Combinaison de données optique et radar pour l’estimation de l’humidité du sol en milieu agricole

L'humidité du sol est essentielle pour les surfaces agricoles. Des variations importantes d’'humidité du sol peuvent affecter grandement le rendement agricole. L'état hydrique du sol devient donc un facteur important pour la croissance des cultures. Les changements climatiques affectent la disponibilité de l'eau dans les couches du sol. Pour une meilleure gestion du stress hydrique ou de l'asphyxie des plantes, dus respectivement à un manque ou à un excès d'humidité du sol, la mise en œuvre de méthodes de surveillance de l'humidité du sol est nécessaire. Or, l'humidité du sol est très variable dans le temps et l'espace en raison de sa dépendance à plusieurs paramètres dont la texture du sol, les précipitations et la topographie. Par conséquent, la connaissance de la teneur en eau de surface du sol à une échelle spatiale et temporelle élevée présente un grand défi. Ainsi, l’objectif de cette étude est de contribuer à l’amélioration de l’estimation de l’humidité du sol sur les zones agricoles, et ce, en combinant les données satellites radar et optiques à l’aide d’une méthode de détection des changements. L'étude repose sur la complémentarité des données optiques et radar et porte sur l'application d’un algorithme existant sur un site présentant une variabilité suffisante en termes de types de cultures et de texture du sol. L’humidité du sol est estimée à deux niveaux d’échelle : à l’échelle du champ et à l’échelle du pixel (30 m). En outre, une étude est menée pour analyser les limites de l'algorithme. La zone d'étude est le site de l'expérience terrain Soil Moisture Active and Passive (SMAP) tenue au Manitoba en 2016 (SMAPVEX16-MB) en vue de supporter les activités de validation des produits du satellite SMAP. Au cours de cette campagne, les caractéristiques du sol (humidité du sol et rugosité) et les données de végétation (biomasse, LAI, etc.) ont été collectées dans 50 champs, d'environ 800 m x 800 m, chaque. De plus, l’étude bénéficie de données in situ issues de stations permanentes de mesures d’humidité du sol du réseau Realtime In-situ Soil Monitoring for Agriculture (RISMA) et de stations temporaires. La base de données satellitaires est constituée de données radar (Radarsat-2 et Sentinel-1) et de données optiques multi-sources (Sentinel-2, Landsat-8, Rapideye et, Planetscope) afin de garantir une fréquence temporelle élevée (environ sept jours). Les images radar ont été normalisées à un angle d'incidence de 33° pour réduire la dépendance angulaire des coefficients de rétrodiffusion, suivi d'une réduction du chatoiement. Les données optiques fournissent des informations sur la végétation dont la prise en compte facilite l'estimation de l'humidité du sol à partir des données radar. Le coefficient de rétrodiffusion est extrait à l'échelle du champ et du pixel en utilisant les images radar préalablement prétraitées. Ensuite, la différence des coefficients de rétrodiffusion est calculée entre deux acquisitions consécutives, pour une cellule donnée (i, j). L'indice de végétation par différence normalisée (NDVI) calculé à partir des images optiques multi capteurs a été harmonisé pour réduire l'effet des différents paramètres des capteurs, aux deux niveaux d'échelle. Cet indice est également moyenné entre deux acquisitions consécutives pour une cellule donnée (i, j). Pour la méthode de détection des changements adoptée dans cette étude, nous avons représenté, pour chaque niveau d'échelle, la différence des coefficients de rétrodiffusion en fonction du NDVI moyenné entre deux acquisitions consécutives. Enfin, la relation obtenue à partir de cette représentation est utilisée dans une approche itérative pour déterminer l'humidité du sol, à l’échelle du champ et à l’échelle du pixel, pour la prochaine date d'acquisition. Pour effectuer l'itération, l’algorithme considère une valeur d'entrée d'humidité initiale du sol connue. À l'échelle du champ, pour l’ensemble des données, nous avons obtenu un RMSE = 0,07 m^3.m^(-3) et un coefficient de corrélation significatif R = 0,7 (p-value < 0,05) entre l'humidité du sol estimée et mesurée. Ces résultats sont très proches de ceux obtenus pour des NDVI relativement élevés (NDVI > 0,6). Cependant, pour des conditions de faible végétation (NDVI < 0,6), les résultats sont meilleurs avec RMSE = 0,05 m3.m-3 et R = 0,83. À l'échelle du pixel, les résultats sont mauvais, avec un RMSE de 0,13 m3/m3, un coefficient de corrélation faible et non significatif de 0,14 (valeur p < 0,38) pour les NDVI inférieurs à 0,6; et un RMSE de 0,14 m3/m3, un coefficient de corrélation très faible et non significatif de 0,069 (valeur p < 0,48) pour les NDVI supérieurs à 0,6.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.