Thèse Yawogan Jean Eudes GBODJO

Résumé : Les systèmes de suivi des cultures jouent un rôle essentiel dans l’évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d’information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l’essor des techniques d’apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l’évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d’apprentissage profond. Nous proposons deux méthodes pour caractériser l’occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d’attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l’intégration d’une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d’études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d’investigation sur l’estimation et la prévision des rendements des surfaces cultivées, à l’échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d’apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l’évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d’apprentissage profond semblent mieux adaptées que les méthodes traditionnelles d’apprentissage automatique pour tirer parti de la complémentarité des données multi-sources, multi-temporelles et multi-échelles à mesure qu’il y ait une quantité suffisante de données pour leur entraînement supervisé. Le travail d’investigation réalisé pour l’estimation et la prévision des rendements n’a par contre pas révélé de plus-value manifeste dans l’emploi de ces méthodes. Dans ce dernier cas, le contexte limité en données d’entraînement semble en être la principale explication.

Mots-clés : Production agricole, Occupation du sol, Estimation et prévision des rendements, Données multi-sources, multi-temporelles et multi-echelles, Images radar et optique, Apprentissage supervisé, Réseaux de neurones récurrents,  Réseaux de neurones convolutifs.

Composition du jury :
Bertrand LE SAUX, Rapporteur, Chargé de recherche, HDR, laboratoire ESA
Clément MALLET, Rapporteur, Cadre scientifique des EPIC, HDR IGN, LASTIG Université Gustave Eiffel Paris France
Thomas CORPETTI, Examinateur, Directeur de recherche, LETG Université Rennes 2
Germain FORESTIER, Examinateur,  Professeur, IRIMAS, Université Haute-Alsace
Carmen GERVET, Examinatrice, Professeure, Espace-Dev, Université de Montpellier
Laurence HUBERT-MOY,  Examinatrice, Professeure, LETG Université Rennes
Dino IENCO, Directeur de thèse, Chargé de recherche, HDR, Université de Montpellier
Louise LEROUX, Co-encadrante, Chargée de recherche, PhD , UPR Aïda Cirad

Publications liées à la thèse :
Y. J. E. Gbodjo, D. lenco and L. Leroux, « Toward SpatioSpectral Analysis of Sentinel-2 Time Series Data for Land Cover Mapping, » in IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 2, pp. 307-311, Feb. 2020, doi :10.1109/ LGRS.2019.2917788.
Y. J. E. Gbodjo, D. lenco, L. Leroux, R. lnterdonato, R. Gaetano, and B. Ndao, « Object-Based Multi-Temporal and Multi-Source Land Cover Mapping Leveraging Hierarchical Class Relationships, » in Remote Sensing, vol. 12, no. 17, p. 2814, Aug. 2020, doi :10.3390/rs12172814.
D. lenco, Y. J. E. Gbodjo and R. Gaetano, « Generalized Knowledge Distillation for Multi-Sensor Remote Sensing Classification : An Application to Land Cover Mapping, » in ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, vol.5, p. 997-1003.
D. lenco, Y. J. E. Gbodjo, R. Gaetano and R. lnterdonato, « Weakly Supervised Learning for Land Cover Mapping of Satellite Image Time Series via Attention-Based CNN, » in IEEE Access, vol. 8, pp. 179547-179560, 2020, doi :10.1109/ ACCESS.2020.3024133.
L. Leroux, G. N. Falconnier, A. A. Diouf, B. Ndao, Y. J. E. Gbodjo, L. Tall, A. A. Balde, C. Clermont-Dauphin, A. Bégué, F. Affholder, O. Roupsard, « Using remote sensing to assess the effect of trees on millet yield in complex parklands of Central Senegal, » in Agricultural Systems, Volume 184, 2020.
A. M. Censi, D. lenco, Y. J. E. Gbodjo, R. pensa and R. Gaetano, « Attentive Spatial Temporal Graph CNN for land cover mapping from multitemporal remote sensing data, » in IEEE Access, vol. 9, pp. 23070-23082, 2021, doi :10.1109/ ACCESS.2021.3055554.
Y. J. E. Gbodjo, O. Montet, D. lenco, R. Gaetano and S. Dupuy, « Multi-sensor land cover classification with sparsely annotated data based on Convolutional Neural Networks and Self-Distillation, » in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
Y. J. E. Gbodjo, D. lenco and L.Leroux, « Benchmarking statistical modelling approaches with multi-source remote sensing data for crop yield monitoring in Sub-Saharan Africa » in International Journal of Remote Sensing (2021) doi :10.1080/ 01431161.2021.1993465.
A. Abidi, A. Ben Abbes, Y. J. E. Gbodjo, D. lenco and 1. R. Farah, « Combining pixel- and object-level information for land-covermapping using time-series of Sentinel-2 satellite data» in Remote Sensing Letters (2021).