[Thèse soutenue] Y. Jean Eudes Gbodjo: Amélioration des systèmes de suivi des cultures à l’échelle du paysage à partir de la télédétection multisources et des techniques d’apprentissage automatique

Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond

Sujet de thèse cofinancée par #DigitAg

Je suis Yawogan Jean Eudes Gbodjo, doctorant Irstea accueilli à l’UMR Tetis (Territoires, Environnement, Télédétection et Information spatiale) de Montpellier. Je suis diplômé du master 2 ScIences Géomatique en environneMent et Aménagement (SIGMA) de l’Université de Toulouse Jean Jaurès. J’ai un profil de géomaticien, spécialiste en Télédétection et Systèmes d’Information Géographique avec un fort attrait pour l’Informatique. C’est ce qui m’a notamment incité à faire cette thèse. Je travaille sur de nouvelles méthodes en machine/deep learning pouvant tirer profit de la richesse d’information dont nous disposons de nos jours grâce entre autres aux satellites d’observation de la terre pour l’amélioration des systèmes de suivi de cultures. En particulier nous voulons mieux caractériser les surfaces cultivées (types de cultures, superficies) et leur rendements. Ce travail s’inscrit dans le cadre de la problématique majeure actuelle en agriculture : comment pouvons nous garantir la sécurité alimentaire des populations, dont le nombre est toujours croissant, tout en favorisant une agriculture durable qui préserve nos écosystèmes et la biodiversité face aux impacts environnementaux des changements climatiques qui se font déjà sentir ?

• Date de démarrage : Novembre 2018
• Université : Université de Montpellier
• Ecole doctorale : I2S Information Structures Systèmes
• Discipline / Spécialité : Informatique
• Directeur de thèse : Dino Ienco, Inrae, UMR Tetis
• Encadrant(es)  :  Dino Ienco, Inrae, UMR Tetis & Louise Leroux, Cirad, UMR Aida
• Financement : #DigitAg – Inrae
• #DigitAg : Thèse cofinancée – Axe 5 – Challenges 6 & 8

Mots-clés: Production agricole, Occupation du sol, Estimation et prévision des rendements, Données multi-sources, multi-temporelles et multi-echelles, Images radar et optique, Apprentissage supervisé, Réseaux de neurones récurrents,  Réseaux de neurones convolutifs.

Résumé : Les systèmes de suivi des cultures jouent un rôle essentiel dans l’évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d’information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l’essor des techniques d’apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l’évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d’apprentissage profond. Nous proposons deux méthodes pour caractériser l’occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d’attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l’intégration d’une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d’études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d’investigation sur l’estimation et la prévision des rendements des surfaces cultivées, à l’échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d’apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l’évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d’apprentissage profond semblent mieux adaptées que les méthodes traditionnelles d’apprentissage automatique pour tirer parti de la complémentarité des données multi-sources, multi-temporelles et multi-échelles à mesure qu’il y ait une quantité suffisante de données pour leur entraînement supervisé. Le travail d’investigation réalisé pour l’estimation et la prévision des rendements n’a par contre pas révélé de plus-value manifeste dans l’emploi de ces méthodes. Dans ce dernier cas, le contexte limité en données d’entraînement semble en être la principale explication.

Composition du jury

Bertrand LE SAUX,    Rapporteur, Chargé de recherche, HDR  lab ESA
Clément MALLET, Rapporteur,  Cadre scientifique des EPIC, HDR IGN, LASTIG Université Gustave Eiffel Paris France
Thomas CORPETTI,  Examinateur, Directeur de recherche, LETG Université Rennes 2
Germain FORESTIER, Examinateur,  Professeur, IRIMAS, Université Haute-Alsace
Mme Carmen GERVET, Examinateur, Professeur, Espace-Dev, Université de Montpellier
Mme Laurence HUBERT-MOY,  Examinateur, Professeur, LETG Université Rennes
Dino IENCO, Directeur de these , Chargé de recherche, HDR, Université de Montpellier
Mme Louise LEROUX, Co-encadrante, Chargé de recherche, PhD , UPR AIDA CIRAD

Télécharger le mémoire de thèse

Publications dans revues internationales

Censi A.M., Ienco D., Gbodjo Y.J.E., Pensa R.G., Interdonato R., Gaetano R. (2021) Attentive Spatial Temporal Graph CNN for Land Cover Mapping from Multi Temporal Remote Sensing Data, IEEE Access

Ienco D., Eudes Gbodjo Y.J., Gaetano R., Interdonato R. (2020) Weakly supervised learning for land cover mapping of satellite image time series via attention-based CNN, IEEE Access

Ienco D., Gbodjo Y.J.E., Gaetano R., Interdonato R. (2020) Generalized Knowledge Distillation for Multi-Sensor Remote Sensing Classification: An Application to Land Cover Mapping, ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences

Gbodjo, Y.J.E.; Ienco, D.; Leroux, L.; Interdonato, R.; Gaetano, R.; Ndao, B., 2020, Object-Based Multi-Temporal and Multi-Source Land Cover Mapping Leveraging Hierarchical Class Relationships

Yawogan Jean Eudes Gbodjo; Dino Ienco; Louise Leroux, 2019, Toward Spatio–Spectral Analysis of Sentinel-2 Time Series Data for Land Cover Mapping

Eudes Gbodjo Y.J., Leroux L., Gaetano R., Ndao B., 2019, RNN-based multi-source land cover mapping: An application to West African landscape

Contact :   dino.ienco [AT] inrae.fr - Tél:  04.67.54.87.54

Réseaux :   GitHub – LinkedIn – Twitter