CHAPITRE 1. CONTEXTE ET ÉTAT DE L’ART :
3. L ES SYSTEMES D ’ ALERTE PRECOCE POUR LA SECURITE ALIMENTAIRE EN A FRIQUE DE L ’O UEST
3.2. Les données d’entrée des systèmes d’alerte précoce pour le suivi agricole
3.2.1. Les données satellitaires
3.2.1. Les données satellitaires
D’après les différents types de capteurs et d’images décrits précédemment, nous avons pu voir que pour le suivi de l’agriculture à l’échelle globale, ce sont les images à moyenne ou basse résolution spatiale et à haute fréquence temporelle qui sont utilisées. Ces images servent à localiser les cultures et à suivre leur état. D’autres images à plus haute résolution peuvent ensuite être utilisées pour la caractérisation de ce que nous avons appelé les « systèmes agricoles ».
L’estimation de la production agricole se déroule en 4 étapes : i) la cartographie des superficies emblavées par culture chaque année, ii) la détection d’anomalies par rapport à une année précédente, iii) le couplage de ces résultats à un modèle de plante, des données météorologiques et/ou des statistiques agricoles pour prévoir le rendement, et iv) la prévision de production en tant que telle. Dans chacune des trois premières étapes, des données satellitaires sont utilisées. Quelles sont-elles ?
Nous donnerons en exemple les deux systèmes d’alerte existants les mieux renseignés, à savoir le GMFS et le FEWS NET, et leur utilisation des données de télédétection. Le GMFS est déployé en Ethiopie, au Soudan, au Sénégal, au Zimbabwe, au Mozambique et au Malawi, et ne fournit donc aucune donnée sur le Mali ; cependant, ce système d’alerte est très bien renseigné et sa méthode mérite d’être analysée.
Tableau 3 : Données et méthodes utilisées par les systèmes d’alerte FEWS NET et GMFS pour la cartographie et le suivi des surfaces cultivées.
Cartographie des cultures
Le GMFS propose des cartes du domaine cultivé à l’échelle nationale, générées chaque année, à partir d’images multi-temporelles ENVISAT-MERIS-FR (Tableau 3). Pour caractériser le
Surfaces Détection d'anomalies Suivi agro-climatique Pays d'Afrique concernés
Données ENVISAT-MERIS SPOT VEGETATION et
ENVISAT-MERIS METEOSAT
Méthodes
Classification sur images à haute résolution + réseau de neurones pour le calcul de pourcentage de chaque occupation du sol dans un pixel MERIS
Cartes d'indicateurs de productivité de la végétation + carte de fAPAR tous les 10 jours, à comparer aux saisons précédentes pour prévenir les évènements extrêmes
Cartes d'estimations des pluies, et du "Dry matter productivity" qui mesure le taux de croissance de la plante
Données Landsat, Ikonos et Quickbird
NOAA-AVHRR et MODIS-TERRA via le NDVI.
Croisement des données NOAA-AVHRR et
MODIS-TERRA avec le RFE
Méthodes
Classification sur images à haute résolution sur des sites test. Le Zimbabwe a été cartographié entièrement récemment.
Comparaison de l'année en cours avec la moyenne du NDVI des années précédentes.
Incorportation dans un modèle de plante. Performance de la culture en fonction de la disponibilité en eau par des cartes de Water Requirement Satisfaction Index (WRSI) FEWSNET GMFS Ethiopie, Soudan, Sénégal, Zimbabwe, Mozambique et Malawi + sites test
Burkina Faso, Tchad, Liberia, Mali, Mauritanie,
Niger, Nigeria, Senegal, Sierra Leone + Afrique de
Chapitre 1. Contexte et Etat de l’Art
35
domaine cultivé et associer un type de culture à chaque pixel, le programme utilise une méthode « up-scaling ». Des classifications à haute résolution spatiale sont réalisées sur de petites zones tests, et utilisées pour entrainer un réseau de neurones qui permettra ensuite de calculer le pourcentage de chaque occupation du sol dans un pixel MERIS (300 m). Le réseau de neurones est ensuite appliqué à l’ensemble des images, à l’échelle nationale, en extrapolant les informations générées sur les zones tests.Le FEWS NET se concentrait jusqu’à récemment uniquement à la détection d’anomalies de croissance, avec peu d’attention portée aux variations de surfaces cultivées pour une culture en particulier. Aujourd’hui le FEWS NET s’intéresse également à la cartographie précise des surfaces cultivées. C’est le cas par exemple au Zimbabwe, où une carte des cultures a été produite en 2005 grâce à 24 images Landsat. Ils utilisent également ponctuellement des images Ikonos et Quickbird (Tableau 3).
Détection d’anomalies
Le FEWS NET utilise des données NOAA-AVHRR et MODIS-TERRA, pour un suivi de la végétation, via l’indice NDVI (Tableau 3). Les anomalies sont étudiées : ce sont généralement des produits sous forme d’images, qui montrent combien la période présente est différente de la moyenne de toutes les images précédentes pour la même période.
Figure 9 : Anomalies du NDVI au 31 Août 2011 par rapport à la moyenne 2001 – 2010 (Source : bulletin FEWS NET Septembre 2011).
36
Le GMFS produit des cartes d’indicateurs de productivité de la végétation (VPI), indice proposé par Sannier et al. (1998), basé sur des données SPOT VEGETATION à 1 km de résolution (Tableau 3). Cette méthode donne la distribution statistique du NDVI tous les 10 jours, pour prévenir des évènements extrêmes. Concrètement, pour chaque pixel, la valeur du NDVI est comparée aux données historiques, et le NDVI est classé dans un « groupe de productivité », en fonction du pourcentage de différence avec les années précédentes (0%, 20%, 40%, 60%, 80% ou plus de 100%). Le GMFS produit aussi des cartes d’indice de la fraction de rayonnement photosynthétiquement actif absorbé par la végétation pour sa photosynthèse chaque saison (fAPAR), à partir d’imagerie ENVISAT-MERIS-FR à 250 m de résolution à 10 jours qui peuvent être comparés aux saisons précédentes.Suivi agro-climatique
Pour le suivi climatique de FEWS NET, les données de NDVI sont croisées avec de l’imagerie RainFall Estimation (RFE) qui est un produit automatisé basé sur des images METEOSAT en infrarouge à 10 km de résolution (Figure 10) (Tableau 3). Ces données sont utilisées en input de modèles hydrologiques ou agro-météorologiques et fournissent également des informations sur le climat (i.e. permettent de comparer des quantités de pluies vis-à-vis de périodes antérieures). Le démarrage de la saison des pluies est un produit calculé d’après les données RFE. Le produit montre la date du démarrage de la saison, comparé à la moyenne climatologique (Figure 10). La saison est considérée comme « démarrée » lorsque l’on assiste à 3 périodes de 10 jours consécutifs avec plus de 20 mm de précipitations. La date du démarrage est ensuite comparée à la moyenne des dates de démarrage sur les 10 années précédentes (lorsque les données sont disponibles). Ainsi, les régions présentant un retard dans le démarrage peuvent être identifiées.
Les données de pluies sont cependant hétérogènes, dans le sens où le RFE ne couvre pas toutes les régions du monde. Le NDVI est donc la source d’information la plus importante pour le programme FEWS NET car il permet d’évaluer l’impact de la pluie sur la végétation. Ces données de pluie et de NDVI sont croisées avec des modèles de plante pour suivre l’évolution de la croissance des plantes. Cependant, deux saisons de croissance avec la même quantité de pluie peuvent amener à des rendements de culture bien différents si la distribution dans le temps est différente. Le programme FEWS NET a donc implémenté des mesures de l’impact des pluies sur chaque culture grâce au « Water Requirement Satisfaction Index » (WRSI) (Senay and Verdin, 2003; Verdin and Klaver, 2002). Cet indice donne la performance de la culture en fonction de la disponibilité en eau durant la période de croissance.
Le GMFS produit également des cartes d’estimations des pluies à partir de données METEOSAT à 3 km de résolution (Tableau 3). Il travaille également avec un indicateur appelé « Dry matter productivity » (DMP) qui mesure le taux de croissance de la plante. Quand la végétation est en bonne santé et que les nutriments ne sont pas limitants, le DMP est proportionnel à la quantité de lumière reçue par la plante. Les estimations de productivité de la végétation peuvent être obtenues en croisant les images de télédétection et des données météorologiques (rayonnement solaire et température). Leur calcul est basé sur la méthode Monteith (1972).