[article]
| Titre : |
Grassland mowing event detection using combined optical, SAR, and weather time series |
| Auteurs : |
Ann-Kathrin Holtgrave, Auteur ; Felix Lobert, Felix, Auteur ; Stefan Erasmi, Auteur ; Norbert Röder, Auteur ; Birgit Kleinschmit, Auteur |
| Article en page(s) : |
113680 |
| Langues : |
Français (fre) |
| Catégories : |
[habitats/milieux] 3 - Landes, fruticées et prairies
[Thèmes] Landsat
[Thèmes] Télédétection
|
| Mots-clés : |
série temporelle satellitaire prairie détection des fauches intensité de gestion des prairies interférométrie de cohérence |
| Résumé : |
"La politique agricole commune (PAC) et la directive Habitats de l’Union européenne visent à améliorer la biodiversité des paysages agricoles. Ces deux politiques nécessitent un suivi intensif, facilité par la télédétection. L’intensité d’utilisation, mesurée par la fréquence de fauche, est un indicateur important de la biodiversité des prairies permanentes. La fréquence et le calendrier de fauche peuvent être déterminés par télédétection satellitaire, car la biomasse photosynthétiquement active évolue rapidement en réponse à la fauche. Cependant, la repousse rapide des graminées exige des séries temporelles satellitaires très denses pour une détection fiable. Les séries temporelles radar peuvent compléter les séries temporelles optiques et combler les lacunes liées à la couverture nuageuse pour pallier ce problème. Des données météorologiques supplémentaires peuvent faciliter la détection des fauches, car celles-ci sont associées à des conditions météorologiques spécifiques. Toutefois, les études précédentes n’ont pas pleinement exploité le potentiel de ces deux approches ni les différentes méthodes d’apprentissage automatique pour la détection des fauches.
Cette étude présente une nouvelle approche transposable en deux étapes pour détecter les fauches en utilisant des données optiques et SAR combinées à des données météorologiques supplémentaires. Dans un premier temps, nous avons comblé les lacunes liées à la couverture nuageuse dans les séries temporelles optiques grâce à une régression supervisée par apprentissage automatique, en utilisant les données optiques et SAR. Nous avons ensuite classé les séquences temporelles de données optiques, SAR et météorologiques en zones fauchées et non fauchées à l'aide de quatre algorithmes d'apprentissage automatique différents. Nous avons utilisé les séries temporelles de NDVI et d'EVI (Sentinel-2 et Landsat 8 combinés), de rétrodiffusion SAR, de cohérence interférométrique sur six jours, d'indice de végétation radar de rétrodiffusion, de rapport de rétrodiffusion (Sentinel-1) et de sommes de température et de précipitations. Nos sites d'essai sont répartis sur l'ensemble du territoire allemand et couvrent tout le gradient d'intensité d'utilisation des prairies.
Les fauches ont pu être détectées avec des valeurs F1 allant jusqu'à 89 %, et les premières coupes avec jusqu'à 94 %. Nos résultats ne montrent aucun avantage structurel à l'interpolation linéaire des séries temporelles par apprentissage automatique par rapport à l'interpolation linéaire. Les séries temporelles combinées de Sentinel-2 et Landsat-8 ont fourni des séries temporelles denses avec des intervalles médians généralement inférieurs à 20 jours, ce qui s'est avéré suffisant pour détecter les fauches de manière fiable. Dans notre étude, les données SAR n'étaient pas indispensables à la détection des opérations de tonte, mais les données météorologiques ont amélioré les résultats de classification des modèles entraînés sur l'ensemble des zones et des années. Cependant, lorsque le modèle a été appliqué à des années inconnues ou à des zones non utilisées pour l'entraînement, les données SAR ont amélioré la précision de la détection, tandis que les données météorologiques l'ont dégradée. Les modèles entraînés sur toutes les années, mais pas sur tous les sites d'étude, ont détecté les opérations de tonte avec une précision allant jusqu'à 76 % (F1). Les modèles entraînés sur toutes les régions, mais pas sur toutes les années, ont détecté les opérations de tonte lors d'années non utilisées pour l'entraînement avec une précision allant jusqu'à 80 % (F1)." (source : auteurs) |
| Type de publication : |
périodique |
| Référence biblio : |
Holtgrave A.-K., Lobert, Felix F., Erasmi S., Röder N., Kleinschmit B., 2023 - Grassland mowing event detection using combined optical, SAR, and weather time series. Remote Sensing of Environment, 295 : 113680. |
| ID PMB : |
73397 |
| DOI : |
10.1016/j.rse.2023.113680 |
| Permalink : |
http://www.cbnbrest.fr/catalogue_en_ligne/index.php?lvl=notice_display&id=73397 |
in Remote Sensing of Environment > vol. 295 (Année 2023) . - 113680
[article]
|  |
trié(s) par (Pertinence décroissant(e), Titre croissant(e)) Affiner la rechercheRandom forest in remote sensing : A review of applications and future directions in ISPRS Journal of Photogrammetry and Remote Sensing, vol. 114 ([31/12/2016])
An effective procedure for EUNIS and Natura 2000 habitat type mapping in estuarine ecosystems integrating ecological knowledge and remote sensing analysis in Ocean & Coastal Management, vol. 108 (Année 2015)
Carte et fiches des grands types de végétation du sud-ouest du Parc naturel régional Normandie-Maine (2019)
