Il est important de disposer d'informations détaillées sur la couverture végétale pour une meilleure compréhension de l'environnement, par exemple, pour estimer les services écosystémiques tels que la pollinisation ou pour quantifier les apports de nitrates et de nutriments dans les plans d'eau. Ces informations sont de plus en plus obtenues à partir d'images satellitaires à haute résolution temporelle et spatiale. Cependant, les nuages ​​empêchent souvent la vue de l'espace à la surface de la terre. L'utilisation dynamique de modèles de machine learning permet de prendre en compte cette couverture nuageuse locale sans recourir aux méthodes d'interpolation couramment utilisées. C'est ce que montrent les scientifiques de l'UFZ dans une étude publiée dans la revue Remote Sensing of Environment. Leur algorithme reconnaît 19 types de cultures différentes, précis à 88 pour cent.

« Si nous pouvons déterminer la culture cultivée pour chaque champ agricole, nous pouvons tirer des conclusions non seulement sur les besoins en nutriments mais aussi sur la charge en nitrates des eaux environnantes, " explique Sébastien Preidl, scientifique au département d'écologie du paysage de l'UFZ. Les informations pourraient également être utilisées, par exemple, pour mieux initier des actions de protection des populations d'abeilles sauvages. "Nous ne pouvons protéger efficacement la diversité biologique d'une région que si nous avons une image claire de la répartition spatiale de la couverture terrestre, " explique Preidl.

Les satellites d'observation de la Terre du programme Copernicus fondé par l'Agence spatiale européenne (ESA) fournissent des données à haute résolution dans le temps et dans l'espace et permettent une surveillance continue de la surface terrestre à une échelle écologiquement pertinente. Les images satellitaires Sentinel-2 capturées à intervalles de temps réguliers dans neuf bandes spectrales ont constitué la base des travaux de Preidl. À partir de ces séries temporelles spectrales, les chercheurs peuvent dériver des informations sur la couverture terrestre pour leur zone d'étude.

L'occurrence des nuages ​​est un défi majeur lorsqu'il s'agit de traiter des séries chronologiques de données satellitaires optiques. Malgré de nombreuses images satellites, une couverture nuageuse fréquente peut entraîner des lacunes de données plus importantes dans les séries temporelles spectrales. À la fois, un nombre suffisant de pixels (observations) est nécessaire pour de nombreuses phases de croissance des plantes pour attribuer les signatures spectrales enregistrées aux espèces végétales correspondantes.

Ces lacunes sont généralement comblées par des données générées artificiellement qui sont interpolées à partir de pixels d'image sans nuage. « Au lieu de faire ça, nous optons pour une application dynamique de modèles d'apprentissage automatique. Cela signifie que nous générons des algorithmes personnalisés pour chaque pixel, ", explique Preidl. "Notre algorithme sélectionne automatiquement les pixels sans nuages ​​dans l'ensemble de données d'images satellite et ne dépend pas de scènes sans nuages ​​à grande échelle. Pour attribuer un type de recadrage spécifique à chaque pixel de l'image, la séquence temporelle des observations sans nuages ​​au niveau du pixel est prise en compte par un grand nombre de modèles."

Sur la base des informations fournies par les Länder, le type de culture cultivé n'est connu que pour des champs agricoles sélectionnés. Ces connaissances sont utilisées pour entraîner les modèles UFZ à distinguer le maïs et le blé, par exemple. Pour déterminer la couverture terrestre de la superficie agricole totale, les scientifiques ont divisé l'Allemagne en six régions paysagères. "Des cultures différentes sont pratiquées dans le 'Magdeburger Börde' que dans le 'Rheingau', " explique Preidl. " De plus, une même espèce végétale pousse différemment dans le 'Breisgau' et dans l''Uckermark'. Le climat et l'altitude font une grande différence. » Le résultat :l'algorithme des chercheurs atteint une précision de 88 % en identifiant 19 types de cultures différentes. Pour les cultures principales, le taux de réussite est supérieur à 90 %. Dans un premier temps pour l'année 2016, ils ont créé une carte de l'occupation du sol de la zone agricole allemande à l'aide d'environ 7 000 images satellite. En plus de cette carte, Le chercheur UFZ peut également fournir des informations sur les performances du modèle, c'est à dire., la précision avec laquelle l'algorithme détecte les espèces végétales pour un pixel donné.

Mais l'approche UFZ peut être exploitée de bien d'autres manières. Dans un projet avec l'Agence fédérale allemande pour la conservation de la nature (BfN), au lieu de blé et de maïs, Les algorithmes de Preidl distinguent également l'épicéa, hêtres et autres essences d'arbres. De cette façon, il étudie comment la valeur de conservation de la nature des forêts peut être déterminée à l'aide de données satellitaires. « Si nous savons quelles espèces d'arbres prédominent dans une zone forestière au fil du temps, les effets des tempêtes, les dommages causés par la sécheresse ou les infestations de ravageurs peuvent être mieux évalués. Une forêt résiliente est économiquement et écologiquement très pertinente au regard des objectifs de développement durable, " dit Preidl.

"Notre méthodologie peut être appliquée à d'autres régions en Europe et hors Europe, et aux autres années, en tenant compte de la séquence temporelle pertinente respective des observations sans nuages ​​et de l'utilisation des terres, " dit le Dr Daniel Doktor, responsable du groupe de travail Télédétection du Département d'Ecologie Computationnelle du Paysage à l'UFZ, décrivant les prochaines étapes. « Si cette méthodologie est combinée avec d'autres modèles - par exemple sur la phénologie ou l'écologie - des déclarations peuvent être faites non seulement sur la vulnérabilité spécifique des espèces aux événements extrêmes tels que les sécheresses, mais aussi sur le comportement futur des écosystèmes en tant que sources ou puits de carbone, " explique Doktor.