. C’est un test
non paramétrique qui mesure le degré d’accord ou de désaccord entre différentes sources de données qualita-
tives représentant la même variable. Tout simplement un Kappa de 0,90 signifie que 90 % de la classification
n’est pas dus au hasard. Le modèle mathématique de calcul du coefficient Kappa se présente comme suit :

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 :

On a obtenu comme résultat :

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

Table 3 – Catégories de classification sur la base de Kappa

Coefficient Kappa
0.8

D’aprés le tableau on remarque qu’on a une bonne classification.

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

Table 4 – Caractéristiques des bandes spectrales de Sentinel-2 (Bratu, 2019)

17