Remote sensing and knowledge integration through spatial modelling for a more consistent mapping of complex agricultural systems : Application to the Highlands region in Madagascar

Les méthodes de classification des données de télédétection pour la cartographie de l’occupation des sols reposent sur des mesures de proximité entre pixels ou objets dans un hyperespace spectral dans lequel ils sont projetés en fonction de leur réflectance dans plusieurs bandes spectrales de l'image. La projection en retour des pixels ou des objets vers l'espace géographique permet d'obtenir la carte d’occupation du sol recherchée, avec autant de classes que de régions identifiées comme significatives dans l'hyperespace. Le raisonnement qui sous-tend l'analyse dans l'hyperespace des données satellitaires est que dans ce dernier, les relations de proximité de "signatures spectrales" des objets et des pixels sont plus faciles à mettre en évidence que dans l’espace géographique. Ces méthodes sont particulièrement efficaces pour la cartographie des espaces agricoles caractérisés par de grandes parcelles et par des pratiques culturales homogènes.Cependant, pour une grande partie des Suds, les espaces agricoles sont plus complexes, avec des parcelles généralement plus petites, et une diversité d’usages et d’occupations des sols qui reflète les coutumes et leur adaptation au climat et à la géographie locale. L'efficacité des méthodes de télédétection diminue fortement pour ces systèmes agricoles plus complexes.Afin de repousser ces limites, les recherches actuelles portent sur des méthodes combinant à la fois des séries temporelles d’images satellites et des données contextuelles, tel que des indices de texture, l’altitude ou la pente, dont certaines sont basées sur l’apprentissage profond.Ces développements méthodologiques et techniques poussés utilisent principalement l’information spectrale et n’intègrent que peu les autres types de connaissances agricoles disponibles. Par exemple, on sait que certaines cultures ne poussent qu’à partir d’une altitude ou à proximité des habitations. Aisément identifiables dans l’espace géographique, ces connaissances, à la fois spatiales et temporelles, sont plus difficilement identifiables dans l’hyperespace des données. Cela suggère intuitivement qu'une meilleure prise en compte des connaissances agricoles pourrait améliorer les méthodes de classification pour obtenir des cartes de l'occupation de l’usage des sols plus cohérentes sur le plan agricole.Dans cette thèse, nous explorons la possibilité d'utiliser les connaissances en agriculture, formalisées sous forme de règles, pour améliorer une méthode de classification supervisée pour la cartographie de l'occupation et de l’usage des sols des systèmes agricoles complexes. Dans un premier temps, cette thèse propose un modèle conceptuel permettant de combiner à la fois des méthodes de classification de données de télédétection et de la modélisation spatio-temporelle. Ce modèle est décomposé en quatre modules spatiaux et temporels, chacun correspondant à une méthode visant à améliorer la caractérisation de l’occupation et de l’usage des sols, et pouvant être utilisé indépendamment. Les deux modules spatiaux du modèle sont ensuite appliqués à une zone d’étude agricole située dans la région du Vakinankaratra, sur les Hautes Terres de Madagascar afin d’évaluer l’approche développée.D’un point de vue quantitatif, l’application des deux modules spatiaux n’améliore que très peu la caractérisation des classes d’occupation et d’usage des sols de la zone d’étude, notamment du fait du manque de données de qualité supportant l’application des règles spatiales identifiées. Néanmoins, l'application des modules spatiaux permet une meilleure discrimination entre les cultures pluviales et les espaces de savanes, source de nombreuses confusions avec les méthodes utilisées en traitement de données de télédétection. L'analyse de ces résultats permet de proposer des améliorations pour le modèle conceptuel ainsi que pour son application plus générale aux systèmes agricoles complexes.Classification methods for remote sensing data for land cover mapping are based on proximity measurements between pixels or objects in a spectral hyperspace in which they are projected according to their reflectance in several spectral bands of the image.Then projecting the pixels or objects from the hyperspace back into geographical space yields the land cover map sought, with as many land cover classes as regions identified as meaningful in the hyperspace. The rationale behind the analysis within the satellite data hyperspace is that in the latter, relationships involving the “spectral signatures” of objects and pixels are easier to retrieve. Such methods have proved very efficient in mapping agricultural landscapes in many parts of the world characterised by large, well-managed intensive agricultural plots.However, for large parts of the developing world, agricultural landscapes are more complex, with typically smaller plots, and a diversity of land use and land cover that reflect local customs and their adaptation to local climate and geography. The efficiency of remote sensing methods sharply decrease for the more complex landscapes. In order to push back these limits, current researches are focusing on methods combining both time series of satellite images and contextual data, such as texture indices, altitude or slope, some of which are based on deep learning.These methodological developments and in-depth techniques use mainly spectral information and integrate little of the other types of agricultural knowledge available. For example, it is known that some crops only grow above a given altitude or close to households. These types of (spatial and temporal) relationships are easy to formalise in geographical space, but much less so in the data hyperspace. This intuitively suggests that better taking into account agricultural knowledge could improve classification methods to obtain agriculturally consistent land use maps.In this thesis, we explore the possibility of using agricultural knowledge, formalised as rules to improve an existing machine learning classification method for land cover and land use mapping in complex agricultural systems. First, this thesis proposes a conceptual model allowing to combine both remote sensing methods and spatio-temporal modelling. This model is decomposed into four spatial and temporal modules, each corresponding to a method aimed at improving the characterization of land cover and land use, and which can be used independently. The two spatial modules of the model are then applied to an agricultural study area located in the Vakinankaratra region, in the highlands of Madagascar, in order to evaluate the approach developed.In quantitative terms, the application of the two spatial modules only slightly improves the characterisation of the land use classes of the study area, mainly due to the lack of quality data supporting the application of the spatial rules. Nevertheless, the application of spatial modules allows a better discrimination between rainfed crops and savannah areas, which is a source of much confusion with the methods used in remote sensing. The analysis of these results leads to improvements for the conceptual model as well as for its more general application to complex agricultural systems