Machine learning methods for automatic crop classification and prediction of yields on a large scale ; Méthodes d'apprentissage statistique pour la classification automatique des cultures et la prévision de rendements à grande échelle
Titel:
Machine learning methods for automatic crop classification and prediction of yields on a large scale ; Méthodes d'apprentissage statistique pour la classification automatique des cultures et la prévision de rendements à grande échelle
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
La principale thématique étudiée dans ce travail concerne l'identification des types de cultures par imagerie satellite radar avec des modèles d'apprentissage statistique. L'identification des cultures permet le suivi automatique de la couverture du sol et l'estimation des surfaces plantées ainsi que l'amélioration de la prévision des rendements agricoles, c'est l'autre sujet traité dans ce travail. Pour ces travaux, nous avons pu compter sur un allié majeur, l'imagerie satellitaire qui fournit des images multi-temporelles à haute résolution offrant une réelle opportunité de suivre l'évolution des propriétés réflectives des plantes durant leur croissance, en fonction des variations liées à la phénologie et au pédoclimat. Nous utilisons l'imagerie radar Sentinel-1 assurant une indépendance vis-à-vis des conditions climatiques. Notre approche pour la reconnaissance des cultures est basée sur l'utilisation de la dynamique de croissance des plantes pouvant être capturée par l'imagerie satellite pour discriminer les cultures. Il s'agit d'une approche par pixels pour laquelle nous avons choisi d'utiliser deux modèles supervisés d'apprentissage statistique, les réseaux de neurones récurrents LSTM et les réseaux de convolution CNN. Notre approche est conçue de telle sorte que le modèle puisse produire une évaluation du couvert végétal sans avoir à labelliser des parcelles en début de campagne, opération complexe à réaliser. Nous avons donc cherché à calibrer les modèles en utilisant les données des campagnes précédentes. Nous proposons une méthode dans laquelle le développement phénologique de la plante est considéré pour l'identifier en utilisant le concept du temps thermique. Cela permet de compenser la variabilité inter-annuelle, qu'elle soit pédo-climatique, liée aux caractéristiques de la culture comme la résistance aux épisodes de gel, ou due aux pratiques culturales. L'identification des cultures peut servir l'amélioration des prévisions de rendement résultant d'une meilleure connaissance des surfaces plantées. ...