Soutenance de thèse de Ghaith AMIN – Détection de l’irrigation à grande échelle par apprentissage automatique à partir de séries temporelles d’images satellitaires multi-sources –

Félicitation à Gaith AMIN pour sa soutenance de thèse intitulée

« Détection de l’irrigation à grande échelle par apprentissage automatique à partir de séries temporelles d’images satellitaires multi-sources »,

ce vendredi 10 juillet 2026 à 14 h, dans la salle de conférence au CESBIO.

Composition du jury :

M. Thierry PELLARIN, Rapporteur, CNRS
M. Dino IENCO, Rapporteur, INRAE
M. Olivier MERLIN, Examinateur, CNRS
M. Clément ALBERGEL, Examinateur, European Space Agency (ESA)
M. Philippe MAISONGRANDE, Examinateur, Centre National d’Études Spatiales (CNES)
Mme Valérie DEMAREZ, Directrice de thèse, Université de Toulouse
M. Thomas OBERLIN, Co-encadrant, ISAE-SUPAERO (invité)

Résumé :

Face à la croissance démographique et à la demande alimentaire croissante, l’irrigation joue un rôle central dans la stabilisation et l’intensification de la production agricole. Parallèlement, l’agriculture irriguée constitue l’un des principaux usages de l’eau douce, ce qui nécessite de suivre les zones irriguées. La cartographie des cultures irriguées et pluviales est donc essentielle pour évaluer la sécurité alimentaire, la demande en eau agricole et la gestion durable des ressources en eau. Pourtant, obtenir une information fiable et spatialisée de l’irrigation à grande échelle reste difficile pour plusieurs raisons : les pluies peuvent augmenter l’humidité de surface du sol et produire des réponses de rétrodiffusion radar proches de celles causées par l’irrigation, tandis que les observations optiques sont souvent affectées par la couverture nuageuse. La disponibilité de données de terrain fiables pour entraîner les modèles et valider les résultats est un autre verrou majeur. En outre, la cartographie à l’échelle de la parcelle nécessite de connaître les limites des parcelles souvent inconnues.

Cette thèse a pour objectif de cartographier l’irrigation des parcelles agricoles dans des zones tempérées à l’échelle nationale. Elle vise à développer des méthodes originales combinant des séries temporelles satellitaires multi-sources, la délimitation automatique des parcelles et des techniques avancées d’apprentissage automatique. Elle répond à trois défis : la détection de l’irrigation en conditions tempérées, la production de limites parcellaires fiables en cours de saison et la production de cartes d’irrigation à l’échelle nationale.

Dans un premier temps, le potentiel des séries temporelles Sentinel-1 radar ascendant et descendant pour la détection de l’irrigation dans des zones agricoles contrastées est évalué. Les coefficients de rétrodiffusion radar en polarisations VV et VH sont agrégés à l’échelle de la parcelle et classifiés à l’aide d’une approche d’apprentissage supervisé. Les résultats confirment le fort potentiel des données Sentinel-1 pour distinguer les parcelles irriguées et non irriguées. Ils révèlent également que les données optiques Sentinel-2 améliorent les résultats des classifications obtenues avec Sentinel-1, mais avec un gain sur la précision globale limité d’environ 5 % en absolu.

Une méthode de délimitation précoce des parcelles est présentée. Un jeu de données MT4AFE a été produit à partir d’images Sentinel-2 niveau 3A et de limites parcellaires dérivées du RPG, avec des annotations décrivant l’étendue des parcelles, leurs contours et les cartes de distance aux limites. Un réseau convolutif multi-tâches ResUNet-a d7 a été entraîné pour prédire les limites parcellaires directement à partir de l’imagerie Sentinel-2. La méthode a ensuite été évaluée dans une expérience de généralisation à une nouvelle année, sans réentraînement. Les F1-scores pondérés obtenus sont compris entre 90,3 % et 94,4 %. Ces résultats montrent que les limites parcellaires peuvent être produites dès le mois de juin de l’année en cours.

Enfin, une cartographie à l’échelle de la France est présentée. Un réseau de neurones convolutif temporel à trois branches Tri-TCNN a été développé. Ce modèle intègre des séries denses temporelles Sentinel-1 SAR, des réflectances et des indices spectraux Sentinel-2, ainsi que des données de précipitation. Ce modèle a été évalué à l’aide de données de référence acquises en 2017, 2020 et 2021. La précision globale atteint 92,2 %.

Ces travaux ont permis d’évaluer le potentiel des séries temporelles Sentinel-1 et Sentinel-2 pour la détection de l’irrigation à grande échelle dans des agrosystèmes tempérés. Ils permettent également de produire des cartes d’irrigation à l’échelle parcellaire et de soutenir un suivi plus efficace de l’irrigation.

Bien cordialement,

Ghaith Amin

………………………………………………………………………………………………………………………………………………………….

Dear all,

I am pleased to invite you to my Ph.D. defense entitled « Large-Scale Irrigation Detection from Multi-Source Satellite Image Time Series Using Machine Learning »,

which will take place on Friday, July 10, 2026, at 2:00 p.m. in the CESBIO conference room.

Jury members:

Mr. Thierry PELLARIN, Reviewer, CNRS
Mr. Dino IENCO, Reviewer, INRAE
Mr. Olivier MERLIN, Examiner, CNRS
Mr. Clément ALBERGEL, Examiner, European Space Agency (ESA)
Mr. Philippe MAISONGRANDE, Examiner, Centre National d’Études Spatiales (CNES)
Ms. Valérie DEMAREZ, PhD Supervisor, University of Toulouse
Mr. Thomas OBERLIN, PhD Co-supervisor, ISAE-SUPAERO (Invited member)

Abstract:

As global population growth drives increasing food demand, irrigation plays a central role in stabilizing and intensifying crop production. At the same time, irrigated agriculture is one of the main consumers of freshwater, creating a pressing need to monitor where irrigation occurs and how irrigated areas vary across crops and regions. Accurate mapping of irrigated and rainfed croplands is therefore critical for assessing food security, agricultural water demand, and the sustainable management of water resources, especially under climate change. Yet reliable, spatially explicit irrigation information remains difficult to obtain over large territories. Earth observation offers a unique opportunity to overcome these limitations, but irrigation detection in temperate regions remains challenging: rainfall can increase surface soil moisture and produce SAR backscatter responses similar to those caused by irrigation, while optical observations are often affected by cloud cover. In addition, field-scale irrigation mapping requires accurate and up-to-date agricultural field boundaries.

This thesis presents a remote sensing approach for large-scale irrigation mapping in temperate agricultural landscapes. The approach combines multi-source satellite time series, field-scale feature extraction, agricultural field delineation, and advanced machine-learning techniques. It addresses three main challenges: irrigation detection under temperate conditions, the need for reliable field boundaries, and the transition from local experiments to country-scale mapping.

First, dense multi-orbit Sentinel-1 SAR time series are evaluated for irrigation detection over contrasting French agricultural areas. Backscatter observations acquired in VV and VH polarizations from ascending and descending orbits are aggregated at field scale and classified using a supervised machine-learning approach. The results confirm the strong potential of Sentinel-1 SAR data for distinguishing irrigated and non-irrigated fields. The comparison with Sentinel-2 shows that optical data complement Sentinel-1, but with relatively limited added value, leading to an absolute improvement of about 5% in overall accuracy.

Second, the dependence of field-scale mapping on external parcel datasets is addressed through an early-season field delineation approach. MT4AFE, a large-scale benchmark dataset, is produced from Sentinel-2 Level-3A imagery and field boundaries derived from the RPG dataset, providing labels for field extent, boundaries, and distance maps. A fully convolutional multi-task ResUNet-a d7 network is trained to predict field boundaries directly from Sentinel-2 imagery. In a spatio-temporal generalization experiment, the model was applied without retraining to unseen 2023 sites, yielding weighted F1-scores of 90.3% and 94.4%. These results show that field boundaries can be produced as early as June of the current year.

Third, Tri-TCNN, a three-branch temporal convolutional neural network, is introduced for country-scale irrigation mapping over metropolitan France. The model integrates Sentinel-1 ascending and descending SAR time series, Sentinel-2 optical bands and spectral indices, and precipitation data. Evaluated using a representative multi-year reference dataset covering 2017, 2020, and 2021, Tri-TCNN achieved an overall accuracy of 92.2%. The resulting field-scale irrigation map shows spatial patterns consistent with known irrigated areas in France.

The proposed framework advances large-scale irrigation detection in heterogeneous temperate landscapes by exploiting dense multi-orbit SAR time series, complemented by optical and meteorological data, through a deep learning model designed to capture irrigation-related temporal variations. Together with the automated delineation of field boundaries, these developments enable the production of field-scale irrigation maps and support more effective irrigation monitoring.

Best regards,

Ghaith Amin