l’apport de la télédétection pour la des surfaces
TRANSCRIPT
L’apport de la télédétection pour la caractérisation des surfaces végétales et la
modélisation de leur fonctionnementmodélisation de leur fonctionnement
Rémi Lecerf – INRA EMMAH
Stage "Eléments de télédétection depuis l'espace" Rennes, 22 ‐ 26 novembre 2010
La télédétection est l'ensemble des connaissances et techniques utilisées pourLa télédétection est l ensemble des connaissances et techniques utilisées pour déterminer des caractéristiques physiques et biologiques d'objets par des mesures effectuées à distance, sans contact matériel avec ceux‐ci.
Le rayonnement électromagnétique au centre du fonctionnement des plantesy g q p
La végétation à la surface du globe
C hi d d’ i d l à l’é h ll l b lCartographie des types d’occupation du sol à l’échelle globale
GLC2000
Shrub Cover, closed-open, deciduous (Examples of sub-classes at reg. level *: (i) sparse tree layer)
Herbaceous Cover, closed-open (Examples of sub-classes at regional level *:(i) natural, (ii) pasture, (iii) sparse trees or shrubs)
Sparse Herbaceous or sparse Shrub Cover
GLC Global Class (according to LCCS terminology)Tree Cover, broadleaved, evergreen
LCCS >15% tree cover, tree height >3m(Examples of sub-classes at regional level* :closed > 40% tree cove; open 15-40% tree cover)
Tree Cover, broadleaved, deciduous, closed Regularly flooded Shrub and/or Herbaceous CoverCultivated and managed areas
(Examples of sub-classes at reg. level *:
(i) terrestrial; (ii) aquatic (=flooded during cultivation), and under terrestrial: (iii) tree crop & shrubs (perennial), (iv) herbaceous crops (annual), non-irrigated, (v) herbaceous crops (annual), irrigated)
Mosaic:
Cropland / Tree Cover / Other natural vegetation
Tree Cover, broadleaved, deciduous, closed Tree Cover, broadleaved, deciduous, open(open 15-40% tree cover)
Tree Cover, needle-leaved, evergreenTree Cover, needle-leaved, deciduousTree Cover, mixed leaf typeTree Cover, regularly flooded, fresh water (& brackish)
Tree Cover, regularly flooded, saline water, Cropland / Tree Cover / Other natural vegetationMosaic:
Cropland / Shrub or Grass Cover Bare Areas
Water Bodies (natural & artificial)
Snow and Ice (natural & artificial)
Artificial surfaces and associated areas
(daily variation of water level)
Mosaic:
Tree cover / Other natural vegetation Tree Cover, burntShrub Cover, closed-open, evergreen
(Examples of sub-classes at reg. level *: (i) sparse tree layer)
Télédétection et végétation : la modélisation
La végétation n’est pas homogène à la surface du globe : différences de structures, de composition biochimique
Quelles interactions entre le rayonnement électromagnétique et la végétation ?Interactions avec les feuillesInteractions avec les couverts
C déli l f i d é é élédé i ?Comment modéliser le fonctionnement des couverts végétaux par télédétection ?Quelle démarche ?Quel type de modèle ?
Quelles variables est‐il possible de mesurer à l’aide d’images de télédétection ?
Comment valider l’information acquise par télédétection ?
1 Rappels
Plan
1. RappelsLes mesures de télédétectionInteractions entre rayonnement électromagnétique et matièreLa photosynthèseLes modèles de transfert radiatif : Principes de la modélisation
2. Interactions entre le rayonnement électromagnétique et les surfaces végétales Propriétés optiques des feuillesPropriétés des couvertspPropriétés optiques des sols
3 Les modèles de transfert radiatif3. Les modèles de transfert radiatifUn modèle de transfert radiatif des feuilles : le modèle PROSPECT Les différents types de modèles de couvertUn modèle de transfert radiatif des couverts : le modèle SAILUn modèle de transfert radiatif des couverts : le modèle SAILLa combinaison de différents modèles
4 L’inversion des modèles de transfert radiatif
Plan
4. L’inversion des modèles de transfert radiatifLes réseaux de neuronesL’optimisationLes LUTIncertitudesApport d’information à priori
5. Comparaison avec des indices de végétationConception d’indicespRelation avec des variables biophysiques
6 La validation terrain6. La validation terrainPhotographies hémisphériquesL’instrumentation
7. Exemples d’applicationAgriculture de précisionPhé l i i iPhénologie et suiviExtraction de variables sur les sols avec un capteur hyperspectralModèle de culture et assimilation
Rappels : Réflectance/Luminance
Le signal (ou REM) est modifié au contact d’objets (de molécules). Dans le cas de l’observation de la terre, le REM est modifié par :
‐ l’atmosphère
‐ les surfaces terrestres
Luminance : Rayonnement émis par une surface dans une direction donnée (W.m².str‐1.µm‐1)(W.m .str 1.µm 1)
Réflectance en haut de l’atmosphère (TOA) = Luminance enregistré par le capteur / R t i id t h t dRayonnement incident en haut de l’atmosphère
Réflectance au sol (TOC) = Luminance au sol / Rayonnement incident
Données satellitales
(Ω Ω x y t λ)ρ(Ωv,Ωs,x,y,t,λ)
(μm)0.4 0.7 2 4
PIR MIR
LatitudeRésolutionGéométrie
(μm)
BandesDate
d’acquisition
InformationInformation InformationInformationspatialedirectionnelle spectraletemporelle
Rappels : L’atmosphère
Les fenêtres atmosphériques
Absorption et réflexion du REM par l’atmosphère dans certaines longueurs d’ondes
Rappels : Absorption/Réflexion/Transmission
D=Diffusion
A=AbsorptionA=Absorption
E=Emission
T=Transmission
R=RéflexionR Réflexion
Absorption (Absorptance α) : modifie l’énergie interne de l’objet. L’énergie absorbée est transformée en chaleur produisant à son tour une émission de REM
Réflexion (Réflectance ρ) : rapport entre l’énergie réfléchie et l’énergie reçuRéflexion (Réflectance ρ) : rapport entre l énergie réfléchie et l énergie reçu
Transmission (Transmittance τ) : rapport entre l’énergie transmise et l’énergie reçue
Diffusion : Dispersion aléatoire du rayonnement électromagnétique par les particules composants l’atmosphère
Indice de réfraction
Absorption et diffusion sont décritspar l’indice de réfraction complexe du milieu (N)
AbsorptionDiffusion
p p ( )
P ti i i iN = n + iK
Partie imaginairePartie réelle
1-µm10020 <<dn
Indice de réfractioncomplexe
é d
µm1.002.0 <<λd
é d Dépendance spectraleforte
Dépendancespectralefaible
Diffusion
• Elle dépend de– la partie réelle de l’indice de réfraction
– la taille des particules
• Elle est définie par la fonction de phase Φ(g)– = probabilité de diffusion dans une direction donnée par l’angle de
phase (g) entre direction d’incidence et de visée
∫ =Φπ4
1)( dgg
θθg=phase angle = acos( cos(θs).cos(θv)
θvθs
φ
Principalplane
g + sin(θs).sin(θv).cos(φ))
φ
Processus de diffusion
Type of scattering Relative diameter
Spectral dependance
Phase function Elements
Rayleigh π
λ
. ,D
n<
0 6 τ(λ)=τ(λo)(λ/λo)
-4 symetrical Molecules (Water, atmosphere, …)
Volume λ n (Water, atmosphere, …)scattering Mie 5
0 6< <
π
λ
. ,D
n τ(λ)=τ(λo)(λ/λo)
-1 forward Aerosols
Surface reflection/refraction
π
λ
. D> 5 ρ(λ)≈ρ(λo) θs=θv / n1.sinθs=n2.sinθr Leaf or background facets
Diffusion de Mie : Lorsque la taille des molécules est supérieure à la longueur d’onde. L’onde électromagnétique est diffusée dans un sens préférentiel
Diffusion de Rayleigh : Lorsque la taille des molécules est inférieure à la longueur d’onde. L’onde électromagnétique est diffusée dans toute les directions.
Rayleigh
Mie
R>λ
r<λ r≈λ
Rappels : Le REM et les surfaces terrestres
Exemple de spectre de sol et de végétation
La photosynthèse
Littéralement : synthèse réalisée à l’aide de l’énergie lumineuseLittéralement : synthèse réalisée à l aide de l énergie lumineuse
Les principaux chloroplastes contenues dans les cellules d’une feuille :Chlorophylle (vert) : Chlorophylle a et bChlorophylle (vert) : Chlorophylle a et bCaroténoïdes (jaune‐rouge) : β‐carotènes et xanthophylles
Les chloroplastes absorbent certaines radiations dites actives pour la photosynthèse ( la lumière, domaine visible : de 400 nm à 700 nm)
026 x C02
Réduction dechlorophylle
6 x H OC6H1202
Réduction de CO2
Réactions Biochimiques
Réactions photochimiques
6 x H2O (Glucose)
Processus principaux pour la biosphère
Production primaire,
Transferts de chaleur et d’eauTypes de processus VariableType de végétation Type de couvertPhénologie LAI(t)
LAI (fleurs)LAI (fleurs)SénescenceStructure
Interception fAPARd t LAI ( t)
Photosynthèse
du rayonnement LAI (vert)Structure
Photosynthèse Chlorophylle Matière sècheX h h ll
CO2, O2, H2O
Allocation
Sénescence
XanthophylleRespiration (canopy) LAI
CompositionDécomposition Humidité du sol
CO2, N, O2, H2O Respiration
Matière OrganiqueComposition
Transfert hydrique fCoverLAI
Décomposition litière
Type de SolHumidité du solTextureResidus
Les variables du couvert d’intérêt et observablesBiophysical variable Process models
Data preprocessing
Reflectance Acronym Spectral calibration
Rayleigh (O2)
Atmospheric correctionaerosol
Water column
Cloud fraction Preprocessing steps
Canopy variables
Albedo Energy balance
fCover fCover Many
fAPAR fAPAR PhotosynthesisfAPAR fAPAR Photosynthesis
LAI LAI Many (all)
Senescent fraction Phenology
Leaf variables Chlorophyll Cab Photosynthesis, nitrogen cyclecontent
Other pigments Photosynthesis, phenology
Carotenoids Car Photosynthesis
B i t C Ph l tBrown pigments Cbrown Phenology, stresses
Water content Cw (Assimilation)
Dry matter content Cdm Photosynthesis, nitrogen cycle
Background Residues fraction ErosionBackground variables
Residues fraction Erosion
Soil moisture Water balance, assimilation
Organic matter
Canopy functioningSoil type
Texture
Snow cover Snow studies
Snow type
La démarche générale de la modélisation des surfaces végétales
Compréhension des phénomènes physiquesDu rayonnement électromagnétique par la matière (Absorption, Diffusion)
CartographieDe la composition Biochimique, Modélisation des propriétés optiques
M déli ti d
Biochimique, des caractéristiques architecturales…
Modélisation des propriétés optiques des éléments (cellule, feuille, sol)
Modélisation des propriétés optiques
Des couverts végétaux, atmosphère océansatmosphère, océans
Inversion des modèles
Mesure du signal(différentes échelles)(différentes échelles)
1 Rappels
Plan
1. RappelsLes mesures de télédétectionInteractions entre rayonnement électromagnétique et matièreLa photosynthèseLes modèles de transfert radiatif : Principes de la modélisation
2. Interactions entre le rayonnement électromagnétique et les surfaces végétales Propriétés optiques des feuillesPropriétés des couvertspPropriétés optiques des sols
3 Les modèles de transfert radiatif3. Les modèles de transfert radiatifUn modèle de transfert radiatif des feuilles : le modèle PROSPECT Les différents types de modèles de couvertUn modèle de transfert radiatif des couverts : le modèle SAILUn modèle de transfert radiatif des couverts : le modèle SAILLa combinaison de différents modèles
Interactions entre le rayonnement électromagnétique et les surfaces végétales
Les surfaces végétales se décomposent en trois éléments‐ Les feuilles
g
‐ L’architecture des couverts végétaux ‐ Les sols
Au niveau de la feuille les principales variablesPhotosynthèse
Au niveau de la feuille, les principales variables en interaction avec le rayonnement électromagnétique :
‐ les pigments (chloroplastes)
CO2, O2, H2O
Allocation
Sénescence
‐ les pigments (chloroplastes)‐ la teneur en eau‐ la matière sèche‐ la structure
CO2, N, O2, H2O Respiration
la structure‐ l’angle d’observation
Décomposition litière
Structure de la feuille
Structure de la feuille
Epiderme supérieur
Parenchyme palissadique
Parenchyme lacunaire
Epiderme inférieur( t t )(stomates)
Source : Jacquemoud, 2002
Structure de la feuille
Source : Jacquemoud, 2002
Propriétés optiques typiques d’une feuille verte
From Jacquemoudq
Teneur en chlorophylle
Source : Jacquemoud, 1992
Teneur en eau
Source : Jacquemoud, 1992
Elementary absorption processes
Atomic Absorption Molecular Absorption
electronic transitions Vibration & rotation
.(Rotation)Vibration
η= .heL
Vis‐NIR domain SWIR‐TIR domain High energy Low energy
Absorption par les pigments
Chlorophyll a 0 07
0.08
Chl aChlorophyll aChlorophyll bCarotenoidsXanthophylls
0.06
0.07
(m2.
mg-
1) Chl bChl cPSCPPC
Xanthophylls
0 04
0.05co
effic
ient
0.03
0.04
abso
rptio
n c
Transitions électroniques
0 01
0.02
Spe
cific
aélectroniques
0
0.01
400 450 500 550 600 650 700 750400 450 500 550 600 650 700 750
Wavelength (nm)
Effet d’une variation de teneur en pigments
Source : Jacquemoud
Absorption par les matériaux foliaires
10.0000Brown pigmentsDry matter
1.0000
)
Dry matterChlorophyll and carotenoidswater
0.1000
on (
cm²/
g
0.0100
Abs
orpt
io
0.0010
A
0.0001
400 900 1400 1900 2400400 900 1400 1900 2400
Wavelength (nm)
Composition biochimique détaillée
70
80
m²/
g
60
70
cie
nt
(cm
ProteinC ll l
40
50
n c
oe
ffic CelluloseHemicelluloseStarchSugar
30
40
bso
rptio
n SugarLignin
10
20
eci
fic A
b
0
10
1200 1400 1600 1800 2000 2200 2400
Sp
e
1200 1400 1600 1800 2000 2200 2400Wavelength (nm)
Composition biochimique détaillée
Source : Jacquemoud , 1992
Influence de la structure des feuilles
Différences possibles entre faces
1
nce)
1
nce)
0.6
0.8
ansm
ittan
0.6
0.8
ansm
itta
0.4
0.6
ce, (
1-T
ra
0.4
0.6
ce, (
1-T
ra
0.2
Ref
lect
anc
0.2
Ref
lect
anc
500 1000 1500 2000 25000
Wavelength (nm)
R
500 1000 1500 2000 25000
Wavelength (nm)
R
Tilleul Lierre
Différences entre les surfaces d’une même feuille
0.1
Low
er) 0.1
-Low
er)
0.15
0.2
Low
er)
0
ance
(U
pper
-L
0
tanc
e (U
pper
-
0.05
0.1
ance
(U
pper
-L
-0.1
Del
ta R
efle
cta
-0.1
Del
ta T
rans
mitt
-0.05
0
Del
ta A
bsor
ba
500 1000 1500 2000 2500-0.2
D
Lambda (nm)500 1000 1500 2000 2500
-0.2DLambda (nm)
500 1000 1500 2000 2500-0.1
D
Lambda (nm)
Différences liées à
– La surface (rugosité, pilosité)
– La distribution de la chlorophylle
– La structure
Variation de la structure anatomique
Nervure
M iMais Tournesol
Propriétés directionnelles d’une feuille
D’après Bousquet (2007)
Incidence à 5° et 45°
Contribution à l’absorption
Coefficients spécifiques d’absorption Contribution à l’absorptionp q p
Très faible contribution dans les feuilles fraîches(masquage par l’absorption de l’eau)
Réflectance des couverts végétaux
La réflectance dépend :
– Des propriétés optiques des éléments qui le composent (sol, feuilles, troncs, tiges, fleurs, …..)
– De la quantité de chacun des éléments présents dans le couverts
– De la façon dont ces éléments sont assemblées les uns par rapport aux autres pour former le couvert (architecture)
Réflectance typique d’un couvert végétal
Développement du couvert :Développement du couvert :
– Augmentation dans le PIR (effetde la végétation augmente)g g
– Diminution dans le R (effet du sol diminue)
Sénescence du couvert :
– Diminution de la végétation
– Modification de ses propriétéstioptiques
Effet de la quantité d’éléments
Source : Jacquemoud, 1993
Effet de la quantité d’éléments
• Spectres de réflectance d’uncouvert de betterave pourdifférents indices foliaires ou LAI
• LAI = surface de feuilles par m² deLAI = surface de feuilles par m desol horizontal
Géométrie de mesure
θvθsPlanPrincipal
φ
Principal
BRDF: Bi‐directional Reflectance Disribution Function
i é Di ti l Hé i hé iviséeincidence
Directionnel Hémisphérique
Directionnel Bi-directionnel Hemispherique-directionnel
Hémisphérique Diectionnel-hémisphérique
Bi-hémisphériquep q
Effet de l’angle d’observation
Source : Jacquemoud, 1993
Effet de l’angle d’observation
nir0.60.6
nir
0 4
0.5
0 4
0.5
ctan
ce 0.3
0.4
Ref
lect
ance Hot-spotHot-spot
SpecularSpecular
0.3
0.4
Ref
lect
ance Hot-spotHot-spot
SpecularSpecularReflec
•Ombrage0.1
0.2SpecularSpecular
0.1
0.2SpecularSpecular
red
•Ombrage•Contraste entre sol/feuilles•Diffusion multiple
Zenith View angle (principal plane)
0
-90 -45 0 45 90
0
-90 -45 0 45 90
Zenith View angle (principal plane)
Géométrie de mesure
Exemple de mesures directionnelles
‐60° ‐45° hot spot nadir view +22° +45° +60°
TOA radiance at sensor atmospheric visibility = 40 km 660 nm, 730 nm, 840 nm
Modèle simple de BRDF
)()()( ϑϑϑϑϑϑ fkfkkR ),,(),,(),,( 22110 ϕϑϑϕϑϑϕϑϑ inoutinoutinout fkfkkR ++=
Très efficaces pour corriger des effets directionnels et calculer l’albédo
Généralement 3 coefficients (par bande) sont suffisants
Importance potentielle de la BRDFpour l’estimation de la structure du couvert
Case wavebands viewing geometry # inputs1 450 645 835 1665 nm θ θ = 0° | φ = 0° 51 450, 645, 835, 1665 nm θs θv 0 | φv 0 52 450, 645, 835, 1665 nm θs | φv θv = [0°; 20°; 50°] 13
3 450, 645, 835, 1665 nm θs | φvθv = [-50°; -20°; 0°; 20°;
50°] 21
Problème potentiel : nécessite une bonne description (modèle) de la structure du couvertProblème potentiel : nécessite une bonne description (modèle) de la structure du couvert Pour exploiter la BRDF: demande en général de l’information supplémentaire
Sensibilité au contenu en protéines
18%
6%
18%
36%
Peu d’espoir d’estimer le contenu en protéines au niveau du couvert …
Réflectance typique de sol
0.8
0.6
0.7
0.5
lect
ance brown soil
bright soilsandpeat
0.3
0.4
Ref
l
0 1
0.2
0.5 1 1.5 2 2.50
0.1
l th ( )wavelength (µm)
Facteurs de variation: type de sol
0.60
#9
0.50 #1#8
#2
#9 Sols clairssableux
0 30
0.40
an
ce
#6
#7
0.20
0.30
Re
flec
t
#4 #3
#5
Terreaux
0.10
#0 Sols plutôtArgileux
0.00
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
Wavelength (nm)
Type de sol
Whiting et al, 2003
Profondeur du pic d’absorption à 2200nm relié au contenu en argile
Effet des propriétés optiques des éléments
Pour un sol sombre, la réflectance du couvert végétal dépend des propriétés optiques des feuilles
Principaux absorbants
Absorption peak (nm)
Organic matters References
400 ; 440 ; 450 Fe Palacios & Ustin, 1998; Gaffey et al., 1993 400 :500 Humic acids Stoner & Baumgardner (1981); Mathews (1973) 550 Fe Hunt 1971 620 :700 Humic acids Stoner & Baumgardner (1981); Mathews (1973) 700 ; 870 ; 900 Fe Hunt, Salisbury, 1971; Karmanov, 1970; Stone 1979 970 H20 Irons et al., 1989 1000 Fe++ Hunt & Salisbury, 1970 1200 H20 Stoner & Baumgardner, 1981; Irons et al., 1989 1201 Lipid Ben Dor et al., 1997 1203 Lipid, cellulose Ben Dor et al., 1997 1250 gypsum (OH) Prost et al, 1983; Bowers & Smith, 1972; Lindberg & Snyder 1972 1358; 1367 Cellulose, lignin, starch Ben Dor et al., 1997 1400 ; 1450 H20 Irons et al., 1989 1465 Cellulose, lignin, starc, -pectin Ben Dor et al., 1997 1582 Cellulose, starc, -pectine Ben Dor et al., 1997 1600 Cellulose Murray & Williams, 1988 ; Daughtry, 2001 1726 cellulose, lignin, starch, lipid, humic acids Ben Dor et al., 1997 1750 gypsum (OH) Prost et al, 1983; Bowers & Smith, 1972; Lindberg & Snyder, 1972 1761 cellulose, lignin, starch, lipid, humic acids Ben Dor, et al., 1997 1769 cellulose, lignine, starch Ben Dor et al., 1997 1770; 1900 H20 Stoner & Baumgardner, 1981; Irons et al., 1989 1932 cellulose, lignin, glycan, starch, pectin, lipid, humic acids Ben Dor, Inbar, Chen, 1997 1950 H20 Escadafal, Girard, Courault, 1988 2068 ; 2111 cellulose, glycan, pectin Ben Dor, et al., 1997 ; Murray & Williams, 1988 ; Daughtry, 20012142 ; 2169 starch, lignin, lipid, polyphenol Ben Dor, et al., 1997 2193 protein Ben Dor, et al., 1997 2200 Al-OH Stoner & Baumgardner, 1981; Palacios & Ustin, 1998 2300 Mg-OH Pieters & Eglerts, 1993; Roush et al., 1993 2309 Humic acid, lipid, starch Ben Dor, et al., 1997 2331 cellulose, lignine, glycan Ben Dor, et al., 1997 2337 pectine, protein Ben Dor, et al., 1997
Granulométrie
Effet de la taille des grains
0 6
0.7
0.5
0.6
700nm
0.4
ctan
ce
900nm
0 2
0.3
refl
ec
0.1
0.2
0
0 100 200 300 400 500
Grain size (µm)
Facteurs de variation: granulométrie
Humidité
B ki t l 2004Bogrecki et al, 2004
Facteurs de variation : humidité
0.25
A
0.35
0.2
A
B
CD
0.25
0.3A
B
Sol sec
0 1
0.15
Re
flec
tan
ce
D
E
0.15
0.2
Re
flec
tan
ce
C
0.05
0.1R
0 05
0.1
R
D
Sol saturé
0
300 800 1300 1800 2300
0
0.05
300 800 1300 1800 2300
W avelength (nm)W avelength (nm)
Coefficient d’absorption de l’eau
103
102
m-1
)
I0
0
101
on c
oeffi
cien
t (cm
It
x
10-1
100
wat
er a
bsor
ptiot
xkt weI
t .−==
10-2
Kwe
It
0
600 800 1000 1200 1400 1600 1800 2000 2200 240010
-3
wavelength (nm)wavelength (nm)
Facteurs de variation: humidité
Réflectance relative =R/Rsec
Existence d’un point critiqueExistence d’un point critique pour les plus fortes humidités
Faibles niveaux d’humidité:Absorption et diffusion
Forts niveaux d’humidité:Surtout effet de la diffusion
Performances de l’estimation de l’humidité de surface
Matrix of RMSE400 0.1
Matrix of RMSE400
Reflectance Absorbance
600
800
10000.08
0.09600
800
1000
Calibration Calibration
vele
ngth
(nm
)
1200
14000.06
0.07
vele
ngth
(nm
)
1200
1400
Wav 1600
1800
2000 0.04
0.05
Wav 1600
1800
2000
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
2200
2400
0.02
0.03
400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
2200
2400Validation Validation
Wavelength (nm)400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
Wavelength (nm)400 600 800 1000 1200 1400 1600 1800 2000 2200 2400
Interest of derivatives or at least using bands relatively close together
R1834 ‐R1836R*1944
RMSE=0.083 RMSE=0.080
R2250 ‐R2062A1628 ‐A1630
RMSE=0.064 RMSE=0.076
Estimation d’autres constituants
From Udelhoven et al., 2000 at laboratory level
Effet de l’angle d’observation sur les sols
a: sol argileux très rugueuxg g
b: même sol argileux très lisse
D’après Jacquemoud et al
1 Rappels
Plan
1. RappelsLes mesures de télédétectionInteractions entre rayonnement électromagnétique et matièreLa photosynthèseLes modèles de transfert radiatif : Principes de la modélisation
2. Interactions entre le rayonnement électromagnétique et les surfaces végétales Propriétés optiques des feuillesPropriétés des couvertspPropriétés optiques des sols
3 Les modèles de transfert radiatif3. Les modèles de transfert radiatifUn modèle de transfert radiatif des feuilles : le modèle PROSPECT Les différents types de modèles de couvertUn modèle de transfert radiatif des couverts : le modèle SAILUn modèle de transfert radiatif des couverts : le modèle SAILLa combinaison de différents modèles
Description du modèle PROSPECT
Is Effets de surface
Rh
Couche élémentaire:n: Indice de réfraction
Ncouches
n: Indice de réfractionK: Coefficient d’absorption
couchesindentiques
Flux hémisphériques
K k Ci ii
= ∑ ThCoefficient d’absorption:
Coefficientd’absorptionspécifique
Contenu enMatériauxabsorbants
i
Coefficients d’absorption spécifiques des feuilles
Source : Jacquemoud, 2002
Contribution à la transmittance des feuilles
CabCwCdmStructure (N)
Source : Jacquemoud, 2002D’après Pavan, 2001
Fonctionnement du modèle PROSPECT
Cab
Is
Rh
Couche élémentaire:
Effets de surface
CwCdmCar
Ncouchesindentiques
Couche élémentaire:n: Indice de réfractionK: Coefficient d’absorption
Flux hémisphériques
RéflectanceAbsorptionTransmittance
Structure (N)
Modélisation du transfert radiatif d’un couvert végétal
Simplifiée RéalisteSimplifiée Réaliste
Surface foliaireInclinaison foliaire
Surface foliaireInclinaison foliaireT ill l i d f illTaille relative des feuilles Taille relative des feuillesForme des feuillesDensité de plantesDiamètres des couronnesDiamètres des couronnes…
Source : Pinty et al. 2001
Les différents types de modèles de transfert radiatif
Comparaison de performances
0.60.6
0.5 RM SE=0.038891
odel
0.5 RM SE=0.038891
odel
0.3
0.4um
Mo
0.3
0.4um
Mo
0.2
dM
ediu
0.2
dM
ediu
0.1
Tur
bid
0.1
Tur
bid
0 0.1 0.2 0.3 0.4 0.5 0.60
3D Reflectance Model0 0.1 0.2 0.3 0.4 0.5 0.6
0
3D Reflectance Model3D Reflectance Model3D Reflectance Model
Modèle turbide à 4 flux
Es Eo
dL
o
E+
E
fl d d d ( l l)
E-
• Es = flux direct descendant (s=soleil)
• Eo = flux direct montant (o=observation)
• E‐ = flux diffus descendant
• E = flux diffus montantE+ = flux diffus montant
Modèle turbide à 4 flux
• On regarde les différentes combinaisonsOn regarde les différentes combinaisons
– Réflexion/transmission
– Flux descendant/montantn(level,way,direction,inter_sol,inter_veget)
=number of photons (radiance)Flux descendant/montant
– Flux direct ou diffus
=number of photons (radiance)level: b=bottom; t=topway: ‐ = downward; + = upwarddirection: θs=sun direction; θv=view direction;
h=hemispheric interaction order (inter_sol, inter_veget):
0: no interaction1: 1 interaction only≥1: one or more interactions
Rc=ρso+τssτoo.Rs +((τss.Rs+τsd.Rs).τdo+(τsd+τss.Rs.ρdd).Rs.τoo)/(1‐Rs.*ρdd)4 fluxc ρso ss oo s (( ss s sd s) do ( sd ss s ρdd) s oo)/( s ρdd)
Black soilterm
Soil interaction term
approximation
Le fonctionnement du modèle SAIL
LAI
Es EoE
LAIAngles d’observationsAngles solairesAngle d’inclinaison des feuilles Réflectance, absorptance,
dL E+E-
Angle d inclinaison des feuillesHot SpotRéflectance des feuillesRéflectance des sols
, p ,transmittance du couvert
Réflectance des sols
Le couplage des modèles
Le flux radiatif enregistré par les capteurs dépend du l
Atmosphere
couplage entre
Atmosphere: Pression, Aérosol, absorption gazeuse
couplage
Vegetation
(H2O, O2, CO2, O3)
VegetationVegetation: Structure, composition, propriétésoptiques
couplageSol
Sol: rugosité, texture, structure, humidité et composition.
Un modèle de milieu turbide: SAIL
LAI,,θl, hot-spotθs, θv , ϕ
Sun & viewdirections
θs, θv , ϕ
Canopy RTρl
λτlλ
CabCdmNg
Leaf model
pyModel
λgPROSPECT
ρs (λ,θs,θv,ϕ) a, bSoil model
Modèle atmosphérique
SAIL
ρ (λ,θs,θv,ϕ)
4 L’inversion des modèles de transfert radiatif
Plan
4. L’inversion des modèles de transfert radiatifLes réseaux de neuronesL’optimisationLes LUTIncertitudesApport d’information à priori
5. Comparaison avec des indices de végétationConception d’indicespRelation avec des variables biophysiques
6 La validation terrain6. La validation terrainPhotographies hémisphériquesL’instrumentation
7. Exemples d’applicationAgriculture de précisionPhé l i i iPhénologie et suiviExtraction de variables sur les sols avec un capteur hyperspectralModèle de culture et assimilation
Le problème inverse
AutresAutres caractéristiques
Modèle de Transfert
Données de
Transfertradiatif
Variables
Technique
Données de Télédétection
Variablesbiophysiques
d’inversion
La base d’apprentissage
Pour chaque variable d’entrée du modèle les variables de sorties sont calculés et associés auxPour chaque variable d entrée du modèle, les variables de sorties sont calculés et associés aux variables d’entrée
La base d’apprentissage est constituée de couples variables d’entrée (variablesLa base d apprentissage est constituée de couples variables d entrée (variables biophysiques), variables de sorties (réflectance)
ALA
LAI
vCover
HotSpot
N
CN Cab Cbp Cdm
Cw rel
Bs
Les techniques d’inversion de modèle
Surfacevariables Réflectance
ModèleTR
Base d'apprentissage
Surface*variables
ModèleTR Réflectance*
DS
S f * ModèleDR
variables TR
Coefficients
Surface*variables
ModèleInverse
Réflectance
Minimisation sur les Variables biophysiques
Minimisation sur les Variables Radiométriques
Étalonnagesur
Expérimentation
Régression multipleRéseaux de neuronesIndice de végétation
Table de correspondance
Etalonnagesur
g
OptimisationTable de correspondanceRégression multiple
Réseaux de neuronessimulation
Réseaux de neuronesIndices spectraux
Les NNET: réseaux de neurones
R NSS
R1
SR2
N
NVariableS
SS
SSS
L... N
VariableBiophysique
SRn N
• un NNET est un assemblage de fonctions élémentaires (neurones) caractérisé par
• Un poids associé à chaque entrée
• Un biais
f d f• Une fonction de transfert
qui permet d’estimer une sortiequi permet d estimer une sortie
à partir de n’importe quelle entrée
Fonctionnement du réseau de neurones
H: Hessien
Minimisation dans l’espace des sorties!!
J: JacobienG: Gradiente = erreur du réseau
• L’apprentissage (calage des poids et biais) se fait sur une base dedonnées (simulées ou vraies) Une fois le réseau calé l’estimation àdonnées (simulées ou vraies). Une fois le réseau calé, l’estimation àpartir d’une entrée donnée est instantanée.
• Réseaux de neurones à rétro propagation du gradient• Réseaux de neurones à rétro‐propagation du gradient
• Algorithme de minimisation de Levernberg‐Marquart (µ=0 quasiNewton étendu ) + techniques de régularisationNewton étendu ) + techniques de régularisation
Calage d’un réseau de neurones
• Détermination de l’architecture
– Nb de couches
– Nb de neurones par coucheNb de neurones par couche
– Type de neurones (fonction de transfert)
• Apprentissage = calage des poids et biais
– Initialisation des poids et des biaisInitialisation des poids et des biais
– Algorithme d’optimisation (gauss/newton,….)
– Critère d’arrêt (convergence hyperspécialisation)Critère d arrêt (convergence, hyperspécialisation)
Les NNET: réseaux de neurones
• Avantages– Une fois l’apprentissage effectué, très rapide d’exécution
• Inconvénients– Nombre d’entrées fixes– Nombre d entrées fixes
– Ne fournit que la variable d’intérêt
• Questions associées– Constitution de la base de données (réalisme!!!)
• Distribution des entrées du modèle• Distribution des entrées du modèle
• Qualité du modèle à représenter ce que l’on observe
• Architecture du réseau
– Le bruit associé aux données (et/ou précision du modèle)
Les NNET: réseaux de neurones
• Améliorer le réalisme de la base d’apprentissage
Reflectance mismatch– Reflectance mismatch
• Recherche de similitudes entre réflectance mesurées dans la réalité et réflectances simulées (éliminitaiondans la réalité et réflectances simulées (éliminitaion des cas trop disparates)
– Vérification que certaines relations attendues sont vérifiéssont vérifiés
• Ex: loi de Beer : fAPAR=1‐exp—KLAI
Les NNETs: exemple de résultat
Quelques exemples d’estimation…
VariablePré- VariablebiophysiqueVariables
d'entrée
Prétraitement
Le projet CYCLOPES
Biophysical variables:AlbedofAPARfCoverLAI
Resolution: 1km ‐ 8kmTemporal sampling: 10 daysCoverage: GlobalCoverage: GlobalDuration: 1997‐2003Sensors:
AVHRRVEGETATIONVEGETATIONPOLDERMERIS(MSG)
Chaîne de développement du produit (1)
Pré‐traitement RTOA Cloud Atm‐corr RTOC
Calibration radiométrique
Détection de nuage
Correction atmosphérique:climatologie (Monthly MODIS min average values)
Chaîne de développement du produit (2)
Normalisation de la BRDF: inversion d’un modèle semi‐linéaire
RTOA Cloud Atm‐corr RTOC BRDF
V2: τ = 30days
k k][kσ ][kσA priori constraints
Blue 0.00 0.07 0.08 0.29
Red 0.02 0.05 0.17 0.30
1k 2k][ 1kσ ][ 2kσ
NIR 0.04 0.07 0.67 0.34
SWIR 0.05 0.06 0.41 0.28
Bonnes performances, même avec peu d’observations
Chaîne de développement du produit (3)
RTOA Cloud Atm‐corr RTOC Bio‐algo VARBRDF
Lat LAI N Cab Cm
-50 0 50 0 5 2 4 50 100 0.01 0.02
Cbp ALA Bs HotS vCover
0 0.5 1 1.5 40 60 80 0.4 0.6 0.8 1 1.2 0.5 1 0.6 0.8 1
Cm vCoverθs Norm
S
0.01 0.02 0.6 0.8 1Simulations based on 1D RT model
B2
B3
Norm
Norm
NormS
S
L Var
SWIR Norm
S
S
CYCLOPES: Résultats
I i dInversion de modèle 1D par NNT Climatologie sur
modèle empiriquemodèle empirique
M dèl E i iInversion de modèle
3D par LUT
Modèle Empirique
Les méthodes d’optimisation
RéflectancesSimulées Y
J(X)=(Y‐Yobs)² + erreur + info a priori
2
Modèle
1
Réflectances Algorithme
3
DirectRéflectancesObservées Yobs
gd’optimisationY* tel que
Grad(J(X*)) = 0
Paramètres Optimisés X*
ParamètresParamètres Initiaux Xo
Les méthodes d’optimisation
MesuresFonction
Maximum de vraisemblance ≈ fonction coût utilisée
W: Matrice de covariancedes incertitudes(modèle et mesures)J(V) = (R‐R*)t.W‐1.(R‐R*)
coût
Cost function references
∑ −Nnn RR
Jˆ (Gao and Lesht, 1997)
∑=
=n n
nn
RJ
1
∑=
−=
N
n n
nn
R
RRJ
1
ˆ
(Qiu et al., 1998)
∑=
⎟⎟⎠
⎞⎜⎜⎝
⎛
+
−=
N
n nn
nn
RR
RRJ
1
2
ˆ
ˆ
(Gobron et al., 1997)
( )∑ −=N
nn RRJ2ˆ
(Braswell et al., 1996; Combal et al., 2002; Goel and Thompson, 1984; Jacquemoud et al., 2000; ( )∑
=nnn
1 p , ; q , ;
Pinty et al., 1990; Privette et al., 1996)
∑=
⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
N
n n
nn
R
RRJ
1
2ˆ
(Bicheron and Leroy, 1999; Kuusk, 1991b; Nilson and Kuusk, 1989; Weiss et al., 2000)
2 ( l 2002 )
∑=
⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
N
n n
nnn R
RRJ
1
2ˆω
; 2
1))sin(cos( +⋅=
φθω vn
(Bacour et al., 2002a)
Les méthodes d’optimisation
• Avantages
– Fournit l’ensemble des variables du modèle(indication d’ambigüités)
• Inconvénients
– Temps d’exécution
– Dépendant de la solution initiale (minimum locaux)
• Questions associées
– Quel critère de convergence, quelle fonction de coût?g q
– Le bruit associé aux données (et/ou précision dumodèle)
Les méthodes d’optimisation
• Améliorer les performances de l’algorithme– réaliser l’inversion pour différentes valeurs de paramètres initiaux => si convergence vers solution différentes alors présence de minima locaux (augmente le temps de calcul)présence de minima locaux (augmente le temps de calcul)
– introduire de l’information a priori pour « régulariser » l’ l i h ( i )l’algorithme (contraintes)
• Prise en compte des variations spatiales et/ou• Prise en compte des variations spatiales et/ou temporelles des variables– Atmosphère invariante sur 10km² p– Sol invariant sur une zone large (qqs km²)– LAI invariant sur une parcelle (qqs ha)
Méthode d’Optimisation
• Estimation de la chlorophylle par inversion de 3 modèles: 10 bandes VIS‐PIR
SAIL Pinty Kuusk
Méthode d’Optimisation
• Estimation du LAI par inversion de 3 modèles: 10 bandes VIS PIR10 bandes VIS‐PIR
SAIL Pinty Kuusk
Méthode d’Optimisation: échelle globale
• Capteur POLDER
Indice de VGTInversionM dèl
Indice de VGTModèle
Tables de correspondance : LUT
K configs
K configs
Base de donnéesK configs
robs(1,k): observations
rbd(i,k)cas Tri
S l tibd
i c
J(i)
Selection
Modèle Direct
vbd(i,j)
i cas
v(i,j)^
j variablesj variables
Tables de correspondance : LUT
• Avantages– Fournit l’ensemble des variables du modèle (indication d’ambiguïtés)
– Rapide
– Recherche globale
• InconvénientsRequiert de stocker l’ensemble des cas– Requiert de stocker l’ensemble des cas
• Questions associéesQuestions associées– Quelle fonction de coût?
– Constitution de la base de données (distribution des entrées)
– Le bruit associé aux données (et/ou précision du modèle)
Exemple d’implémentation d’une LUT
• Comparaison multispectral(MS) / Hyperspectral (HS) sur de l’orgesur de l orge
Exemple d’implémentation d’une LUT
LUT
Comparaison de techniques d’inversion
LAI
0.25 6.25
P ié é f ill Réfl S l
0.30
0.40
0.50
ecta
nce
Propriétés feuillesCab=30
Cab=50 0.20
0.30
ctan
ce
Réflectance SolSec
Humide
0.00
0.10
0.20
Leaf
ref
le
Cab=70
0.00
0.10
Soi
l ref
le
500 600 700 800 900
Wavelength (nm)
500 600 700 800 900
Wavelength (nm)
18 cas simulés non orthogonaux
Lancer de rayons sur architecture 3Ddonnées de référence
Modèle 1D de Transfert radiatif SAIL utilisé aussi en inversion
9 bandes spectrales
données de référence utilisé aussi en inversion
Comparaison de résultats
35%
40%
20%
25%
30%
RM
SE
10%
15%
20%
Re
lati
ve
LAI
b NNET
LUT
OPTI
0%
5%
LA
LAI.C
ab
f IPA
R
f Cov
er
NNET
Les performances dépendent fortement de la manière dont les différentes techniques sont mises en œuvre: incertitude, info a priori?a priori?
Problème inverse et incertitudes
Lai tel que: R* = M(LAI| Ω0,ΩV,λ) + εR(LAI| Ω0,ΩV,λ)
Mesures
( | 0 V ) | 0 V
Mesures
Modèle TR
Variables à estimer
Configurationde mesure
incertitudes(modèles de TR & mesures)
?????
Le caractère mal posé du problème inverse
80
m-2
)
0.3
60
ylle
(µ
g.c
m
Valeursestimées
0.2
ecta
nce
Mesures
40
hlo
rop
hy estimées
0.1Réf
le
0 0.5 1 1.5 220
LAI
C
400 600 8000
Longeur d’onde (nm)
Un ensemble de variables permettentun bon ajustement aux donnéesradiométriques
Incertitudes mesure et modèle
q
L’information radiométrique n’est pas suffisante
D’autres informations sont nécessaires pour régulariserD autres informations sont nécessaires pour régulariser
Le caractère mal posé du problème inverse
• Autre exemple: tri dans une table de correspondance
100
E
10-1RM
SE
0 1 2 3 4 5 6 710-2
Rang des simulations (log10)
incertitude modèle +
Rang des simulations (log10)mesure
Le caractère mal posé du problème inverse
• Distribution des solutions (R,PIR au nadir)
50 cas sélectionnés50 cas sélectionnésSur 280000
Le caractère mal posé du problème inverse
• Co‐Distribution des solutions (R,PIR au nadir)
1: LAI‐ALA2: LAI‐Cab3: Cab‐ALA I té êt d i bl3: Cab‐ALA4:ALA‐Sol5: Cab‐N6 LAI Sol
Intérêt des variables secondaires : fAPAR, fCover, LAI.Cab
6: LAI‐Sol
Le problème inverse: vue d’ensemble
P rR(P)
VariablesBiophysiques
Modèle deTransfert radiatif
InformationRadiométrique
r*P* R‐1(r*)
VariablesEstimées
Technique d'inversion
Réflectancemesurée
2 Quelle information exploiter?
1‐ Quelle variable biophysique estimer?
3‐ Quel modèle de transfert radiatif utiliser?
2‐ Quelle information exploiter?
4‐Quelle technique d'inversion utiliser?
Importance de l’information a priori
1 11
0.8
1
0.8
1
0.8
1
0.4
0.6
ND
VI
ND
VI
0.4
0.6
ND
VI
0.4
0.6
0 0.02 0.040
0.2
PDF LAI0 2 4 6 8
0
0.2
LAI0 2 4 6 8
0
0.2Remote Sensingmeasurements (NDVI)
Radiative Transfermodel: NDVI=f(LAI)+ε
Estimates from RSmeasurements and RT model without prior information
PDF LAI
0 8
1
LAI
0 04
0.05
0 04
0.05Prior information on LAI NDVI estimates
with PI
ND
VI 0.6
0.8
0.03
0.04
PD
F
0.03
0.04
PD
F
Prior Information
NDVI estimatesN
0.2
0.4
Estimates from RSmeasurements and RT model with prior information
0.01
0.02
0.01
0.02 without PI
LAI0 2 4 6 8
0with prior information
0 2 4 6 80
LAI0 2 4 6 8
0
LAI
Comment ajouter de l’information a priori ?
Résea de ne rones Indices de égétation LUTRéseaux de neurones, Indices de végétation, LUT
Composition de la base d’apprentissage
Distribution des variables d’entrée
Incertitudes sur les données radiométriques (modèle, mesures): mismatch, tri des données
Comment ajouter de l’information a priori ?
• Optimisation, tables de correspondance
– Fonction coût
Partie Radiometrique Partie biophysique1 1
M i d C i M t i d C i
J(v )= (R‐R)t.W‐1.(R‐R) + (V‐Vp)t.C‐1.(V‐Vp)
Matrice de Covariance des incertitudes(modèle & mesures)
Matrice de Covariance
Des variables
Comment obtenir l’IAP?
5
6
RT model and
RT model
RT model and 2.5
3Mode Standard deviation
3
4
AI
RT model and measurement uncertainties
RT model and measurement
measurement uncertainties
1 5
2
AI
2
3LA
Prior information
measurement uncertainties and prior information
RT model and
Prior information
1
1.5LA
0 0 5 10
1RT model and measurement uncertainties and prior information
0 0 5 10
0.5
0 0.5 1NDVI
0 0.5 1NDVI
Rôle critique de l’IAP dans l’inversion
2
3
AI
40
60
b
100
150
Cab
1
2
Ret
rieve
d LA
20
40
Ret
rieve
d C
a
50
100
etrie
ved
LAI ×
C
Pasd’information
a priori
0 1 2 30
Actual LAI0 20 40 60
0
Actual Cab
0 50 100 1500
Actual LAI×Cab
Re
3 60 150
ab
ab ab
1
2
Ret
rieve
d LA
I
20
40
Ret
rieve
d C
ab
50
100
rieve
d LA
I ×C
a
Utilisationd’information
a priori
0 1 2 30
Actual LAI
R
0 20 40 600
Actual C
R
0 50 100 1500
Actual LAI×C
Ret
p
Actual LAI Actual Cab Actual LAI×C
ab
Prise en compte des contraintes
LAI ALA Hot
τ550, Patm,CH20, CO3Geometryθo, θs, φ
LAI ALA Hot
τ550, Patm,CH20, CO3Geometryθo, θs, φ
N, Cab, Cw, Cdm, CsLAI, ALA, Hot,
vCover
AtmosphereRadiative transfer
SMACRTOA(λ)
N, Cab, Cw, Cdm, CsLAI, ALA, Hot,
vCover
AtmosphereRadiative transfer
SMACRTOA(λ)
Leaf opticalti
Canopyfl t
ρ(λ)
RTOC(λ)Leaf optical
tiCanopyfl t
ρ(λ)
RTOC(λ)
propertiesPROSPECT
reflectanceSAIL
ρ( )τ(λ)
fAPARfCover
propertiesPROSPECT
reflectanceSAIL
ρ( )τ(λ)
fAPARfCover
BackgroundreflectanceData base
Rs(λ)BackgroundreflectanceData base
Rs(λ)
11 inconnues !!
Soil type, BsSoil type, Bs
Prise en compte des contraintes
• Caracteristiques de l’atmosphere:A = (t550, Patm, Cwv, C03)
fixées sur une fenêtre spatiale (≈ km)mais varient dans le temps
temps
• Caractéristiques de la végétation:C = (N, Cab, Cdm, Cs, LAI, ALA , Hot)
Peu de variation sur une fenêtretemporelle limitée ( ≈10 jours)mais varient dans l’espace tempsp
• Brillance du sol (Bs)
varie avec l’espace et le temps
pas de contraintes
tempsp
Prise en compte des contraintes
80
90
(%) Degrés de liberté
60
70
ob
serv
atio
ns)
(
1 dateNombre d’observations:
nλ*P*D
40
50
kno
wn
s)/(
Nb
o
2 dates Pixels Dates
10
20
30
(Nb
un
k
3 dates
0 10 20 30 40 50 60 70 80 90 10010
Nb pixels
Problème avec contraintes: Inversion simultanée sur P pixels et D dates :D variables Atmosphere (t550)p
+7*P Variables couvert +feuilles (N,Cab,Cdm,Cs,LAI,ALA ,Hot)
+P*D Brillance du sol
Problème sans contraintes: Inversion indépendante sur chaque pixel à chaque date:* * i bl à i10*P*D variables à estimer
Prise en compte des contraintes
RMSE 0 375 RMSE 9 095
AvecSans
1
2
3
LA
I es
tim
ated
RMSE =0.375
40
50
60
70
80
AL
A e
stim
ated
RMSE =9.095
0.5
1
1.5
2
2.5
xCab
est
imat
ed
RMSE =0.385
1
2
3
I es
tim
ated
RMSE =0.292
50
60
70
80
A e
stim
ated
RMSE =5.344
1
1.5
2
2.5
Cab
est
imat
ed
RMSE =0.355
1 2 3
LAI true
L
40 60 80
ALA true
A
0.5 1 1.5 2 2.5
LAIxCab true
LA
I
3
mat
ed
RMSE =0.957
0.6mat
ed
RMSE =0.165
3
mat
ed
RMSE =0.346
1 2 3
1
LAI true
LA
40 60 80
40
ALA true
AL
A
0.5 1 1.5 2 2.5
0.5
LAIxCab
true
LA
IxC
3ated
RMSE =0.979
0 6ated
RMSE =0.153
3
ated
RMSE =0.332
1 2 3
1
2
LAIxCw
true
LA
IxC
w e
stim
0.2 0.4 0.6
0.2
0.4
LAIxCdm
true
LA
IxC
dm
est
i
0 1 2 30
1
2
LAIxCbp
true
LA
IxC
bp e
stim
1 2 3
1
2
3
LAIxC true
LA
IxC
w e
stim
a
0.2 0.4 0.6
0.2
0.4
0.6
LAIxC true
LA
IxC
dm
est
im
0 1 2 30
1
2
LAIxC true
LA
IxC
bp e
stim
a
1 5
2
2.5
3
3.5
N e
stim
ated
RMSE =0.515
0.6
0.8
1
1.2
Bs
esti
mat
ed
RMSE =0.209
0.3
0.4
0.5
50 e
stim
ated
RMSE =0.019LAIxCw true LAIxCdm true LAIxCbp true
2
2.5
3
3.5
esti
mat
ed
RMSE =0.466
0 6
0.8
1
1.2
esti
mat
ed
RMSE =0.14
0.3
0.4
0.5
esti
mat
ed
RMSE =0.002
Amélioration de la précision et de la robustesse
1.5 2 2.5 3 3.5
1.5
N true
N
0.4 0.6 0.8 1 1.2
0.4
Bs true
B
0.2 0.3 0.4 0.50.2
τ550
true
τ 55
1.5 2 2.5 3 3.5
1.5
N true
N e
0.4 0.6 0.8 1 1.2
0.4
0.6
Bs true
Bs
0.2 0.3 0.4 0.50.2
τ550
true
τ 550
Amélioration de la précision et de la robustesse
4 L’inversion des modèles de transfert radiatif
Plan
4. L’inversion des modèles de transfert radiatifLes réseaux de neuronesL’optimisationLes LUTIncertitudesApport d’information à priori
5. Comparaison avec des indices de végétationConception d’indicespRelation avec des variables biophysiques
6 La validation terrain6. La validation terrainPhotographies hémisphériquesL’instrumentation
7. Exemples d’applicationAgriculture de précisionPhé l i i iPhénologie et suiviExtraction de variables sur les sols avec un capteur hyperspectralModèle de culture et assimilation
Techniques d’estimation : absorption différentielle
0.35
0.4
Continuum
0.25
0.3
0.2
flect
ance
vées
0.1
0.15ref
Deriv
0
0.05
600 650 700 750 800 850 900 950 1000 1050 1100-0.05
Wavelength (nm)g ( )
Indice de végétation: corrélation entre bandes
ge (XS3)
infraroug
Proche
Rouge (XS2)
Indice de végétation: corrélation entre bandes
Végétation
jDroitedu sol
ce Bande
Sol
Réflectan
incertitudesincertitudes
Réflectance Bande i
Les différents indices de végétation
o
DROITE DU SOLPOINT VEGETATION
PVI, W
2
, WDVI
DE 2
NC
E B
AN
DE
PREMIERE BISSECTRICE
DVI
SAVITSAVIMSAVIA
NC
E B
AN
DE
RE
FLE
CT
A
NDVI
MSAVI
RE
FLE
CT
A
INDICE DEFINITION DVI ρ ρir r− WDVI ρ αρir r−
POINT REFERENCE
NDVI ir r
PVI ( ) /ρ αρ β αir r− − +1 2 RVI ρ ρir r/ NDVI ( )ρ ρ ρ ρir r ir r− +/ ( )
REFLECTANCE BANDE 1
SAVI ( )15 05. / ( . )ρ ρ ρ ρir r ir r− + + TSAVI ( )( )α ρ αρ β ρ α ρ β α( ) / ( ) .ir r r ir− − + − + +0 08 1 2
SLI* ( ( )) /ρ α ρ β αr ir+ − +1 2 o
Les différents indices de végétation
INDICE DEFINITION EQUIVALENCE REFERENCE DVI ρ ρir r− Clevers, 1986 WDVI ρ αρir r− Clevers, 1989 PVI ( ) /β 1 2 ( ) /WDVI β 1 2 Richardson et Wiegand 1977 PVI ( ) /ρ αρ β αir r− − +1 2 ( ) /WDVI − +β α1 2 Richardson et Wiegand, 1977
RVI ρ ρir r/ Pearson et Miller, 1972 NDVI ( )ρ ρ ρ ρir r ir r− +/ ( ) ( ) / ( )RVI RVI+ −1 1 Rouse et al., 1974
SAVI ( )15 05/ ( )ρ ρ ρ ρ+ + Huete, 1988 S ( )15 05. / ( . )ρ ρ ρ ρir r ir r− + + Huete, 1988
TSAVI ( )( )α ρ αρ β ρ α ρ β α( ) / ( ) .ir r r ir− − + − + +0 08 1 2 Baret et Guyot, 1991
SLI* ( ( )) /ρ α ρ β αr ir+ − +1 2 Richardson et Wiegand, 1977
Tableau 2. Liste des principaux indices de végétation et leur éventuelle équivalence. Les paramètres α et β correspondent à la pente et à l'ordonnée à l'origine de la droite du sol définie par: ρ αρ βir r= + . *L'indice SLI (Soil Line Index) est un indice de brillance du sol.
Calage de relations empiriques
⎟⎟⎞
⎜⎜⎛ −
−= ∞NDVINDVILAI ln
1⎟⎟⎠
⎜⎜⎝ −
=∞NDVINDVIK
LAIsLAI
ln
Calage de relations empiriques
KFAPARNDVINDVI
FAPAR ⎟⎟⎞
⎜⎜⎛ −
= ∞
s NDVINDVI ⎟⎠
⎜⎝ − ∞
Les indices de végétation: conclusion
• Avantages– Très rapide d’exécution!
• Inconvénientsè é é– Très dépendant de la surface observée, des conditions
atmosphériques….la relation empirique est difficilement extrapolable sans perte de précision surdifficilement extrapolable sans perte de précision sur la variable
– Ne fournit que la variable d’intérêt
• Questions associéesL b it ié d é– Le bruit associé aux données
– La qualité du calage de la relation
4 L’inversion des modèles de transfert radiatif
Plan
4. L’inversion des modèles de transfert radiatifLes réseaux de neuronesL’optimisationLes LUTIncertitudesApport d’information à priori
5. Comparaison avec des indices de végétationConception d’indicespRelation avec des variables biophysiques
6 La validation terrain6. La validation terrainPhotographies hémisphériquesL’instrumentation
7. Exemples d’applicationAgriculture de précisionPhé l i i iPhénologie et suiviExtraction de variables sur les sols avec un capteur hyperspectralModèle de culture et assimilation
Photographies hémisphériques
Vers le haut
Exemple d’échantillonage Vers le bas
20 m
Définition des paramètres• taille de l’image
Images Brutes• paramètres calibration fish-eye• cercle d’intérêt• résolution angulaire
1
Pré-Traitement• Amélioration visuelle Masquage (utilisateur)• Définition du cercle d’intérêt• Élimination d’images
2
Binarisation 6
Réduction de la palette de couleurs• k-moyenne
é3
Estimation de variables biophysiques• simulation d’une LUT avec le modèle de Poisson (Nilson, 1971)• distribution d’inclinaisons foliaires 7
Palette de
• Définition des classes (nombre et type de classif)
Classification 5
distribution d inclinaisons foliaires ellipsoïdale (Campbell, 1984)• Prise en compte de l’agrégation des feuilles•LAI, fAPAR, fraction de trou
7
Palette de couleursréduite
Affinage de la classif5
Seuillage• Première Classification grossière 4
Parameter definition• Image Size
Images Brutes• Image Size• Calibration parameters• Circle of interest• Angular resolution
1
Pre-Processing• Gamma correction•Masking•Image elimination
2
Binarisation 6
Colour palette reduction• k-means 3
Output Generation: HTML report + excel file
• Look-Up-Table using Poisson Model (Nilson, 1971)Elli d l l f i li i di ib i
7
k means• class definition
Classification
• Ellipsoïdal leaf inclination distribution distribution (Campbell, 1984)• Leaf Clumping•LAI, ALA, fAPAR, FCOVER, gap fraction
Reduced ColourPalette
Classificationinteractive process
5
Thresholding• Rough Classification 4
4 L’inversion des modèles de transfert radiatif
Plan
4. L’inversion des modèles de transfert radiatifLes réseaux de neuronesL’optimisationLes LUTIncertitudesApport d’information à priori
5. Comparaison avec des indices de végétationConception d’indicespRelation avec des variables biophysiques
6 La validation terrain6. La validation terrainPhotographies hémisphériquesL’instrumentation
7. Exemples d’applicationAgriculture de précisionPhé l i i iPhénologie et suiviExtraction de variables sur les sols avec un capteur hyperspectralModèle de culture et assimilation
Agriculture de précision
• Prédiction de rendementsAnalyse de l’état de surfaceAnalyse de l état de surface
(détection de carences, maladies,…)
Estimation de variables biophysiques avec MODIS
Fonctions robustes Réseaux de Kohonen
Compositions colorées : R PIR, V R, B R
2000 2001 2002 2003 2004 2005 2006 2007 2008
Estimation de variables biophysiques avec MODIS
Résultats de l’application du modèle de transfert radiatif PROSPECT/SAIL
Validation de variables biophysiques MODIS
Résultats de l application du modèle de transfert radiatif PROSPECT/SAIL
Terrain/QUICKBIRD QUICKBIRD/MODIS MODIS/CYCLOPES
r=0.76 r=0.9
0.8
1
RD
IRD
0 2
0.4
0.6
OV
ER
QU
ICK
BIR
0
0.2
0 0.2 0.4 0.6 0.8 1
field fCOVER
fCO
Résultats de l’application du modèle de transfert radiatif PROSPECT/SAIL
Validation de variables biophysiques MODIS
Résultats de l application du modèle de transfert radiatif PROSPECT/SAIL
Evolution du coefficient de détermination entre les séries temporelles de LAI
fCOVER CYCLOPES
fCOVER MODIS0 6
0.8
1temporelles de LAI
0.2
0.4
0.6LAI MODIS/LAI CYCLOPES
LAI MODIS/LAI MOD15A2
LAI MODIS (MOD15A2)0
ma
rs-0
0
ma
i-0
0
juil.
-00
sep
t.-0
0
no
v.-0
0
jan
v.-0
1
ma
rs-0
1
ma
i-0
1
juil.
-01
sep
t.-0
1
no
v.-0
1
jan
v.-0
2
ma
rs-0
2
ma
i-0
2
juil.
-02
sep
t.-0
2
no
v.-0
2
jan
v.-0
3
ma
rs-0
3
ma
i-0
3
juil.
-03
sep
t.-0
3
no
v.-0
3
LAI CYCLOPES LAI MODIS
1999 20092000 2001 2002 2007 20082003 2004 2005 2006
LAI CYCLOPES LAI MODIS
Résultats de l’application du modèle de transfert radiatif PROSPECT/SAIL
Validation de variables biophysiques
Application de métriques temporelles
Seuil fixe Identification de pics
Dd : Date à laquelle la végétation commence sa
0,5
végétation commence sa croissance
Df : Date à laquelle la végétation termine sa croissance
Vm : Fraction maximum de
Phénologie
Vm : Fraction maximum de couverture des sols
Dmax : Date de la fraction maximum de couverture des sols
Dt : Durée de couverture des Dt : Durée de couverture des sols
Sols nus
Dd : Date à laquelle la couverture végétale diminue
Df : Date à laquelle les sols sont couverts
Vmin : Fraction minimum de
0,25
couverture des sols
Dmin : Date de la fraction minimum de couverture des sols
Dt : Période entre deux pics de couverture des sols
Application de classifications
- par arbre décisionnel- fondée sur la connaissance théorique de la phénologie des cultures
Nov. Déc. Janv. Fév. Mars Avril Mai Juin Juil. Août Sept. Oct.
Blé d'hiver Semis Récolte
Triticale Semis Récolte
Blé de printemps
Semis Récolte
Maïs Semis Récolte
0 8
fCOVER
La phénologie des principaux types de couverts végétaux
0.5
0.6
0.7
0.8
Céréales d'hiver
0.2
0.3
0.4 Maïs
Prairies
0
0.1
Nov Jan Mar Mai Juil Sep
Application de classifications
Définition de l’arbre décisionnel
1
Définition des classes d’occupation et d’utilisation
du sol hors terres arables année par année
2
Validation interannuelle des classifications en fonction des
changements détectéschangements détectés
3
Id tifi ti d l’ ti Identification de l’occupation du sol des terres labourables
4 4
Identification des cultures hivernales
Validation des classifications à l’échelle locale
Validation de classifications
Classification MODIS (2000/2001) Classification SPOT/LANDSAT(2000/2001)
Classification haute résolution
Eau Urbain Forêts Prairies Céréales Sols nus Intercultures
Eau 98.04 0.97 0.06 0 0 0 0
Urbain 1.47 97.22 0.67 0.35 1.57 3.17 0.29
Forêts 0.49 0.35 91.21 0.81 0.07 0.96 0.14
mp
orel
les
DIS
Prairies 0 0.35 6.04 89.69 7.11 6.39 16.09
Céréales 0 0.21 1.02 5.83 85.38 4.92 5.36
Sols nus 0 0.9 0.83 0.87 0.46 71.08 9.42
Sér
ies
tem
MO
D
Intercultures 0 0 0.17 2.45 5.41 13.48 68.7
Variations du fCOVER pour des intercultures non détectées avec des images SPOT
2000 2001 2000 2001 2000 2001
Les changements intra-annuels
Analyse de changements à partir de variables biophysiques
Date de fin de croissance de la végétation (en jours depuis le 1er
janvier)2000 2001 2002
2003 2004 2005
2006 2007 20082006 2007 2008
Les changements intra-annuels
Analyse de changements à partir de variables biophysiques
Le cas de l’été 2003
120
m
Déficit d’évaporation mensuel
40
60
80
100
évap
ora
tio
n e
n m
m
0
20
40
01/2
000
05/2
000
09/2
000
01/2
001
05/2
001
09/2
001
01/2
002
05/2
002
09/2
002
01/2
003
05/2
003
09/2
003
01/2
004
05/2
004
09/2
004
01/2
005
05/2
005
09/2
005
01/2
006
05/2
006
09/2
006
01/2
007
05/2
007
Déf
icit
d'é
Profils de fCOVER des prairies
Profils annuels de l’année 2003 pour les 9 stations de référence bretonnes
01 05 09 01 05 09 01 05 09 01 05 09 01 05 09 01 05 09 01 05 09 01 05
0.8 stations de référence bretonnes
0 5
0.6
0.7
OV
ER
2000
2001
2002
2003
20040.6
0.7fCOVER
0 2
0.3
0.4
0.5
fCO 2004
2005
2006
2007
2008
0.3
0.4
0.5 Brest
Rennes
Bretagne
Profils annuels sur l’ensemble de la Bretagne
0.2
janv
févr
mar
s
avr
mai
juin juil
août
sept oct
nov
déc
0.1
0.2
oct
dé
c
févr avr
juin
ao
ût
oct
Le cas de l’hiver 2005/2006
Analyse de changements à partir de variables biophysiques
70
80
s
Proportion d’intercultures Nombre de jours de gel
14
16
10
2030
4050
60
surf
ace
s d
e m
aïs
4
6
8
10
12
14
010
19
99
/20
00
20
00
/20
01
20
01
/20
02
20
02
/20
03
20
03
/20
04
20
04
/20
05
20
05
/20
06
20
06
/20
07
% d
es
s
0
2
4
01
/19
99
05
/19
99
09
/19
99
01
/20
00
05
/20
00
09
/20
00
01
/20
01
05
/20
01
09
/20
01
01
/20
02
05
/20
02
09
/20
02
01
/20
03
05
/20
03
09
/20
03
01
/20
04
05
/20
04
09
/20
04
01
/20
05
05
/20
05
09
/20
05
01
/20
06
05
/20
06
09
/20
06
01
/20
07
05
/20
07
2500
Taux de couverture des intercultures Cumul degré/jour de novembre à avril
0.5
1500
2000
1999/2000
2000/2001
2001/2002
2002/20030.35
0.4
0.45
OV
ER
1999/2000
2000/2001
2001/2002
2002/2003
2003/2004
500
1000
2003/2004
2004/2005
2005/2006
2006/2007
0.25
0.3
fCO 2003/2004
2004/2005
2005/2006
2006/2007
0
1 31 61 91 121 151 181 211
0.2
sep
t
oct
no
v
dé
c
jan
v
févr
ma
rs avr
ma
i
Utilisation d’HYMAP pour l’estimation de paramètres relatifs au sol
HyMap Image
Corrections géométriques, atmosphérique, topographique faites par le Centre Aérospatiale Allemand (PARGE et ATCOR4)Aérospatiale Allemand (PARGE et ATCOR4)
Réflectance
Largeur de bande de 13 a 17 nmLargeur de bande de 13 a 17 nm
Taille nominale du pixel: 5mx5m
Utilisation du ‘continuum removal’
( ) ⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛−
−
−+= )()()(/)(,1min maxmin
maxmin
peakminmaxpeak λλ
λλλλ
λλλ RRRRCR
0.45
ASD labo
0.4
ASD field
0.35
lectance
Clay
0.3Refl
HYMAP CaCO3
λ λ
0.25
λmin λmaxλpeak
2100 2150 2200 2250 2300 2350 24000.2
Wavelength (nm)
λmin λpeak λmax
Relation au niveau du Labo
500 500
400 400
200
300
Cla
y
200
300
CaC
O3
100 100
0.8 0.85 0.9 0.95 10
R²=0.73
CR2206
0.9 0.95 10
R²=0.92
CR2341
Relation au niveau du champ
500 500
400 400
200
300
Cla
y
200
300
CaC
O3
100 100
0.8 0.85 0.9 0.95 10
CR2206
0.8 0.85 0.9 0.95 10
CR2341
Relation au niveau HYMAP
500 500
400 400
200
300
Cla
y
200
300
CaC
O3
100 100
0.8 0.85 0.9 0.95 10
R²=0.58
CR2206
0.9 0.95 10
R²=0.47
CR2341
Sans doute problèmes d’étalonnage ou de correction atmosphérique du capteur HYMAPp q p
1 1
0.95
1
P
0.98
1
P
0.9
06 H
YM
AP
0.96
41 H
YM
AP
0.85CR
22
0
0.92
0.94
CR
23
40.8 0.85 0.9 0.95 1
0.8
CR Labo0.9 0.95 1
0.9
CR LaboCR2206
Labo CR2341
Labo
Effets associés aux changements d’échelle
HY
MA
P 1 HYMAP (HYMAP_2005)SensorAtmosphereIlluminationH
YM
AP 1 HYMAP (HYMAP_2005)
SensorAtmosphereIllumination
3 HYMAP simulated spectral
H u at o
2 HYMAP simulated radiometriccharacteristicsRadiometric
performances3 HYMAP simulated spectral
H u at o
2 HYMAP simulated radiometriccharacteristicsRadiometric
performancesp
characteristics
4 Field spatial average
Spectral resolution
Spatiali bilit
pcharacteristics
4 Field spatial average
Spectral resolution
Spatiali bilit
5 Field (Field_2005)
6 I i d
RoughnessFIE
LD variability
5 Field (Field_2005)
6 I i d
RoughnessFIE
LD variability
6 In situ extracted
7 Laboratory extracted
Illumination
RY
6 In situ extracted
7 Laboratory extracted
Illumination
RY
8 Laboratory extracted and dry
Moisture
StoninessBO
RA
TO
R
8 Laboratory extracted and dry
Moisture
StoninessBO
RA
TO
R
9 Laboratory fine soil (Labo_2005)LA
B
9 Laboratory fine soil (Labo_2005)LA
B
Effets associés aux changements d’échelle
0.1 1 0.1
0.05
1
11
11 11
1911
11
1
1
11
11
1
1 11112
2
2
2
233 367 72
20
6 0.05
1
11
11 11
19
23
41
0 11
1
1
1
1
11
1
1
1
11
11 1
2
222
22
2 22
22
22
2
2
2
22 2
3333
33 3
3 33
33
333 3
33
3 444
4 444
4 4444 444
44
44 5555 55 5 5 555 5 555 55 5 5
6
6
6
666
6 6 6
66
6 6666
66 6 7
777 77
7 77
777
777 77
7 78
888
888
8 888
8 888
88
8 89
999 9
9 99 9
9
9
9
999
9
9 9
11
11
22 2
22
2
2
2
2
222
2
2
2 2
33
33
333
33
33
3 333 3
344
44
4444
444
4
444
444
4
555 5 5 5555 55 55 5555 5 5
6
66 6 6666 6
6 66
66
6
6
6
6
7
77
7
7 777
7 77
7777
7
7
7
78
8
8
8
8 88
88
88 8
8888
8
8
89
9
9
9
9 999
9 99 9
9999
9
9
9sidu
al C
R2
0 11
1
1
1
1
11
1
1
1
11
11 1
2
222
22
2 22
22
22
2
2
2
22 2
3333
33 3
3 33
33
333 3
33
3 444
4 444
4 4444 444
44
44 5555 55 5 5 555 5 555 55 5 5
6
6
6
666
6 6 6
66
6 6666
66 6 7
777 77
7 77
777
777 77
7 78
888
888
8 888
8 888
88
8 89
999 9
9 99 9
9
9
9
999
9
9 9
sidu
al C
R2
-0.05
879 9
Res
-0.05
8
Res
0.8 0.85 0.9 0.95 1-0.1
CR2206
Field0.9 0.95 1
-0.1
CR2341
Field
Validation sur une parcelle
1
2
3
4
5
6
7
8
11
12
9
10
13
200
250
300
350
nt
g/k
g
0,06
0,07
0,08
0,09
0,1
06
clay HyMap
80g.kg-1< Clay <180g.kg-1
Clay <80g.kg-1
180g.kg-1<Clay <300g.kg-1
+ Sampling points
0
50
100
150
200
1 2 3 4 5 6 7 8 9 10 11 12 13
Cla
y co
nte
n
0
0,01
0,02
0,03
0,04
0,05
,
1-D
220
g g y g g300g.kg-1<Clay< 450g.kg-1
Clay >450g.kg-1
Points in the sequence
La dimension temporelle
• La végétation évolue (aspect dynamique)
• L’évolution du couvert renseigne sur son fonctionnement (et son type):
d é é– Type de végétation– Phénologie– croissance– Stress (variation de croissance)
• Exploitation de la dimension temporelle• Exploitation de la dimension temporelle– pour améliorer les estimations des variables d’état du couvert en
utilisant des contraintes temporelles– Pour améliorer la modélisation du fonctionnement du couvert– Pour améliorer la modélisation du fonctionnement du couvert
Exploitation de la dimension temporelle pouraméliorer l’estimation des variables d’état du couvert
Cultures de blé
•
42 unités d’échantillonnage 30x30 m²M l LAI hl h ll bi d•Mesures sur le couvert: LAI, chlorophylle, azote, biomasse, rendement, •Mesures du sol : texture, chimie, rugosité, humidité, …•Atmosphère (CIMEL) et mesures météorologiques•39 images SPOT•39 images SPOT•15 images Radar (ERS, Radarsat)
http://medias.obs‐mip.fr/adam
Classification pour réduire la dimension les champs spatio‐temporels
Classification automatique à 30 classes à partir de 33 images SPOT
Estimation instantanée du LAI
Estimates of LAI from SPOT Top of Canopy reflectance (inversion de modèle physique de transfert radiatif)
11
Iterative optimization6 unknown variables
0 8
0.9
1
R²0 8
0.9
1
R²
0.7
0.8
E
0.7
0.8
E
0.5
0.6
R²,
RM
SE
0.5
0.6
R²,
RM
SE
0.3
0.4
RMSE
0.3
0.4
RMSE
0.1
0.2 RMSE
0.1
0.2 RMSE
0 5 10 15 20 25 300
date SPOT image0 5 10 15 20 25 30
0
date SPOT image
Modélisation simple de la dynamique du LAI
Exponentialgrowth
Competition Senecence period
LAImax−
+= −
−−)(
)(1
1 s
i
TTa
TTb ee
LAImaxLAILAImax−
+= −
−−)(
)(1
1 s
i
TTa
TTb ee
LAImaxLAI −+
= −
−−)(
)(1
1 s
i
TTa
TTb ee
LAImaxLAI −+
= −
−−)(
)(1
1 s
i
TTa
TTb ee
LAImaxLAI
aa
bb
T T
b
T T
b
Ti TsTi Ts
Ajustement du modèle de LAI pour chaque classe
7Class 1
5
6
4
5
3
LAI
1
2
0 500 1000 1500 2000 25000
1
Sum of Temperature
Couplage avec un modèle de culture
Nécessité de coupler
– un modèle de fonctionnement d’un couvert végétal • Décrit l’évolution temporelle de la végétation (LAI composition• Décrit l évolution temporelle de la végétation (LAI, composition des feuilles, humidité du sol) en fonction d’un climat, d’un itinéraire technique, du type de plante
– Et un modèle de transfert radiatifDé it l éfl t à ti d LAI d l iti d f ill• Décrit la réflectance à partir du LAI, de la composition des feuilles, etc….
i
3
4
5
PLANTE
1
2
Indice FoliaireFertilisation, coupes, irrigation
100 200 300 400 500 600
0
Pratiques Agricoles
g
ClimClimatat
Biomasse
Rendements
Evapotranspiration
Drainage
Humidité sol
Température sol
Indicateurs « végétation »Entrées modèle qualité des eaux
Un petit mot sur l’assimilation de données
Stade d’apportde l’azote
RécolteCorrection des Trajectoires (Assimilation)
ObservationsTélédétection
Trajectoire vraie
Trajectories simulées (direct)
j ( )
( )
tempsPassé Futur
SolPrat. Cult.
Climat??
????
InformationDisponible
Etalonnage du modèle avecObservations télédétection
Prédictiondu modèle
ClimatEtat Couvert
????
????????
Disponible
Observations télédétection du modèle
Un petit mot sur l’assimilation de données
• Ré étalonnage du modèle de culture à partir des• Ré‐étalonnage du modèle de culture à partir des estimations de variables d’état (LAI, Cab)Assimilation des observations
• Prise de décision based basée sur des simulations dePrise de décision based basée sur des simulations de différentes doses d’apport d’azote sous des scénariosclimatiques variables:Optimisation de la dose d’azote
Un petit mot sur l’assimilation de données
Avant assimilation Après assimilation
ns STICS )
ons STICS)
(sim
ulation
i (simulatio
AI a
priori (
a posteriori
Estimation LAI par télédétection Estimation LAI par télédétection
LA
LAI a
Reduction des biaisDescription de la variabilité intra‐parcelleDescription de la variabilité intra parcelle
Un petit mot sur l’assimilation de données
Avant assimilation Après assimilation
S)
ns STICS)
ons STICS
imulation
(sim
ulati
a priori (si
posteriori
Estimation QN par télédétection Estimation QN par télédétection
QN a
QN a p
Reduction des biaisDescription de la variabilité intra‐parcelleDescription de la variabilité intra parcelle
Un petit mot sur l’assimilation de données
• Une approche générale est proposée
• Son succès dépend de:
– Disponibilité et précision des observations de télédétection …
– Précision et robustesse des modèles• modèles de réflectance
• Modèles de fonctionnement des cultures
– Disponibilité et qualité des informations a priori (sol, parameters des cultures),
Conclusion
La télédétection présente l’avantage de fournir des données spatialisées et avec une forte répétitivité pour observer les variables biophysiques d’intérêt
Les modèles de transfert radiatif des surfaces et l’inversion permettent d’estimer des variables biophysiques d’importance
Toutes les variables biophysiques ne peuvent être estimées
L’inversion d’un modèle de transfert radiatif est une tache coûteuse et i tiapproximative
De meilleurs résultats sont obtenus soit :ili i f i i i‐ en utilisant une information a priori
‐ en utilisant la télédétection en complément d’un modèle de culture‐ en travaillant par classe de végétation
Merci de votre attention !