Une nouvelle approche technologique développée par des chercheurs de l’Université du Minnesota permettra aux principales parties prenantes d’identifier les types de cultures importants plus tôt dans la saison que jamais auparavant.
L’imagerie satellitaire est utilisée depuis longtemps par les agences agricoles pour savoir quelles cultures sont cultivées sur le terrain. Cela permet aux parties prenantes de prévoir les approvisionnements en céréales, d’évaluer les dommages aux cultures dus aux facteurs environnementaux et de coordonner la logistique de la chaîne d’approvisionnement.
Bien que ces informations soient vitales, les produits de cartographie des cultures actuellement disponibles ne sont pas en mesure de fournir ces statistiques au début de la saison agricole. Par exemple, la couche de données sur les cultures (CDL), un produit national de cartographie des cultures du Service national des statistiques agricoles de l’USDA, n’est souvent publiée que quatre à six mois après la récolte d’automne. Cela est dû au long processus de collecte d’informations au sol nécessaire à la formation de l’algorithme principal pour séparer les cultures de l’imagerie satellite.
Dans une étude récemment publiée dans Télédétection de l’environnementdes chercheurs de l’Université du Minnesota expliquent leur développement d’une nouvelle méthode qui permettrait aux parties prenantes de savoir où les cultures de maïs et de soja sont cultivées dès juillet, avec une précision similaire à l’USDA CDL, et sans avoir besoin d’enquêtes au sol.
Avec la croissance rapide de la disponibilité des données satellitaires et les progrès de l’intelligence artificielle et de l’informatique en nuage, le goulot d’étranglement de la cartographie des types de cultures par satellite s’est déplacé vers un manque d’étiquettes de vérité au sol, qui sont des enregistrements des types de cultures à des endroits spécifiques. Dans de tels cas, les scientifiques ont tenté d’utiliser des étiquettes obsolètes pour identifier les cultures de l’année cible.
Par exemple, pour cartographier les types de cultures en 2022, les scientifiques développeraient un modèle à l’aide d’étiquettes collectées en 2021, 2020 ou même plus tôt afin de développer un modèle lorsqu’une nouvelle enquête au sol n’est pas disponible ou n’est pas réalisable. Cependant, ce type de modèle échoue souvent parce que les changements dans le sol, les conditions météorologiques et les pratiques de gestion au cours d’une année donnée peuvent modifier l’apparence des cultures dans les images satellite.
Pour contourner le besoin de collecter des étiquettes au sol, la méthode développée par cette équipe de recherche génère des pseudo-étiquettes (elles sont appelées « pseudo » car ces étiquettes ne sont pas collectées dans les champs) dans n’importe quelle année cible sur la base de cartes historiques des types de cultures.
Cette méthode imite la façon dont les humains identifient les objets en fonction de leurs positions relatives (également appelées relations topologiques) sur une image et utilise un modèle de vision par ordinateur pour identifier le maïs et le soja en fonction de leurs relations topologiques dans un espace bidimensionnel dérivé de l’imagerie satellite. Ces pseudo-étiquettes générées ont une qualité similaire aux étiquettes collectées sur le terrain et peuvent être utilisées pour la tâche importante de cartographie des types de cultures en début de saison.
« Il s’agit d’une approche révolutionnaire qui utilise la technologie de vision par ordinateur pour imiter la façon dont les humains identifient différentes choses sur les photos. Ce n’est pas seulement amusant mais aussi puissant car cela permet d’économiser du temps et du travail pour mener des enquêtes sur le terrain et nous permet de prédire avec précision types de cultures dès juillet », a déclaré Zhenong Jin, Ph.D., professeur adjoint au Département de génie des bioproduits et des biosystèmes à l’Université du Minnesota.
« Nous avons découvert que des relations topologiques stables existaient pour différentes cultures au cours de différentes années et dans différents pays, ce qui indique que notre approche a le potentiel d’être étendue à un cadre général qui fonctionne pour de nombreux scénarios différents », a déclaré Chenxi Lin, titulaire d’un doctorat. candidat et premier auteur de l’ouvrage conseillé par Jin.
L’étude a également trouvé:
De plus, les cartes de haute qualité des types de cultures de début de saison générées à partir de l’approche proposée sont également utiles pour une variété d’autres activités.
Une surveillance complète et opportune des terres cultivées assurées est bénéfique pour les compagnies d’assurance afin de mieux concevoir leurs produits. De plus, la superficie cultivée et l’estimation de la production peuvent aider les négociants en matières premières à mieux projeter les prix et à se couvrir en conséquence.
Alors que les chercheurs se tournent vers l’avenir, ils reconnaissent que la mise en œuvre de cette approche repose sur suffisamment d’étiquettes historiques de vérité de terrain, ce qui n’est pas un problème pour les régions riches en ressources comme les États-Unis, mais est une ressource limitée pour des régions comme l’Afrique.
Cependant, la mise en œuvre de l’approche dans des pays sous-développés comme beaucoup d’autres en Afrique pourrait avoir des implications plus profondes pour l’objectif ultime de parvenir à un monde en sécurité alimentaire. L’équipe prévoit d’étendre le cadre présenté dans cette étude à ces régions en incorporant d’autres algorithmes avancés d’apprentissage en profondeur pour réduire le besoin d’étiquettes historiques.
Chenxi Lin et al, Cartographie des types de cultures en début de saison et en cours de saison sans vérité terrain de l’année en cours : Génération d’étiquettes à partir d’informations historiques via une approche basée sur la topologie, Télédétection de l’environnement (2022). DOI : 10.1016/j.rse.2022.112994