Monitoring dynamics of grassland with multi-modal and multi-temporal satellite time series analysis
Suivi de la dynamique des prairies permanentes par analyse des séries temporelles multi-modales
Résumé
The vast grassland surfaces as well as the growing recognition of the ecosystem services they provide have revealed urgent needs for their conservation and sustainable management. In particular, over-exploitation causes a significant decrease in their capacity to provide multiple ecosystem services. Despite the acknowledged importance of management practices, there are currently no large-scale efforts reporting on their frequency and nature.Satellite remote sensing appears to be a suitable tool for efficient grassland monitoring. Satellite time series specifically allow synoptic and regular observations. Combined, the characteristics provided by complementary optical and Synthetic Aperture Radar (SAR) images from the Sentinels bring new opportunities to monitor grassland vegetation conditions.The research conducted in this PhD thesis intends to investigate the capabilities and the synergy of Sentinel time series for grassland monitoring. Specifically, it aims to develop methods for detecting grassland management practices. Farmers are managing grasslands with a wide range of practices, having different impacts on biomass and calendars. Therefore, frequent and regular satellite acquisitions are mandatory, especially because grasslands exhibit the particularity of potential rapid regrowth after management. The joint exploitation of Sentinel-1 and Sentinel-2 and the increase of acquired data raise new challenges. The high dimension and the heterogeneous physical nature of the data, with various spatial, spectral and temporal domains, are among the aspects to be explored. At the same time, recent advances in computing resources and machine learning algorithms are bringing to the forefront deep learning strategies suitable for dealing with the reported requirements, such as large-scale processing and data mining.In this context, the main objective of this PhD is to develop new methodologies allowing the frequent and regular monitoring of grasslands and the detection of their management practices. Under this purpose, this PhD: (i) uses the advances of deep learning architectures to develop a multi-source methodology exploiting the synergy and capabilities of both Sentinel-1 and Sentinel-2 data. The developed recurrent-based methodology targets to regress multivariate SAR time series towards optical NDVI and proposes the incorporation of contextual knowledge to reduce the impact of exogenous factors leading to SAR data variability ; (ii) explores methods aiming to detect heterogeneous changes in vegetation status associated to grassland management practices.The proposed Sentinels Regression for Vegetation Monitoring (SenRVM) approach provides NDVI time series with no missing data at 6 days. The results, compared to the NDVI obtained by Sentinel-2, show low errors and good stability on contrasted vegetation surfaces and different large-scale geographical contexts. An ablation study of satellite and ancillary features and a comparison to commonly adopted gap-filling methods for retrieving information over short- and long-term data gaps underline the methodological contributions. To accurately detect management practices, a segmentation of grassland parcels at the superpixel-scale, justified by their rotational management, furthermore allows exploiting the dense time series over homogeneous areas. Diverse 1D time series change detection methodologies are compared using two constructed large-scale validation datasets. The results achieve high performances in retrieving the different patterns related to grassland management.The proposed methodologies integrate freely accessible data, whose continuity is ensured, and exploit deep learning methods favoring large-scale and versatile applications. Therefore, they are foundations for the extraction from multi-modal satellite image time series of relevant information related to the grassland ecosystem whose understanding is essential
Les vastes surfaces de prairies ainsi que la reconnaissance croissante des services écosystémiques qu'elles fournissent ont révélé des besoins urgents pour leur conservation et leur gestion durable. En particulier, leur surexploitation entraîne une diminution de leur capacité à fournir des services écosystémiques. En dépit de la nécessité d’obtenir des données décrivant l’exploitation des prairies, l’observation de la fréquence et de la nature de leur exploitation demeure restreinte.La télédétection par satellite est un outil approprié pour un suivi efficace des prairies. Les séries temporelles d'images satellites permettent des observations synoptiques et régulières. Combinées, les caractéristiques fournies par les images complémentaires optiques et radars des satellites Sentinel offrent de nouvelles opportunités. Les recherches menées dans le cadre de ce doctorat visent à étudier les capacités et la synergie des séries temporelles Sentinel pour le suivi des prairies. Plus spécifiquement, elles visent le développement de méthodes de détection des pratiques agricoles. La gestion de chaque prairie est faite avec des intensités et des calendriers distincts. Par conséquent, des acquisitions fréquentes et régulières sont d’autant plus indispensables que les prairies peuvent repousser rapidement après leur exploitation.L’abondance des données de Sentinel-1 et Sentinel-2 et leur exploitation conjointe soulèvent de nouvelles problématiques. La haute dimension et la nature physique hétérogène des données, conjuguant divers domaines spatiaux, spectraux et temporels, font partie des aspects à explorer. Récemment, les progrès en matière de ressources informatiques et d'algorithmes d'apprentissage automatique mettent au premier plan les stratégies d'apprentissage profond, qui permettent de relever les défis exposés, tels que le traitement à grande échelle et l'extraction d’informations complexes. L’objectif principal de la thèse est donc de développer des méthodes permettant le suivi en continu des prairies et la détection de leur exploitation. À cette fin, la thèse : (i) utilise les progrès permis par l'apprentissage profond, pour développer une méthodologie multi-source exploitant la synergie des données Sentinel-1 et Sentinel-2. La méthodologie développée vise spécifiquement à régresser les séries temporelles radars multivariées vers le NDVI optique et propose l'incorporation de connaissances contextuelles pour réduire l'impact de facteurs exogènes ; (ii) explore différentes méthodes permettant de détecter l’exploitation hétérogène des prairies.L'approche proposée, nommée Sentinels Regression for Vegetation Monitoring (SenRVM), fournit des séries temporelles de NDVI complètes avec une répétitivité de six jours. Les résultats, comparés aux NDVI obtenus par Sentinel-2, indiquent de faibles erreurs et une bonne stabilité sur diverses surfaces de végétation et différents contextes géographiques. Une étude d'ablation des données satellitaires et auxiliaires ainsi qu’une comparaison avec des méthodes communément adoptées pour interpoler les données manquantes soulignent la pertinence des contributions méthodologiques. Pour détecter avec précision les pratiques agricoles, une segmentation des parcelles de prairie à l'échelle du superpixel, justifiée par leur gestion rotative, permet d'exploiter les séries temporelles denses sur des zones homogènes. Différentes méthodologies de détection de changements sont comparées à l'aide de jeux de données de validation construits. Les résultats atteignent des performances élevées dans l’identification des différentes tendances liés à la gestion des prairies. L'intégration de données accessibles gratuitement, dont la continuité est assurée, et l'exploitation de méthodes d'apprentissage profond favorisant les applications à grande échelle et polyvalentes, ont permis d'introduire des méthodes qui proposent des bases pour la collecte d'informations pertinentes liées à l'écosystème des prairies
| Origine | Version validée par le jury (STAR) |
|---|