Soutenance de thèse de Romain Démoulin : Suivi de traits bio-physiques de parcelles cultivées par télédétection optique et modélisation 3D du transfert radiatif

[English below]

Félicitation à Romain pour sa soutenance de thèse soutenue le vendredi 3 juillet, 9h00 en salle de conférence du CESBIO intitulée: « Suivi de traits bio-physiques de parcelles cultivées par télédétection optique et modélisation 3D du transfert radiatif »

Composition du jury :

• M. Abdelaziz KALLEL, Rapporteur, Digital Research Center of Sfax
• M. Raul LOPEZ-LOZANO, Rapporteur, INRAE
• Mme Laurence MOY, Examinatrice, Université Rennes 2
• M. Xavier BRIOTTET, Examinateur, ONERA
• Mme Valérie LE DANTEC, Directrice de thèse, Université de Toulouse
• M. Matthieu MARIONNEAU, Co-directeur de thèse, Hyperplan

Membres invités :

• M. Jean-Philippe GASTELLU-ETCHEGORRY, Université de Toulouse
• Mme Karine ADELINE, ONERA

Résumé de la thèse en français :

Dans le contexte de l’observation de la Terre, un enjeu majeur consiste à suivre à grande échelle le développement des cultures. La télédétection optique multi- et hyper-spectrale, combinée à des modèles de transfert radiatifs (RTM) permet d’accéder à des variables bio-physico-chimiques de couverts végétaux. L’estimation de ces variables repose couramment sur des méthodes d’inversion hybride via des RTMs 1D (PROSAIL) combinés à de l’apprentissage automatique. Dans cette thèse, j’ai développé une méthode d’inversion en utilisant un RTM 3D (DART) afin de suivre l’évolution de traits bio-physico-chimiques de champs de maïs à partir d’images acquises par différents instruments de télédétection. Ce choix permet de tenir compte des effets de la topographie du champ, de l’architecture de la canopée, de la distribution 3D des propriétés optiques des éléments du couvert, ainsi que de la géométrie d’acquisition des mesures. L’utilisation d’une maquette dynamique de champ de maïs intégrant une phénologie réaliste (croissance, reproduction et sénescence) permet de contraindre les solutions à des cas réalistes de paramètres biophysiques. 
L’effet de la pente et de l’orientation des rangs de maïs sur la réflectance du champ ont été quantifiés avec DART et comparés aux résultats obtenus avec PROSAIL. Ceci a révélé principalement un effet relatif de la pente important, jusqu’à 24.4% sur la réflectance pour une pente de 10°. La contribution des traits biochimiques à la réflectance a été estimée à différents stades de développement en utilisant une méthode d’analyse globale de sensibilité (GSA). L’humidité du sol s’est avérée avoir un impact majeur en début de développement pour chaque bande spectrale, impact pouvant être réduit par l’emploi d’indices de végétation hyperspectraux. Cette analyse montre aussi que, en observation hyperspectrale, certains traits biochimiques comme le contenu foliaire en protéines lié à la teneur en azote foliaire (LNC) restent difficilement accessibles. Les variables retenues dans cette thèse sont: l’indice de surface foliaire (LAI), la teneur en chlorophylle (LCC), en matière sèche (LMA), en eau (LWC) et le LNC.
A partir d’un jeu d’apprentissage simulé par DART, plusieures techniques d’échantillonnage ont été testées pour l’apprentissage automatique dans la chaine d’inversion hybride: tirage aléatoire et «active learning». L’apprentissage par active learning a montré les meilleures précisions d’estimation, induites par un biais d’échantillonnage optimiste. De plus, il se fait au détriment de la capacité de généralisation à d’autres conditions initiales. Par rapport à une étude précédente effectuée avec PROSAIL sur un jeu de données hyperspectral aéroporté (HyPlant-DUAL) nous obtenons RMSE=1.13×10-2 mg.cm-2 pour LNC et RMSE=3.89 µg.cm-2 pour LCC, contre respectivement 2.00×10⁻² mg.cm-2 et 3.31 µg.cm-2. 
La transférabilité temporelle d’une méthode d’inversion basée sur DART sans active learning a été évaluée sur une série temporelle d’images Sentinel-2 et comparé au modèle opérationnel généraliste BVNET basé sur PROSAIL. Si BVNET démontre une certaine robustesse pour l’estimation de traits à l’échelle de la canopée (LAI), il reste limité à l’échelle foliaire (LCC). L’application de notre méthode d’inversion à un jeu de données Sentinel-2 synthétique, dérivé des acquisitions aéroportées, a fourni RMSE=1.11 m2.m-2 pour LAI  et RMSE=13.88 µg.cm-2 pour LCC, contre respectivement 1.01 m2.m-2 et 21.82 µg.cm-2 avec BVNET. De plus, notre approche basée sur le couplage du RTM DART avec un modèle dynamique d’architecture de maïs permet l’obtention de profils temporels de LCC plus réalistes grâce à une meilleure discrimination du LAI et des paramètres biochimiques foliaires. Elle ouvre la voie à une meilleure utilisation de la télédétection pour le suivi des parcelles cultivées. 

« Monitoring biophysical traits of crop fields using optical remote sensing and 3D radiative transfer modeling »

Jury members:

• M. Abdelaziz KALLEL, Rapporteur, Digital Research Center of Sfax
• M. Raul LOPEZ-LOZANO, Rapporteur, INRAE
• Mme Laurence MOY, Examinatrice, Université Rennes 2
• M. Xavier BRIOTTET, Examinateur, ONERA
• Mme Valérie LE DANTEC, Directrice de thèse, Université de Toulouse
• M. Matthieu MARIONNEAU, Co-directeur de thèse, Hyperplan

Invited members:

• M. Jean-Philippe GASTELLU-ETCHEGORRY, Université de Toulouse
• Mme Karine ADELINE, ONERA

Abstract :

In the context of Earth observation, a major challenge is to monitor crop development at large scale. Multi- and hyperspectral optical remote sensing, combined with radiative transfer models (RTMs), provides access to biophysical and biochemical traits. The estimation of these variables commonly relies on hybrid inversion methods coupling 1D RTMs (PROSAIL) with machine learning. In this thesis, I developed an inversion method based on a 3D RTM (DART) in order to monitor the evolution of biophysical and biochemical traits of maize fields from images acquired by different remote sensing instruments. This choice makes it possible to account for the effects of field topography, canopy architecture, the 3D distribution of the optical properties of the canopy elements, and the acquisition geometry of the measurements. The use of a dynamic maize field mock-up integrating a realistic phenology (growth, reproduction and senescence) constrains the solutions to realistic combinations of biophysical parameters.
The effects of slope and maize row orientation on field reflectance were quantified with DART and compared with the results obtained with PROSAIL. This revealed in particular a strong relative effect of slope, reaching up to 24.4% on reflectance for a 10° slope. The contribution of biochemical traits to reflectance was estimated at different growth stages using a global sensitivity analysis (GSA) method. Soil moisture turned out to have a major impact at early growth stages for every spectral band, an impact that can be reduced by using hyperspectral vegetation indices. This analysis also shows that, in hyperspectral observation, some biochemical traits such as leaf protein content, related to leaf nitrogen content (LNC), remain hardly accessible. The variables retained in this thesis are: leaf area index (LAI), leaf chlorophyll content (LCC), leaf mass per area (LMA), leaf water content (LWC), and LNC.
Based on a training set simulated with DART, several sampling techniques were tested for the machine learning step of the hybrid inversion processing chain: random sampling and active learning. Active learning yielded the best estimation accuracies, driven by an optimistic sampling bias. It also comes at the expense of the generalisation capacity to other initial conditions. Compared with a previous study carried out with PROSAIL on an airborne hyperspectral dataset (HyPlant-DUAL), we obtained RMSE = 1.13×10⁻² mg·cm⁻² for LNC and RMSE = 3.89 µg·cm⁻² for LCC, against 2.00×10⁻² mg·cm⁻² and 3.31 µg·cm⁻², respectively.
The temporal transferability of a DART-based inversion method without active learning was assessed on a Sentinel-2 image timeseries and compared with the general-purpose operational model BVNET, which is based on PROSAIL. While BVNET shows a certain robustness for estimating canopy-scale traits (LAI), it remains limited at the leaf scale (LCC). Applying our inversion method to a synthetic Sentinel-2 dataset derived from the airborne acquisitions yielded RMSE = 1.11 m²·m⁻² for LAI and RMSE = 13.88 µg·cm⁻² for LCC, against 1.01 m²·m⁻² and 21.82 µg·cm⁻², respectively, with BVNET. Furthermore, our approach, based on the coupling of the DART RTM with a dynamic maize architecture model, makes it possible to obtain more realistic temporal LCC profiles thanks to a better discrimination between LAI and the leaf biochemical parameters. It opens the way to a more effective use of remote sensing for the monitoring of cultivated fields.