Paramètres culturaux

Les cultures comme les céréales; riz, maïs, blé, orge, tournesol, … sont des éléments importantes dans la nourriture des humains et des animaux puisqu’ils fournissent l’énergie et les protéines nécessaires à leurs croissances et à leurs santés. La hauteur et le LAI sont parmi les principaux paramètres biophysiques à estimer pour l'étude du comportement et la croissance des cultures.

Ce travail propose l’inversion des formes d’ondes complètes LiDAR afin d’estimer la hauteur, le LAI et la réflectance du sol. Particulièrement, nous allons explorer l’inversion des modèles de transfert radiatif qui lient les observations LiDAR aux propriétés biophysiques de la végétation. L'inversion de tels modèles est considérée comme un problème entièrement paramétré. Le LUT « Look Up Table », le QNT « Quasi-Newton » et le NNT « Neural Network » (Bye et al., 2016, Koetz et al., 2006, Combal et al., 2003) sont les techniques les

50

plus populaires utilisées pour trouver une solution à un tel problème d’inversion. La méthode LUT qui a été largement utilisée avec succès pour inverser les formes d'ondes LiDAR pour l’estimation des paramètres biophysiques forestiers (Koetz et al., 2007, Koetz et al., 2006, Bye et al., 2016), est parmi les plus simples à mettre en œuvre et moins exigeante en termes de calcul par rapport aux autres méthodes. En effet, elle cherche à partir d'une table d'observations simulées avec DART et dont les paramètres culturaux sont connus, la simulation dont l’observation est la plus proche de la mesure réelle sans exigence d'information a priori comme dans la méthode QNT qui consiste à chercher l’observation qui soit bien proche de l’observation et avec des paramètres culturaux avoisinant les valeurs a priori. En outre, LUT et QNT n'ont pas besoin d'une grande base de données d’apprentissage comme le NNT qui dans la phase d’apprentissage a besoin de bien explorer l’espace des solutions de façon à pouvoir modéliser le comportement non-linéaire du modèle.

Ici, nous étudions la possibilité d'inverser les formes d’ondes LiDAR à faible empreinte pour retrouver les propriétés principales comme la hauteur et le LAI des champs de cultures. L'approche d'inversion repose sur la méthode LUT qui comporte deux phases. La première consiste à échantillonner l’espace des solutions des paramètres à estimer. Cette tâche s’exécute seulement une fois pour toutes les inversions possibles. C’est la phase de génération de la table LUT des formes d’ondes LiDAR qui sont simulées avec le modèle DART. La deuxième phase s’exécute une fois l’observation LiDAR est disponible, elle consiste à chercher dans l’espace des solutions déjà pré-calculé de LUT celle qui convient le plus, i.e. la forme d’onde simulée la plus proche de la forme d’onde mesurée.

a) Génération du LUT

La génération de LUT se fait par la simulation d’un grand nombre d’observations LiDAR pour différentes réalisations de champs de cultures et suivant une configuration précise du capteur LiDAR à simuler dont on connait à l’avance ses caractéristiques. Nous avons travaillé dans cette thèse sur deux types de cultures ; le maïs et le blé. Des maquettes réalistes par culture sont construites avec des paramètres d'entrée constants et d’autres variables. Les entrées fixes sont les paramètres caractéristiques des cultures lors de leur plantation issus des mesures terrain ou de la bibliographie comme le nombre de pieds plantés par m², la distance inter-rang et la distance entre pieds pour chaque type. Aussi, les propriétés optiques des feuilles sont dérivées du modèle des feuilles PROSPECT « Prospect leaf model » (Jacquemoud & Baret 1990) avec les entrées du modèle par type de cultures, obtenues à partir

51

de la base de données LOPEX (Holmgren & Persson, 2004). Les paramètres variables sont les inconnus comme l’élongation de la tige, le développement des feuilles (LAI), la présence des épis, le développement des graines,… pour chaque stade de croissance des plantes. Les Tableaux 2-1 et 2-2 montrent respectivement les valeurs des deux paramètres constantes ; la densité des pieds de cultures et l’espace entre pieds, et la plage des trois paramètres d’entrées variables ; la réflectance du sol, la hauteur des pieds de cultures et le LAI. Une telle représentation a été mise en place afin d’aboutir à une représentation comparable à la croissance naturelle et réelle des champs de cultures pour chaque réalisation de maquette dans DART. En particulier, l’échelle BBCH acronyme de «Biologische Bundesanstalt, Bundessortenamt and Chemical Industry» (Meier, 2001) a été utilisée pour définir les caractéristiques des pieds par type de cultures pour chaque stade de croissance ; les formes des feuilles, le nombre de feuilles par pied, la distance entre les feuilles et la présence des organes de la plante (e.g., épis, maïs, graines, etc) suivant la longueur du pied.

Dans l’objectif de construire des maquettes 3D des plantes réalistes suivant différents stades d’évolution, les maquettes informatiques (objets 3D) des plantes de maïs et de blé de la base de données de DART sont modifiées et adaptées par l’ajout, la suppression des feuilles et le redimensionnement des différents organes des plantes à l’aide du logiciel libre « Blender7 » qui fournit des outils puissants de construction et de modification des objets 3D. DART utilise par la suite ces objets 3D pour créer les maquettes de champs réalistes de maïs et de blé. La surface de ces maquettes est 9 m². Les Figures 2-1 et 2-2 montrent quelques exemples de maquettes des champs de cultures suivant différents stades de croissance.

Pour chaque maquette, différentes positions d’empreintes LiDAR (faible empreinte 22 cm) sont simulées afin d’avoir différentes réponses LiDAR ; réponse uniquement du sol, ou réponse d’un mélange de sol et de végétation ou encore réponse pure de végétation permettant ainsi de reproduire toutes possibilités de mesures réelles. Par la suite, pour annuler la dépendance à la position d’acquisition, les formes d’ondes LiDAR sont moyennées pour obtenir une représentation statique du signal LiDAR qui est enregistrée par la suite dans le LUT. Ce signal sera par la suite comparé à une mesure LiDAR moyennée localement assurant ainsi la compatibilité simulation-mesure.

52

Figure ‎2-1: Exemples de maquettes de champ de maïs simulées par DART : (a) BBCH 1: développement des feuilles (hauteur h= 60 cm), (b) BBCH 3: Evolution de la tige (h = 1.2 m), (c) BBCH 5: sortie de la panicule (h = 2 m), (d) BBCH 8: maturation des graines de maïs (h =2.6 m)

a) b) c)

Figure ‎2-2: Exemples de maquettes de champ de blé simulées par DART : (a) BBCH 1 : développement des feuilles (h = 16 cm), (b) BBCH 3 : Elongation de la tige (h = 45 cm), (c) BBCH 8 : maturation des graines de blé (h=50 cm).

Type de culture Densité (pieds/m²) Distance inter-rang (m)

Maïs 9 0.755

Orge 250 0.17

Tableau ‎2-1: Paramétres fixes des champs de cultures

Type de culture Hauteur (m) Lai (m²/m²) Reflectance du sol

Min Max Min Max Min Max

Maïs 0.3 2.6 0.24 5.9 0.3 0.6

Orge 0.08 0.55 0 2.7 0.3 0.6

Tableau ‎2-2 : Description de la variation des paramètres biohysiques utilisées dans la génération de LUT

b) L’inversion

La solution du modèle d’inversion est trouvée par la minimisation d’une fonction cout définit par le calcul de l’erreur quadratique moyenne RMSE « Root Mean Square Error » entre les formes d’ondes réelles souhaitant savoir les propriétés biophysiques de la culture correspondante et les formes d’ondes simulées de LUT ( .

Équation ‎2-1 :

a) b) _{c) d}

53

avec le nombre de bin (retours) de la forme d’onde.

Ainsi, l’observation contenue dans le LUT ayant la valeur minimale de RMSE représente la plus proche simulation du signal réel et la réalisation de culture correspondante désigne la solution recherchée. Dans notre cas, la hauteur de la canopée, la valeur de la surface foliaire LAI et la réflectance du sol qui sont celles de la réalisation choisie.