Imagerie radar en ondes millimétriques appliquée à la viticulture

Systèmes GNSS

                  La majorité des machines agricoles pour la PA utilise les systèmes GNSS pour se géolocaliser. Les premières utilisations des systèmes de géolocalisation par satellites en agriculture datent du début des années 1990 [17] avec la mise en service pour les applications civiles des systèmes GPS et GLONASS. Le développement croissant des systèmes GPS dans le domaine agricole est représenté sur la Figure 4 par les chiffres obtenus lors de l’enquête effectuée par CropLife et Purdue University auprès des mêmes concessionnaires. En 2017, 78% des concessionnaires agricoles interrogés proposent des véhicules guidés automatiquement par GPS, un chiffre en hausse constante depuis le milieu des années 2000, et qui a tendance à remplacer les véhicules par navigation GPS manuelle depuis 2010 (66% des concessionnaires proposaient des véhicules par navigation GPS manuelle en 2010, contre 55% en 2017). Parmi les véhicules GPS automatiques, on peut citer les tracteurs autonomes de CNH [18]. Une autre utilisation grandissante du GPS intervient dans les applications de logistique (34% en 2017). Le système DGPS (Differential GPS) était déjà préféré par rapport au SA (Selectivity Availability) et permettait d’obtenir des positions avec une précision de ±5 mètres. Par la suite, la méthode RTK (Real-Time Kinematic) ou CPGPS (Carrier-Phase enhancement pour le GPS) a permis dès la fin des années 1990 des navigations dans les champs avec une précision inférieure à 10 centimètres (van Zuydam, 1999 [19]). En revanche, une telle précision ne semble pas forcément nécessaire pour la majorité des applications. En effet 69.9% des concessionnaires agricoles interrogés en 2015 (CropLife et Purdue University [15], [16]) utilisent le système de navigation aérien du gouvernement américain WAAS (Wide Area Augmentation System) qui offre une précision de 1 mètre.

Technologies à taux variable

                 L’ensemble des données mesurées et géolocalisées peut être une aide à la décision pour l’application de différentes tâches (utilisation d’intrants, défrichage, récolte …). Ces tâches adaptées en fonction du lieu et/ou de la période de l’année sont assimilées par des engins agricoles (véhicules, robots) automatisés et représentent ce qu’on appelle les VRT. L’expression variable rate a été introduit durant la même période que l’expression precision agriculture au début des années 1990 [11] et représente la finalité ou la décision prise par l’agriculteur (ou le système en cas d’automatisation) en fonction des données de mesure. Sur la Figure 5 sont représentés les différents services VRT proposés par les concessionnaires agricoles américains selon l’enquête effectuée par CropLife et Purdue University [15], [16]. La plupart de ces services sont en constante progression. En particulier, 78% des concessionnaires proposent des VRT pour les fertilisants, et les services VRT proposés pour les semis ont augmenté de 24% à 50% entre 2013 et 2015. Les VRT sont en général des modules ou accessoires souvent associés à des véhicules comme les tracteurs, mais de plus en plus de projets développent des robots.

La viticulture de précision dans la recherche

                    La PV fait son apparition en 1999, une dizaine d’années après la PA, par Bramley & Proffitt [75] en Australie et Wample et al [76] aux Etats-Unis. Bramley et al avec le CRC Australia (Cooperative Research Center for Viticulture) avaient mis en place un protocole pour cartographier et analyser le rendement des vignes. Il consistait à géolocaliser par DGPS (précision de ±50cm) le rendement mesuré par les outils du commerce, et proposait des techniques d’interpolation surfacique (généralement du krigeage) pour cartographier le rendement. Cette cartographie pouvait se superposer à d’autres couches de données comme par exemple la conductivité du sol, et l’ensemble de ces données étaient accessibles via un logicielinformatique GIS. Ce projet réunissait alors à la fois plusieurs domaines technologiques déjà cités en partie 1.2 : la géolocalisation, la gestion des données, et de la télédétection ou détection proche. Depuis, la recherche en PV s’est développée dans plusieurs autres pays. C’est sans surprise que la majorité des travaux de recherche sur la PV depuis 1999 sont originaires d’établissements situés dans des pays où la viticulture y est fortement développée. Sur la Figure 9 sont représentées les contributions à la recherche sur la PV pour différents pays. Sur les 287 publications répertoriées (à partir des bibliothèques numériques IEEExplore, ACSESS, Science Direct et ResearchGate mentionnant le mot-clé precision viticulture), plus de la moitié sont originaires du trio méditerranéen Espagne (21%), Italie (19%) et France (15%). 171 de ces publications de recherche concernent spécifiquement la télédétection ou détection proche en PV et sont répertoriées en différents thèmes sur la Figure 10. On constate que l’utilisation de capteurs multispectraux est prédominante (35%). Elle est intimement liée à la mesure du NDVI (Normalized Difference Vegetation Index) qui reste un indice de végétation présentant beaucoup de corrélation avec des paramètres physiologiques et structurels des vignes. L’analyse des sols, et plus précisément la mesure de la conductivité électrique, est aussi prédominante (15%) car les variabilités géologiques du sol sont souvent fortement corrélées aux variabilités qualitatives des grappes au sein d’une même parcelle de vignes. Les autres technologies de télédétection, en particulier les instruments de mesure radar, ne semblent pas concurrentielles. Les WSN (Wireless Sensor Network) sont très souvent utilisés pour mesurer des données environnementales (ensoleillement, température, pression, vent …) [77],[78] et parfois intégrés à des services GIS en réseau [79]. Concernant les vecteurs d’utilisation, beaucoup de mesures sont effectuées à terre (38% des publications concernées), notamment pour étudier certaines propriétés du sol ou caractéristiques des vignes (par exemple la détection de grappes ou de maladies). L’imagerie par satellite est toutefois très récurrente et reste associée aux mesures multispectrales et hyperspectrales de capteurs embarqués. L’utilisation d’UAV devient aussi populaire et a tendance à se substituer aux mesures par satellites ou aéroportées pour l’analyse des variabilités sur des images, sur des exploitations à faible densité végétale. D’après Matese et al [80], les UAV sont une solution plus économique pour des surfaces de vignobles comprises entre 5 ha et 50 ha.

L’humidité du sol

                       L’humidité du sol (EN : soil moisture), tout comme le stress hydrique, est un indicateur important sujet à de fortes variabilités spatiales et temporelles.
➢ L’utilisation de caméras thermiques infrarouges au sol et aéroportées sont étudiées par Soliman et al [130] pour corréler l’inertie thermique du sol d’un vignoble recouvert d’herbe avec son humidité. Les mesures se font à l’aube et au crépuscule.
➢ La réflectométrie temporelle (TDR) est aussi utilisée pour mesurer l’humidité des sols. Cette technologie utilise des sondes implantées dans le sol. Des corrélations ont été établies entre le NDVI et l’humidité des sols [131].

Erreurs générées par le bruit

                 Trois paramètres principaux issus du radar FM-CW peuvent limiter ou détériorer les estimations d’une variation des niveaux d’écho radars :
➢ Le seuil de détection du radar FM-CW, modélisé ici par la moyenne ?ఓ d’un bruit gaussien.
➢ Le bruit généré par le radar (et l’environnement), modélisé par l’écart-type ?? d’un bruit gaussien.
➢ Le seuil de saturation, qui est supposé suffisamment élevé pour éviter une saturation des niveaux d’écho.
Pour mettre en évidence l’influence des paramètres ?ఓ et ??, on calcule 100 fois la valeur des estimateurs pour un seuil de détection du radar d’environ ?ఓ=-33,2dB et un bruit gaussien d’écart-type ??=±1,5dB. Les valeurs et variations des estimateurs sont représentées sur la Figure 22 pour (a) eMax, (b) eA et (c) eW. Pour les trois estimateurs, ?? dégrade la précision de l’estimation et celle du modèle linéaire, tandis que ?ఓ dégrade la linéarité de l’estimation, comme on peut le remarquer pour des valeurs faibles des estimateurs eA et eW proches de ?ఓ. En revanche, si l’on observe la variation relative des valeurs des estimateurs (définie comme le rapport entre l’écart-type et la valeur moyenne de l’estimateur) reportée sur la Figure 22 (d), on observe des variations plus fortes de l’estimateur eMax (autour de 12%) contrairement à celles des estimateurs eA et eW dont les valeurs varient autour respectivement de 0,25% et 2%. La raison de cette plus faible variation est un effet de moyenne spatiale qui minimise l’influence de ??. On peut donc raisonnablement supposer d’après ces simulations qu’en cas de diminution du rapport signal sur bruit, la précision de l’estimateur eMax se dégrade.

Go / No go ?

                  Quelques mois avant le commencement des travaux de thèse, des tests préliminaires sont effectuésafin de répondre à deux questions essentielles :
(i) Les grappes de raisins sont-elles détectables avec un radar microondes ?
(ii) Peut-on mesurer des variations de volume par une interrogation radar ?
Une réponse négative à l’une de ces questions empêcherait alors l’accomplissement de l’objectif principal, à savoir estimer le rendement des grappes par une analyse volumétrique. La deuxième question a été abordée en profondeur en partie 3. En revanche, la question de la réflectivité des grappes de raisin se doit d’être validée. L’idée est de considérer la grappe comme un objet constitué majoritairement d’eau et capable de réfléchir fortement les ondes électromagnétiques. En effet, l’eau possède une permittivité relative élevée allant de İr=80 à 0Hz jusqu’à İr=8-10j à 122GHz à une température de 20°C [183]. L’idée est alors d’utiliser les fréquences microondes, proches ou inférieures aux longueurs d’ondes millimétriques, afin de pouvoir détecter des cibles de la taille au minimum d’une « petite » grappe (quelques centimètres). En 2014 était disponible au laboratoire un radar FM-CW fonctionnant à 30GHz (longueur d’onde de 1cm) fabriqué lors de précédents travaux de thèse (Chebila, 2011 [184]) dont une illustration est disponible ci-dessous (Figure 75). Le VCO possède une zone de linéarité entre 29,0GHz et 29,7GHz, permettant d’obtenir une résolution en profondeur ݀ = ௖ଶ.஻= ʹͳܿ݉ où c représente la vitesse de la lumière dans le vide et B=700MHz la bande modulation du radar. Le signal de modulation choisi est un signal triangulaire de 1kHz et le spectre de battement est visualisé avec Matlab® comme illustré sur la Figure 76. Il semble qu’un effet de sur-échantillonnage génère des pics d’amplitude périodiques sur le spectre (en bleu). Un filtre passe-bas est alors appliqué pour supprimer cet effet périodique (en rouge). Le radar FM-CW est utilisé en combinant en transmission une antenne parabolique d’un gain de 33dBi et d’un angle d’ouverture de 2°. La zone illuminée par le radar est alors beaucoup plus réduite que pour un cornet classique. Un balayage azimutal (manuel) de l’antenne est ensuite effectué entre ±15° avec un pas de 1°. À chaque direction d’interrogation, le spectre de battement est enregistré, permettant d’obtenir au final un spectre en 2D en coordonnées polaires. Pour répondre aux deux questions posées en début de section, la série de mesures ci-dessous est effectuée :
➢ Mesure d’une grappe de raisin seule,
➢ Mesure de grappes de raisin parmi des pieds de vignes,
➢ Mesure des pieds de vigne seuls,
➢ Mesures de cubes métalliques de différentes dimensions.
Les résultats obtenus (en laboratoire) pour les différentes mesures de grappes et de pieds de vignes sont reportés sur la Figure 77. La présence d’un écho radar bien distinctif à environ 2m sur la Figure 77 (a) lors de la mesure d’une grappe de raisin seule permet de confirmer la possibilité de détecter une grappe de raisin par interrogation radar microonde. Par ailleurs, les variations d’écho radars visibles entre les Figure 77 (c) et (e), c’est-à-dire en présence et en absence de deux grappes de raisin parmi de jeunes pieds de vigne permettent de confirmer la possibilité de détecter les grappes de raisins dans un environnement plus complexe composé de feuilles et de sarments. On remarque, par ailleurs, que les feuilles et les sarments génèrent aussi une rétrodiffusion électromagnétique avec laquelle il faudra composer lors de l’estimation du volume des grappes en conditions réelles. Sans pour autant détecter de manière évidente l’écho généré par les grappes de raisin, on remarque une concentration d’échos radar plus compacte en présence des fruits. Ce phénomène de « regroupement » des échos radar sera observé par la suite lors des mesures en conditions réelles (voir section 4.4.2.11). Afin d’étudier la possibilité d’estimer des volumes par interrogation radar microondes, les mêmes types de mesures en deux dimensions sont effectués sur des cubes métalliques de 3cm, 5cm et 7cm de côté. Les images radar sont affichées sur la Figure 78 et l’on remarque facilement une augmentation à la fois du niveau d’écho, mais aussi de la taille de l’écho radar avec les dimensions de la cible. On observe toutefoisune distorsion et séparation d’échos radar pour un cube métallique de 7cm de côté, pouvant s’expliquer par des lobes secondaires du spectre de battement. Un fenêtrage du signal serait alors nécessaire pourcorriger ces distorsions. L’ordre de grandeur des surfaces d’écho radar mesurées des trois cubes est respectivement de 75cm², 414cm² et 912cm² pour une valeur de niveau d’écho  supérieure à -25dB. Les différents résultats préliminaires présentés ici montrent qu’il est tout à fait possible de détecter par interrogation radar microonde une grappe de raisin, et d’estimer le volume d’une cible par une analyse d’amplitude d’écho ou de surface d’écho radar. Ces tous premiers résultats ont permis le démarrage de la thèse et confortent l’idée d’une estimation possible du rendement viticole par radar microonde FM-CW, et sont à l’origine du dépôt d’un brevet par Ovalie-Innovation et le LAAS-CNRS [185].

Table des matières

Introduction générale
1. Agriculture de précision
1.1. Origines
1.2. Domaines technologiques
1.2.1. Géolocalisation et navigation
1.2.1.1. Systèmes GNSS
1.2.1.2. Systèmes LPS
1.2.2. Analyse et gestion des données
1.2.3. Lecture à distance
1.2.3.1. Lecture à distance par satellites
1.2.3.2. Lecture à distance proche
1.2.4. Technologies à taux variable
1.3. De l’agriculture de précision vers la viticulture de précision
2. Viticulture de précision
2.1. Contexte
2.2. Technologies utilisées en viticulture de précision
2.2.1. La viticulture de précision dans la recherche
2.2.2. Les solutions proposées en industrie
2.2.3. La détection de grappes et l’estimation du rendement
2.2.4. Le radar en viticulture de précision
2.2.5. Les autres caractéristiques mesurables en viticulture de précision par télédétection ou détection proche
2.2.5.1. La vigueur
2.2.5.2. La conductivité électrique apparente du sol
2.2.5.3. Les dimensions structurelles des rangées de vignes
2.2.5.4. La discrimination des variétés
2.2.5.5. Le stress hydrique
2.2.5.6. L’humidité du sol
2.2.5.7. L’altitude (topographie)
2.2.5.8. La détection de mauvaises herbes
2.2.5.9. La concentration en chlorophylle
2.2.5.10. La concentration en anthocyanine
2.2.5.11. L’état des greffes
2.3. Discussion
3. Application pour l’estimation de volumes et l’interrogation de capteurs passifs
3.1. Introduction
3.2. Simulations – Balayage en trois dimensions par radar FM-CW
3.2.1. Génération d’un chirp
3.2.2. Spectre de battement et résolution en profondeur
3.2.3. Balayage tridimensionnel
3.2.3.1. Résolution volumique
3.2.3.2. Affichage tridimensionnel de la rétrodiffusion d’une cible ponctuelle
3.2.4. Estimations d’une variation de la surface équivalente radar
3.2.5. Erreurs générées par le bruit
3.2.6. Distribution et fonction de répartition discrètes des niveaux d’échos
3.2.6.1. Définitions et application d’un bruit gaussien
3.2.6.2. Perturbation de la distribution discrète par la cible ponctuelle de SER variable
3.2.6.3. Modélisation d’une fonction de répartition continue ℱ
3.2.6.4. Définition d’un estimateur volumique
3.2.7. Influence du clutter
3.2.7.1. Calcul des estimateurs eMax, eA et eW
3.2.7.2. Calcul du niveau d’écho à partir d’un nombre de voxels constant
3.2.7.3. Calcul d’un volume à un niveau d’écho constant
3.3. Estimation du volume de cibles canoniques
3.3.1. Estimation d’une variation de volume d’une sphère métallique
3.3.1.1. Paramètres de mesures
3.3.1.2. Validation du modèle de simulation de ℱ
3.3.1.3. Estimation du volume
3.3.1.4. Recherche d’un estimateur optimal linéairement
3.3.2. Influence de la distance d’interrogation
3.3.2.1. Paramètres de mesures
3.3.2.2. Estimateurs du niveau d’écho et de volume
3.3.2.3. Estimateurs optimaux indépendants de R
3.3.3. Conclusion
3.4. Application pour l’interrogation à distance de charges variables et de capteurs passifs 
3.4.1. Introduction
3.4.2. Mode de structure et mode de détection
3.4.3. Balayage 3D de charges ON/OFF
3.4.3.1. Paramètres de mesures
3.4.3.2. Densité volumique de capteurs et affichage 3D
3.4.4. Interrogation 3D de charges d’impédances variables (0Ω, 17Ω, 30Ω et 50Ω)
3.4.4.1. Paramètres de mesures
3.4.4.2. Affichage 3D et limites de la densité volumique de capteurs
3.4.4.3. Estimations et distribution des niveaux d’écho
3.4.5. Interrogation 3D de charges d’impédances multiples
3.4.5.1. Paramètres de mesures
3.4.5.2. Affichage 3D par isosurfaces des niveaux d’échos
3.4.5.3. Définition d’une distribution continue et d’estimateurs
3.4.6. Interrogation 3D à distance d’un capteur de température passif
3.4.6.1. Caractéristiques de la thermistance et paramètres de mesure
3.4.6.2. Affichage 3D des niveaux d’écho radar en fonction de la température
3.4.7. Interrogation 3D à distance d’un capteur passif microfluidique
3.4.7.1. Design du capteur et paramètres de mesure
3.4.7.2. Affichage 3D et estimation de la position du ménisque
3.4.8. Interrogations 3D à longue distance d’un capteur passif d’humidité
3.4.8.1. Description du système radar et du capteur passif d’humidité
3.4.8.2. Interrogation radar du capteur passif d’humidité pour trois balayages différents
3.4.8.3. Interrogation radar du capteur passif à 1.3m et estimation de l’humidité relative
3.4.8.4. Interrogation radar du capteur passif à 10m et combinaison de balayages
3.4.8.5. Interrogation radar du capteur passif à 2.1m par un balayage de type « SAR »
3.4.8.6. Interrogation radar longue distance du capteur passif (58m)
3.4.9. Conclusion sur l’interrogation de capteurs passifs par radar FM-CW
4. Application à la viticulture
4.1. Introduction
4.2. Go / No go ?
4.3. Mesures en laboratoire
4.3.1. Premiers essais d’estimation du volume sur des cibles artificielles
4.3.2. Caractérisation de l’atténuation de l’écho radar due aux feuilles
4.3.3. Analyse de la rétrodiffusion électromagnétique pour différentes polarisations
4.3.3.1. Orientation de la grappe de raisin
4.3.3.2. Pied de vigne
4.3.3.3. Pied de vigne avec des feuilles
4.3.3.4. Pied de vigne avec des feuilles et ajout d’une grappe de raisin
4.3.3.5. Ajout d’un fil métallique horizontal dans la scène
4.3.4. Sensibilité de la détection du volume des grappes
4.3.5. Influence du vent
4.3.6. Influence de la rosée
4.3.7. Interférences des échos entre les grappes et les sarments
4.4. Mesures sur le terrain
4.4.1. Campagne de mesure de l’été 2016
4.4.1.1. Description du protocole de mesure
4.4.1.2. Rétrodiffusion électromagnétique du vignoble
4.4.1.3. Scan en 3D des pieds de vignes
4.4.1.4. Etude de la distribution des niveaux d’écho des pieds de vigne
4.4.1.5. Algorithme sélectif de génération de contours basé sur des critères surfaciques
4.4.1.6. Première estimation du volume des grappes de raisin
4.4.1.7. Répétabilité des mesures en présence de vent
4.4.2. Campagne de mesure de l’été 2017
4.4.2.1. Description du vignoble et des variétés de grappe
4.4.2.2. Protocole de mesure
4.4.2.3. Représentation tri-dimensionnelle de la rétrodiffusion électromagnétique des pieds de vignes
4.4.2.4. Algorithme sélectif de génération de contours basé sur la détection des maxima locaux
4.4.2.5. Choix du niveau d’écho initial
4.4.2.6. Estimation du rendement par analyse polarimétrique
4.4.2.7. Estimation du rendement au cours du développement de la grappe
4.4.2.8. Flexibilité de l’estimation par analyse polarimétrique
4.4.2.9. Estimation du rendement par analyse des amplitudes d’échos radar
4.4.2.10. Flexibilité de l’estimation par analyse d’amplitude à 122GHz
4.4.2.11. Effet de « regroupement » ou « dispersion » des échos radars
4.4.2.12. Représentation des contours en 3D
4.4.2.13. Orientation des rangées de vignes
4.5. Autre application : le comptage de pommes sur les pommiers
4.5.1. Contexte : Projet régional PRESTIGE
4.5.2. Système utilisé
4.5.3. Protocole de mesure
4.5.4. Mesures effectuées sur le terrain
4.5.5. Calibration entre la caméra et le radar
4.5.6. Génération des contours radar en trois dimensions
4.5.7. Détection de groupements de pommes et fusion des données optique/radar
4.5.8. Présence de pommes et effet de regroupement des échos radar
4.5.9. Estimation du nombre de bourgeons ou de pommes
4.5.10. Perspectives pour le comptage de pommes
4.6. Synthèse et perspectives
Conclusion générale
A. Annexes

Télécharger le rapport complet