Search

International audience; In the future, climate change will induce even more severe hurricanes. Not only should these be better understood, but there is also a necessity to improve the assessment of their impacts. Flooding is one of the most common powerful impacts of these storms. Analyzing the impacts of floods is essential in order to delineate damaged areas and study the economic cost of hurricane-related floods. This paper presents an automated processing chain for Sentinel-1 synthetic aperture radar (SAR) data. This processing chain is based on the S1-Tiling algorithm and the normalized difference ratio (NDR). It is able to download and clip S1 images on Sentinel-2 tiles footprints, perform multi-temporal filtering, and threshold NDR images to produce a mask of flooded areas. Applied to two different study zones, subject to hurricanes and cyclones, this chain is reliable and simple to implement. With the rapid mapping product of EMS Copernicus (Emergency Management Service) as reference, the method confers up to 95% accuracy and a Kappa value of 0.75.

The Leaf Area Index (LAI) is a parameter of many growth models used to predict biomass. LAI was used, for instance, in the Mosicas (Martiné, 1999) and Gamede (Vayssières et al., 2009) growth models for sugarcane and grass respectively, on Reunion Island, France. Those models have exhibited some limitations and prediction error can be significant. The aim of our study was to estimate LAI from satellite imagery in order to force a grass growth model. Around 430 samples were obtained from nine experimental plots situated around Saint-Pierre and Plaine-des-Cafres (South-West of the island) from April to August 2015. The sample LAI values were averaged by plot and associated with average vegetation indices (VIs), computed from Spot5take5 data (simulation of Sentinel-2 data). From testing of different VIs we observed a stronger correlation between NDVI (Normalized Difference Vegetation Index) and LAI compared to other VIs. The relation was so great that we found correlation values of 0.87 and 0.92 for temperate and tropical grass, respectively., En raison de son insularité et de la croissance constante de sa population, la Réunion est exposée à certains problèmes agricoles, tels que la pression foncière et les problèmes environnementaux. Parallèlement le secteur des ruminants souhaite développer la production et accroître l’autosuffisance de l’île pour la production de viande et de lait, en dépit des contraintes sévères de disponibilité des terres. Des périodes de sécheresse plus fréquentes ont été observées ces dernières années. Pour compenser le manque d’herbe, les agriculteurs importent descompléments d’alimentation, ce qui entraîne des coûts élevés pour l’économie agricole. Aujourd’hui, l’enjeu majeur est de pouvoir estimer la disponibilité des fourrages, à l’échelle du territoire, afin d’optimiser la distribution des fourrages tout au long de l’année et anticiper le besoin d’importation de fourrage. Notre étude s’est attachée à combiner deux méthodes dans une approche hybride, basée sur un modèle de croissance corrigé par des données d’images satellitaires où la prédiction du modèle est remplacée par des données satellitaires. La première étape présentée ici consistait à analyser la relation entre le LAI calculé à partir d’images SPOT5 à haute résolution spatiale (10 m) et plusieurs indices de végétation (IV), puis à comparer différents modèles de régression, capables de prédire le rendement de la biomasse à l’échelle des parcelles et des fermes. L’étude a été menée durant la phase de désorbitation de SPOT5, la phase appelée SPOT5take5. Quatre indices ont été étudiés : NDVI, NDWI, MSAVI2, RDVI. L’étude a été menée sur 9 parcelles) réparties selon un gradient d’altitude afin d'appréhender les différentes espèces de graminées (tropicales et tempérées) présentes sur l'île. Le LAI a été estimé grâce à un appareil mesurant le rayonnement photo-synthétiquement actif absorbé (Accupar Ceptometer model LP 80, Decagon Devices), et chaque mesure a été géolocalisée. On lie ensuite la moyenne de l’indice de végétation avec la moyenne de LAI à l’échelle de la parcelle. La relation est exprimée par une équation de type exponentielle, approchée avec une régression standard. L’analyse de l’erreur est faite grâce au coefficient de corrélationet la somme des erreurs au carré. Après élimination des données aberrantes, 34 valeurs issues des moyennes par parcelles sont exploitables pour établir la relation en indice de végétation et LAI. Les 4 indices étudiés montrent une corrélation importante entre IV et LAI. Toutefois, c’est le NDVI qui montre de meilleurs résultats avec un coefficient de corrélation entre 0,92 et 0,94 (p

The purpose of this study was to explore the possibility of coupling dynamic models of grass growth with remote sensing data for two contrasting countries: Reunion Island and Kalahari (South Africa). Two phases followed one another. A first exploratory phase, based on SPOT5 and SPOT5take5 images (desorbed satellites under study) allowed us to learn from this experience. In Reunion the adjustment of an empirical model between vegetation indices and biomass generates too much error. However it is possible to estimate the Leaf Area Index (LAI) thanks to the NDVI (Normalized Difference Vegetation Index). More complex Kalahari rangelands with different vegetation strata (grasses, shrubs, trees) failed to estimate grass cover conditions. This phase set the stage to work on a more durable sensor over time, Sentinel-2. Sentinel-2 data made it possible to estimate the LAI of Reunion Island grasslands with a RMSE (Root Mean Square Error) of 0.63 (r² = 0.82). The LAI thus estimated was used in the coupling of the dynamic model, allowing a general decrease of the RMSE of the order of 40% compared to the model without coupling. These results were obtained during the austral winter, the dry season. During the austral summer, the more abundant rains speed up the growth of the plants and the growth cycles become shorter. Satellite images without cloud cover are becoming scarce. Taking into account this combination of factors that may impact predictions of forage biomass will be one of the main perspectives of this work.; Cette étude a eu pour but d'étudier la possibilité de couplage de modèles dynamiques de croissance de l'herbe avec des données de télédétection, et ce pour deux terrains contrastés : La Réunion et le Kalahari (Afrique du Sud). Deux phases se sont succédé. Une première phase exploratoire, basée sur des images SPOT5 et SPOT5take5 (satellites désorbités en cours d'étude) a permis de tirer plusieurs enseignements. A La Réunion l'ajustement d’un modèle empirique entre indices de végétation et biomasse engendre trop d'erreur. Il est en revanche possible d'estimer le Leaf Area Index (LAI) grâce au NDVI (Normalized Difference Vegetation Index). Les parcours du Kalahari, plus complexes, avec différentes strates de végétation (graminées, arbustes, arbres) n'ont pas permis d'estimer l'état du couvert de graminées. Cette phase a ouvert la voie au travail effectué sur un capteur plus pérenne dans le temps, Sentinel-2. Les données Sentinel-2 ont permis d'estimer le LAI des prairies réunionnaises avec une RMSE (Root Mean Square Error) de 0,63 (r²=0,82). Le LAI ainsi estimé a été utilisé dans le couplage du modèle dynamique permettant une baisse générale de la RMSE de l'ordre de 40% par rapport au modèle sans couplage. Ces résultats ont été obtenus durant l'hiver austral, la saison sèche. Durant la période d'été austral les pluies plus abondantes accélèrent la croissance des plantes et les cycles de pousse se raccourcissent. Les images satellites sans couvert nuageux se font plus rares. La prise en compte de cette combinaison de facteurs pouvant impacter les prédictions de biomasse fourragère fera partie des principale perspectives de ce travail.

The purpose of this study was to explore the possibility of coupling dynamic models of grass growth with remote sensing data for two contrasting countries: Reunion Island and Kalahari (South Africa). Two phases followed one another. A first exploratory phase, based on SPOT5 and SPOT5take5 images (desorbed satellites under study) allowed us to learn from this experience. In Reunion the adjustment of an empirical model between vegetation indices and biomass generates too much error. However it is possible to estimate the Leaf Area Index (LAI) thanks to the NDVI (Normalized Difference Vegetation Index). More complex Kalahari rangelands with different vegetation strata (grasses, shrubs, trees) failed to estimate grass cover conditions. This phase set the stage to work on a more durable sensor over time, Sentinel-2. Sentinel-2 data made it possible to estimate the LAI of Reunion Island grasslands with a RMSE (Root Mean Square Error) of 0.63 (r² = 0.82). The LAI thus estimated was used in the coupling of the dynamic model, allowing a general decrease of the RMSE of the order of 40% compared to the model without coupling. These results were obtained during the austral winter, the dry season. During the austral summer, the more abundant rains speed up the growth of the plants and the growth cycles become shorter. Satellite images without cloud cover are becoming scarce. Taking into account this combination of factors that may impact predictions of forage biomass will be one of the main perspectives of this work.; Cette étude a eu pour but d'étudier la possibilité de couplage de modèles dynamiques de croissance de l'herbe avec des données de télédétection, et ce pour deux terrains contrastés : La Réunion et le Kalahari (Afrique du Sud). Deux phases se sont succédé. Une première phase exploratoire, basée sur des images SPOT5 et SPOT5take5 (satellites désorbités en cours d'étude) a permis de tirer plusieurs enseignements. A La Réunion l'ajustement d’un modèle empirique entre indices de végétation et biomasse engendre trop d'erreur. Il est en revanche possible d'estimer le Leaf Area Index (LAI) grâce au NDVI (Normalized Difference Vegetation Index). Les parcours du Kalahari, plus complexes, avec différentes strates de végétation (graminées, arbustes, arbres) n'ont pas permis d'estimer l'état du couvert de graminées. Cette phase a ouvert la voie au travail effectué sur un capteur plus pérenne dans le temps, Sentinel-2. Les données Sentinel-2 ont permis d'estimer le LAI des prairies réunionnaises avec une RMSE (Root Mean Square Error) de 0,63 (r²=0,82). Le LAI ainsi estimé a été utilisé dans le couplage du modèle dynamique permettant une baisse générale de la RMSE de l'ordre de 40% par rapport au modèle sans couplage. Ces résultats ont été obtenus durant l'hiver austral, la saison sèche. Durant la période d'été austral les pluies plus abondantes accélèrent la croissance des plantes et les cycles de pousse se raccourcissent. Les images satellites sans couvert nuageux se font plus rares. La prise en compte de cette combinaison de facteurs pouvant impacter les prédictions de biomasse fourragère fera partie des principale perspectives de ce travail.

Tree crops and agroforestry systems are very representative of tropical agricultural landscape. Automatic recognition and mapping of this typical land cover type is thus a challenge for the use of remote sensing in driving issues in food sustainability. Therefore, this paper presents an attempt to use the potential of the object?based approach in image classification to produce a land?cover map of a complex agroforestry area. This case?study focuses on very high spatial resolution data acquired over the savannah/cocoa/forest transition region of Bokito in Cameroon, providing a large panel of various cropping systems. WorldView2 panchromatic and multispectral data are thus processed through textural indices derivation and principal component analysis, to select the more discriminant attributes for the different land?cover types, resulting in a stack of 32 image layers. The object?based approach is then run on eCognition Developer, combining several levels of multiresolution segmentation and consecutive classifications that involves different criteria at each step. At the end, a land?use map based on 13 classes was produced with 85% of global accuracy, evaluated based on ground?truth data and photointerpretation. Its typology is rather fine, especially for the agroforestry crops displaying complex structures, and that would not have been accurately delimitated nor discriminated with a pixel?based approach.

Dans un contexte de crise alimentaire mondiale, les enjeux agronomiques sont cruciaux. En zone sub-saharienne le mode de culture en agroforêt est très répandu et pourrait être une solution durable. Plusieurs projets multidisciplinaires ont pour but d'évaluer la part de cette production dans le revenu des ménages. La zone étudiée dans la région de Bokito au Cameroun présente la particularité d'être en transition savane-forêt où l'agroforesterie est en grande partie à base de cacaoyers. L'objet de cette étude est de réaliser une carte d'occupation du sol et d'analyser spatialement la distribution des cultures. Une cartographie de l'usage du sol a donc été produite avec une précision globale de 85%, à partir d'images WorlvView2 et grâce à l'usage de différentes techniques de télédétection (ex : analyse spectrale, texturale) et d'un outil de classification orientée objet. La typologie en est assez fine, notamment pour les cultures agroforestières, et permet d'analyser la répartition des différents systèmes de culture. Une première analyse statistique de cette classification indique une " clusterisation " du paysage, très fortement liée à l'altitude, ce qui permettra aux agronomes d'en déduire des inférences sur les pratiques agricoles dans la région.