Caracterization and long-term monitoring of vegetation cover phenology using machine learning models and moderate spatial resolution data

Abstract

L'évolution des modes d'utilisation des terres est d'une grande importance dans les études environnementales et critique pour la gestion de l'utilisation des terres dans les régions arides et semi-arides. Malheureusement, la rareté ou l'inadéquation des données au sol dans de nombreuses régions peut entraîner de grandes incertitudes lors de la caractérisation des changements phénologiques dans les régions arides et semi-arides, ce qui peut entraver la prise de décision adaptée vers les meilleures pratiques de gestion agricole. Alternativement, les méthodes de pointe pour l'extraction de métriques phénologiques et les techniques d'analyse de longues séries temporelles d'images de télédétection multispectrales offrent une solution viable. Dans ce contexte, cette thèse vise à évaluer la pertinence des données phénologiques et des algorithmes d'apprentissage automatique pour caractériser les changements sur les systèmes agricoles. Elle étudie également la force et la validité des données phénologiques combinées aux données climatiques pour fournir le premier zonnage phéno-climatique du Maroc. À cette fin, quatre systèmes agricoles (jachère (FA), zone pluviale (RA), culture annuelle irriguée (IAC), et culture pérenne irriguée (IPC)) dans les zones arides du Maroc ont été étudiés sur la base de 13 paramètres phénologiques (PhM). Ces métriques ont été dérivées de grandes séries temporelles MODIS-NDVI entre 2000 et 2020. Pour la classification et l'analyse des changements, trois algorithmes d'apprentissage automatique et une méthode d'analyse des changements basés sur les pixels ont été étudiés. En outre, de longues séries chronologiques de données climatiques (c'est-à-dire les données pluviométriques et la température à la surface du sol) et de métriques phénologiques ont été utilisées pour produire la première classification phéno-climatique du Maroc à une échelle de 500 m. La précision globale de la classification sur la région de Beni Mellal-Khenifra a atteint 88 %, avec un coefficient de kappa de 0,83 et des valeurs de score F1 supérieures à 0,76. Cependant, en comparant la précision des trois classificateurs (Support vector Machine (SVM), la Random Forest (RF) et les K Nearest Neighbor(K-NN)), la méthode RF a montré la meilleure performance avec une précision globale de 0,97 et un coefficient de kappa de 0,96. Les variations du FS se sont avérées être bien liées à d'autres indicateurs de la gestion locale des terres agricoles, ainsi qu'aux changements historiques de la sécheresse agricole dans la zone d'étude. Les résultats ont montré un dynamisme significatif de la couverture végétale lié au XI comportement des agriculteurs qui ont tendance à cultiver de manière intensive et à investir dans des cultures à haut revenu. Plus spécifiquement, une variabilité pertinente dans les zones de jachère et de culture pluviale étroitement liée aux conditions météorologiques a été trouvée. En outre, un décalage significatif entre le début (-6 jours) et la fin (+3 jours) de la saison a été constaté, ce qui indique que la durée de la saison est liée à la variabilité spatio-temporelle des précipitations. Cette étude a également mis en évidence le potentiel des données multitemporelles à résolution spatiale modérée pour surveiller avec précision l'agriculture et mieux gérer les ressources foncières. En attendant, pour mettre en œuvre de manière opérationnelle l'utilisation de ces travaux sur le terrain, nous pensons qu'il est essentiel de prendre en compte les perceptions, les opinions et les avantages mutuels des agriculteurs et des parties prenantes pour améliorer les stratégies et les synergies tout en assurant l'alimentation, le bien-être et la durabilité.