Assimilation des données pour l’estimation de la production de biomasse des prairies 

Les fenêtres d’extraction des données satellitaires

Dans le but de réduire le volume de données à traiter, une fenêtre de travail a été définie à l’intérieur des chacune des treize RFs . Chaque fenêtre est elle-même identifiée par le même numéro que la RF dont elle est extraite. Cette fenêtre de travail représente une surface de 25 km2 (5 x 5 cellules de 1 km2 chacune) pour des RFs de surface moyenne de 2000 km2.  Afin d’évaluer si cette fenêtre de 25 km2 est bien représentative de toute la RF, nous avons étudié la variabilité spatiale de trois RFs contrastées en termes de production, de topographie et de climat (2503, 2505 et 8301) . Les critères retenus pour le choix de ces régions concernent des variables qui peuvent avoir un effet sur la représentativité de la fenêtre et la précision de la déconvolution : la proportion de prairie, ainsi que la proportion et la nature des occupations du sol complémentaires de la prairie dans la RF. Cette information est fournie par la base de données Corine Land Cover . Pour cela, 9 fenêtres ont été définies à l’intérieur de chacune de ces RFs, en prenant en compte la plupart de la variabilité spatiale de la RF.

Le capteur VEGETATION : caractéristiques et produits

En 1998, le CNES (Centre National d’Etudes Spatiales) a mis en service le capteur VEGETATION à bord de la plateforme SPOT-4, avec le soutien financier de la Communauté Européenne. Ce capteur est consacré à trois objectifs spécifiques: la cartographie de certaines variables biophysiques à la surface de la terre, le suivi de la production agricole et le suivi et la modélisation du fonctionnement de la biosphère continentale.Par rapport au capteur Advanced Very High Resolution Radiometer (AVHRR) à bord des satellites de la série NOAA (National Oceanic and Atmospheric Administration) qui a fait l’objet d’un grand nombre d’études dans les vingt dernières années, le capteur VEGETATION présente plusieurs avantages (Weiss 1998):
au niveau spectral : l’existence de deux bandes supplémentaires dans les courtes longueurs d’onde donne accès à de nouvelles informations, la bande bleue (0.43-0.47 mm) qui permet de mieux caractériser l’état de l’atmosphère, et la bande moyen infrarouge (1.58-1.75 mm) qui aide à la description de certaines caractéristiques de la végétation ;
au niveau technologique, les distorsions géométriques dues à l’instrument sont beaucoup moins importantes, ce qui permet une meilleure superposition des images acquises aux différentes dates ;
l’analyse multi-échelle est possible grâce à la combinaison d’images VEGETATION (résolution spatiale de 1 km2) et d’images HRVIR (résolution spatiale de 20 m) provenant de la même plate forme SPOT-4.
Pour chaque acquisition, deux types de produits sont disponibles actuellement : il s’agit des produits de base journaliers (P) et des produits de synthèse (S). La différence principale qui réside entre eux est que les produits S sont corrigés des effets atmosphériques à partir de l’utilisation du modèle SMAC (modèle simplifié de correction atmosphérique (Rahman et Dedieu 1994, Berthelot et Dedieu 1997)) et donc exprimés en réflectance de surface. Le modèle est basé sur un ensemble d’équations décrivant le transfert radiatif dans l’atmosphère. Des formulations semi-empiriques
comportant des coefficients qui dépendent de la longueur d’onde sont utilisées pour décrire les différentes interactions (absorption, diffusion) du rayonnement solaire avec ses composantes atmosphériques pendant sa traversée dans l’atmosphère (Rahman et Dedieu 1994). Ces coefficients sont calculés spécifiquement pour VEGETATION avec le modèle 6S (Vermote et al. 1997).
Deux types de produits de synthèse sont disponibles : la synthèse journalière (S1) calculée à partir de la meilleure image acquise pendant une journée et la synthèse de dix jours (S10) calculée à partir de toutes les images acquises pendant une période de dix jours. Les périodes sont définies à partir du calendrier légal : du 1er au 10, du 11 au 20, du 21 à la fin de chaque mois. La qualité de ces produits est dérivée directement de la qualité de produits P. La synthèse entre différentes images est calculée en appliquant les règles suivantes: les pixels ne doivent pas être classés comme nuageux, et la valeur de chaque bande est attribuée à partir de la date qui correspond à la valeur la plus forte du NDVI au sommet de l’atmosphère (maximum NDVI). Pour chaque pixel sont calculés: les réflectances de surface dans les quatre bandes spectrales (1 km2 résolution spatiale), le NDVI (1 km2 résolution spatiale), et les conditions géométriques d’éclairement et de visée (64 km2 de résolution spatiale, angle zénithal de visée (VZA), angle zénithal solaire (SZA), angle azimutal de visée (VAA) et angle azimutal solaire (SAA)).

Le modèle de simulation STICS-Prairie et le système ISOP

Les modèles de simulation sont un outil commun pour de multiples applications agricoles et environnementales. Il en existe un grand nombre, tels que les modèles de la série CERES (Jones 1986 ; Whisler et al. 1986 ; Jones 1993) ou ArcWheat (Porter 1984). L’INRA a développé le modèle STICS (Simulateur MulTidiscIplinaire pour les Cultures Standard), qui simule les effets du climat, des sols et des pratiques agricoles principalement sur la croissance et le développement des cultures à pas de temps journalier (Brisson et al. 1998). Un de ses plus grands avantages est la simplicité d’adaptation à plusieurs types de cultures sans modifier la structure fondamentale du programme. Il a été conçu avec le souci de pouvoir simuler, par exemple, la succession de plusieurs cycles culturaux de nature différente dans une exploitation agricole. Dans les cas des prairies, il a été nécessaire de tenir compte des techniques agricoles spécifiques liées à l’existence de coupes multiples et à la pérennité du couvert (Ruget et al. 1999). Il est possible, par exemple, de simuler la production d’une prairie coupée en fonction des nécessités d’alimentation du bétail et non en fonction de l’état de développement des plantes. Le modèle offre plusieurs possibilités, comme, par exemple, celle de considérer une culture déjà en place (et non à partir d’un semis), ce qui nécessite une caractérisation de l’état du couvert par l’indice foliaire (LAI), la quantité de matière sèche présente, l’état hydrique et minéral (azote) du sol ainsi que l’indice de nutrition azotée et le stade de développement de la culture après la date de démarrage choisie. Ainsi muni de paramètres initiaux, le modèle général estime à pas de temps journalier l’évolution de l’indice foliaire, de la matière sèche produite, de la sénescence de matière sèche.
Le système ISOP (Information et Suivi Objectif des Prairies) a été mis au point grâce à une collaboration entre Météo-France, l’INRA et le SCEES. Ce système fournit des estimations de production des prairies à l’échelle de la Région Fourragère (RF) à partir d’un modèle de simulation (STICS-Prairie). Il s’agit d’obtenir une, et une seule, estimation de production par région fourragère et par type de prairie : étant donné la diversité des modes d’exploitation (nombre de coupes, niveaux de fertilisation) et des sols, même à l’intérieur d’une entité région fourragère*type de prairie, on a décidé de simuler un grand nombre de modes d’exploitation et de sols pour chaque région, puis de les pondérer en fonction de leur importance pour obtenir une seule valeur. On représente la production d’une entité région * type de prairie par la moyenne pondérée entre plusieurs estimations réalisées pour différentes conditions techniques et de sol. Les données d’entrée ont des résolutions différentes selon les variables (niveau d’information accessible).

Utilisation combinée de la télédétection et des modèles de simulation

Dans les vingt dernières années, plusieurs équipes de recherche ont étudié la possibilité d’utiliser de manière complémentaire l’information fournie par les différents capteurs dans les diverses longueurs d’onde et les modèles de simulation (Wiegand et al. 1986, Delécolle et Guérif 1988 , Maas 1988, Fisher et al. 1997, Moulin et al. 1998). En utilisant des techniques adaptées, il est possible de forcer un modèle de simulation à utiliser l’information spécifique liée à une culture, un sol, des techniques particulières de production ou certaines variables productives à partir d’une source extérieure de données. Parmi celles-ci, la télédétection est capable de fournir aux différents modèles de simulation des variables caractéristiques de l’évolution des cultures à l’échelle régionale comme il a été décrit dans l’introduction de ce travail. Parmi l’information qu’il est possible d’obtenir à partir de la télédétection, les caractéristiques de couverture végétale (LAI, pourcentage de couverture du sol), la composition biochimique de la biomasse aérienne ou la température de la surface, par exemple, sont les plus utilisées. À partir de cette information, deux techniques particulières existent pour l’assimilation des données: le forçage et le ré-étalonnage. Le forçage consiste principalement à utiliser l’information satellitaire pour prédire certaines caractéristiques biophysiques de la culture comme variables d’entrée du modèle. Cette méthode a été appliquée au modèle blé ARCWHEAT (Delécolle et Guérif, 1988), en forçant le LAI. Elle a également été appliquée à un modèle plus simple basé sur une décomposition en efficiences , en forçant l’efficience d’interception avec des données satellitaires SPOT à haute résolution (Leblon et al. 1991). Cette technique exige une bonne description de l’évolution temporelle des variables estimées. Elle n’est appplicable en conditions opérationnelles qu’à partir de capteurs à haute répétitivité temporelle, qui présentent aussi une basse résolution spatiale. La méthode a ainsi été appliquée avec des données satellitaires à basse résolution (NOAA) sur blé dur en Algérie (Guérif 1989).
De cette manière, les données à haute répétitivité temporelle acquises par télédétection permettent de forcer le modèle à partir de l’estimation de ije . Cette méthodologie a été appliquée avec succès avec des données satellitaires de haute résolution (SPOT) ainsi qu’avec des données satellitaires de basse résolution (NOAA) sur blé dur en Algérie (Guérif 1989 ; Leblon et al. 1991).

Table des matières

INTRODUCTION
Contexte général
Objectif et plan d’étude
CHAPITRE 1: Zones d’étude, outils et données 
1.1 Les zones d’étude 
1.1.1 Les régions fourragères (RF)
1.1.2 Les fenêtres d’extraction des données satellitaires
1.2 Outils 
1.2.1 L’information satellitaire et la désagrégation des pixels
1.2.2 Le modèle de simulation STICS-Prairie et le système ISOP
1.2.2.1 Données climatiques
1.2.2.2 : Données pédologiques
1.2.2.3 : Données techniques
1.2.2.4 : Particularités d’ISOP et principaux dangers
1.2.3 Utilisation combinée de la télédétection et des modèles de simulation
1.3 Les données 
1.3.1 Les données de télédétection
1.3.1.1 Désagrégation des données VEGETATION (modèle subpixel)
1.3.1.2 Filtrage de données satellitaires
1.3.1.3 Obtention des données élaborées
1.3.2 Les données de croissance
1.3.3 Les données d’assimilation
CHAPITRE 2 : Désagrégation de l’information à l’échelle intra pixel 
2.1 Analyse de résultats
2.2 Effet de la paramétrisation de l’information sur la qualité de la désagrégation
2.2.1 L’effet du nombre de thèmes
2.2.2 L’effet de la proportion des thèmes
2.3 Représentativité des fenêtres d’étude
2.4 Conclusions partielles
CHAPITRE 3 : Mise en relation des données issues du modèle STICS-Prairie et du capteur
VEGETATION
3.1 Relations entre variables satellitaires et variables de croissance 
3.1.1 Relation LAI-NDVI pour les différentes RF
3.1.2 Etablir les meilleures relations entre les estimations du modèle et les données de réflectance
3.1.3 LAI estimé vs LAI observé
3.2 Conclusions partielles
CHAPITRE 4 : Assimilation des données pour l’estimation de la production de biomasse
des prairies
4.1 Etablissement de la relation LAI – SWVI
4.2 Amélioration de la relation SWVI/LAI en valeur prédictive en vue de l’assimilation
4.3 Mise en œuvre de l’assimilation
4.4 Conclusions partielles
CONCLUSIONS GÉNÉRALES

Télécharger le rapport complet