Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

Imaginez que vous essayiez de trier une boîte géante et désordonnée de LEGO où chaque pièce ressemble presque exactement à la même, mais où certaines sont censées être des voitures rouges et d'autres des camions bleus. Maintenant, imaginez faire cela non pas avec vos mains, mais depuis l'espace, en regardant vers le bas un patchwork de fermes comme un couvre-lit de patchwork où de minuscules champs sont emmêlés comme un nœud de laine. C'est le défi de la « cartographie du type de culture » dans l'agriculture à petite échelle. Les scientifiques utilisent des satellites pour prendre des photos de la Terre, mais lorsque les agriculteurs plantent différentes cultures les unes à côté des autres dans de petites parcelles irrégulières, les couleurs (ou « signatures spectrales ») des plantes se mélangent souvent. C'est comme essayer de faire la différence entre une fraise et une framboise en regardant simplement une photo floue à un kilomètre de distance. Pour résoudre cela, les chercheurs doivent être intelligents sur le moment où ils prennent la photo. Tout comme une chenille ressemble différemment à un papillon, les cultures changent de « tenue » (couleur et forme) au fur et à mesure qu'elles poussent au fil des saisons. En attendant le moment parfait dans le cycle de vie de la plante et en utilisant des ordinateurs puissants pour analyser les données, les scientifiques peuvent démêler le fouillis et voir exactement ce qui pousse où. Cela importe car savoir ce que les agriculteurs cultivent nous aide à gérer l'eau, à prédire les approvisionnements alimentaires et à protéger l'environnement.

---

La grande histoire du détective des cultures : Démêler l'énigme des fermes iraniennes

Au cœur de la province de Chaharmahal-Va Bakhtiari en Iran se trouve le comté de Saman, un lieu célèbre pour ses amandes et ses pêches. Mais voici le hic : le paysage est un désordre chaotique et magnifique. Imaginez une salade géante où des vergers d'arbres fruitiers sont mélangés à des champs de blé, de riz et d'orge, tous entassés dans de minuscules parcelles irrégulières. Pour un satellite regardant vers le bas, cela ressemble à un mélange confus de vert. Les arbres et les cultures céréalières ont souvent l'air si similaires que les photos satellites standards ne peuvent pas les distinguer. C'est comme essayer d'identifier une personne spécifique dans une foule où tout le monde porte le même sweat à capuche vert.

Une équipe de chercheurs a décidé de percer ce code en utilisant un terrain de jeu numérique super puissant appelé Google Earth Engine (GEE). Considérez GEE comme une immense bibliothèque basée sur le cloud qui détient presque toutes les photos que les satellites Sentinel-2 ont jamais prises. Au lieu de télécharger des téraoctets de données sur un seul ordinateur, les chercheurs ont utilisé ce géant du cloud pour passer au crible des années d'images instantanément.

Le « Quand » importe plus que le « Quoi »

Le premier grand obstacle était le timing. Si vous prenez une photo d'un pêcher et d'un champ de blé au milieu de l'hiver, ils sont tous deux bruns et dormants. Si vous prenez une photo au début du printemps, ils peuvent tous deux ressembler à des blocs verts génériques. Les chercheurs ont réalisé que pour les distinguer, ils devaient les attraper au moment exact où leurs « personnalités » divergeaient.

Ils ont traité les cultures comme des acteurs sur une scène, chacun ayant son propre emploi du temps. Certaines cultures, comme les cerises et les noix, ont atteint leur pic tôt en été (mai à juillet) puis ont commencé à s'estomper lorsqu'elles étaient récoltées. D'autres, comme les pêchers et les amandiers, sont les tardives, restant discrètes au début de l'été pour ensuite exploser de croissance verte en août et septembre. Les vignes étaient les constantes, poussant lentement et régulièrement tout au long de la saison.

Pour trouver le moment parfait pour déclencher la photo, l'équipe a utilisé un outil mathématique appelé l'indice de Divergence Transformée (TD). Vous pouvez considérer le TD comme un « compteur de différence ». Il mesure à quel point deux groupes de cultures se ressemblent différemment l'un de l'autre. Si le compteur est bas, les cultures se ressemblent trop (mauvais pour le tri). S'il est élevé, elles sont distinctes (excellent pour le tri).

En faisant tourner ce « compteur de différence » sur des données mensuelles de 2020 à 2022, ils ont découvert une fenêtre dorée : de mai à septembre. Pendant ces cinq mois, les cultures étaient à leur moment le plus distinct. Le « compteur de différence » a montré que les cultures se séparaient clairement, rendant possible la distinction entre un pêcher et un champ de blé avec une grande confiance. Ils ont découvert qu'ils n'avaient pas besoin de chaque photo disponible ; seulement cinq instantanés mensuels soigneusement choisis suffisaient pour faire le travail, réduisant le volume de données d'environ 60 % tout en gardant une précision très élevée.

Ajouter l'indice de la « Topographie »

Mais même avec le timing parfait, certaines cultures se ressemblaient encore trop. Les amandes et les cerises, par exemple, ou les noix et les pommes, peuvent paraître très similaires depuis l'espace. Ainsi, les chercheurs ont ajouté une arme secrète : la topographie.

Imaginez le paysage comme un gâteau géant et irrégulier. Certaines parties sont plates, certaines sont escarpées, et certaines font face au soleil tandis que d'autres se cachent dans l'ombre. Les chercheurs ont réalisé que différentes cultures ont des « endroits préférés » spécifiques sur ce gâteau.

• Le riz ne pousse que dans les zones plates et basses où l'eau stagne (comme une baignoire inondée).
• Les pêchers aiment les pentes ensoleillées orientées vers le sud.
• Les noyers préfèrent les côtés plus frais, orientés vers le nord, pour conserver l'humidité.
• Les amandiers sont robustes et traînent sur les pentes sud chaudes et sèches à des altitudes plus élevées.

En nourrissant l'ordinateur avec une carte de la hauteur du terrain (DEM), de la pente et de l'orientation (aspect), les chercheurs ont donné à l'algorithme une « mémoire géographique ». Il ne se contentait plus de deviner basé sur la couleur ; il disait : « Cette tache verte est sur une colline escarpée orientée vers le nord, c'est donc probablement un noyer, pas une pomme. » Cette couche supplémentaire d'information a aidé à démêler les cultures qui se ressemblaient encore trop.

L'algorithage magique : Forêt Aléatoire (Random Forest)

Avec le timing parfait et les indices topographiques en main, l'équipe a utilisé un algorithme d'apprentissage automatique appelé Forêt Aléatoire (Random Forest - RF). Si vous imaginez une forêt de décideurs, chacun posant une question simple comme « Est-on en mai ? » ou « La pente est-elle raide ? », la Forêt Aléatoire est une foule de centaines de ces décideurs votant ensemble. Parce que tant d'« arbres » votent, la décision finale est incroyablement intelligente et résistante aux erreurs.

Ils ont entraîné cette forêt numérique en utilisant 1 500 points réels qu'ils ont visités sur le terrain avec des appareils GPS. Ils ont montré à l'ordinateur 70 % de ces points pour apprendre les modèles, puis l'ont testé sur les 30 % restants pour voir s'il pouvait deviner correctement sans aide.

Les résultats : Un taux de réussite de 95 %

Le résultat fut une carte d'une précision stupéfiante de tout le comté. L'ordinateur a correctement identifié les types de cultures 95 % du temps. C'est un succès massif pour un paysage aussi désordonné et compliqué.

• Les amandiers étaient les rois de la colline, couvrant plus de 65 % des terres agricoles.
• Les pêchers et les noyers arrivaient en deuxième et troisième position.
• Les cultures annuelles comme le riz et le blé/l'orge étaient les pièces les plus petites et éparpillées du puzzle.

Les chercheurs ont même vérifié leur travail par rapport aux registres officiels du gouvernement (l'Annuaire Statistique Agricole). La carte qu'ils ont créée correspondait presque parfaitement aux chiffres du gouvernement, avec un score de corrélation de 0,96. Cela signifie que la carte n'était pas seulement une belle image ; c'était un outil fiable qui pouvait être utilisé pour compter les cultures avec précision.

Pourquoi cela importe

Cette étude prouve que vous n'avez pas besoin d'un système super complexe et coûteux pour cartographier de petites fermes désordonnées. En combinant un timing intelligent (attendre la bonne saison), la connaissance du terrain (topographie) et l'utilisation d'un puissant ordinateur en nuage, vous pouvez démêler même les paysages agricoles les plus confus.

Les chercheurs ont montré qu'en masquant les maisons et les rivières (qui peuvent ressembler à des cultures et confondre l'ordinateur) et en se concentrant sur les mois spécifiques où les cultures paraissent les plus distinctes, on peut obtenir une image claire de ce qui pousse. Cela aide les planificateurs locaux à mieux gérer l'eau, à prédire les récoltes et à s'assurer que la terre est utilisée de manière durable. C'est un rappel que parfois, la meilleure façon de voir toute la forêt est d'attendre la bonne saison et de regarder les arbres sous le bon angle.