Utilisation de la télédétection pour la cartographie des systèmes de culture intégrés : contribution au suivi de l'agriculture bas carbone dans l'Etat du Mato Grosso, Brésil

Kuchler Calvano Patrick. 2021. Utilisation de la télédétection pour la cartographie des systèmes de culture intégrés : contribution au suivi de l'agriculture bas carbone dans l'Etat du Mato Grosso, Brésil. Montpellier : AgroParisTech, 172 p. Thèse de doctorat : Géomatique : AgroParisTech

Thèse

Prévisualisation

Version publiée - Français
Sous licence

.
VersionDépôtFinal.pdf
Télécharger (7MB) | Prévisualisation

Titre portugais : Utilização do sensoriamento remoto para o mapeamento dos sistemas integrados de produção agrícola: contribuição ao monitoramento da agricultura de baixa emissão de carbono no estado do Mato Grosso, Brasil / Titre anglais : Monitoring of Integrated Agricultural Production Systems in Brazil by Remote Sensing

Encadrement : Bégué, Agnès ; Simoes, Margareth

Résumé : Pour atteindre ses engagements internationaux de réduction des émissions de gaz à effet de serre, le Brésil a un projet appelé Plan ABC (Agriculture Bas Carbone). Parmi les stratégies d'intensification durable de l'agriculture, l'Etat incite l'adoption de systèmes intégrés agriculture-élevage-forêt. Toutefois, il est nécessaire de créer des mécanismes de suivi de l'adoption de ces nouvelles pratiques. L'objectif général de la thèse est de développer une méthodologie de cartographie annuelle à l'échelle régionale des systèmes intégrés de type agriculture-élevage (iLP) à partir de séries temporelles d'images satellite MODIS, afin de contribuer à l'établissement d'un protocole de suivi de l'agriculture à faibles émissions de carbone. Le travail est divisé en trois étapes : la mise au point de la stratégie de classification des systèmes intégrés, l'application à l'échelle régionale et l'analyse thématique des cartes obtenues. La zone d'étude est l'État du Mato Grosso, le plus grand producteur national de soja, et qui offre une grande diversité de milieux naturels permettant d'évaluer les méthodes dans des contextes et années climatiques différents. La stratégie de classification a été mise au point dans une zone au nord de l'État. Les résultats montrent que les pré-traitements de type lissage du signal temporel ou calcul d'indices phénométriques détériorent la précision des classifications des systèmes de culture, que l'utilisation de séries temporelles d'indices de végétation permettent d'obtenir de bons scores de classification (précision globale : OA = 0.96) et enfin que l'algorithme Random Forest est légèrement plus performant que SVM (Support Vector Machine). La stratégie a été ensuite appliquée au Mato Grosso, à 7 campagnes agricoles (2012-2019) et 6 régions climatiques, selon une approche hiérarchique en 4 niveaux. Les résultats montrent que l'utilisation d'une base de données d'apprentissage unique (échantillons de différentes années et régions) pour classer chaque région et années individuellement permet d'obtenir des précisions proches que l'utilisation d´une base de données acquise dans chaque région et pour chaque année. Le nombre élevé d'échantillons dus au regroupement compense en grande partie la variabilité spatio-temporelle des classes. La carte des systèmes de culture du niveau 2 (monocultures SC et cultures séquentielles DC) a OA moyenne de 0.89 sur la période étudiée et présente une bonne stabilité interannuelle: OA entre 0.86 et 0.96 ; au niveau 3: OA = 0.84, les DC sont séparées en 3 classes (soja-coton, soja-céréale et le système intégré iLP soja-brachiaria) ; au niveau 4 (OA=0.77), la classe iLP est séparée en iLP1 (soja- bracharia) et iLP2 (soja-bracharia en association avec du maïs). Les F-score des classes de systèmes de culture DC, iLP et iLP1 ont une précision proche (0.89, 0.85 et 0.84) et la classe iLP2 (0.63). L'analyse des cartes annuelles des systèmes de culture des campagnes agricoles de 2012-13 à 2018-19 montre une augmentation de 66% de la superficie en cultures séquentielles, y compris les iLP, et une réduction de 19% de la monoculture. Ces résultats témoignent de l'intensification agricole en cours dans l'État. L'intensification durable basée sur les systèmes intégrés à plus que doublé pendant la même période passant de 18.6% (1.1 Mha) à 28.9% (2.6 Mha). En conclusion, la méthode développée nous a permis de relever quatre défis majeurs: cartographier des systèmes complexes (passer de l'occupation des sols à l'utilisation des sols), à l'échelle régionale, de façon rétrospective et traiter un grand volume de données grâce aux outils du Big Data. Alors, il est prévu de tester cette approche sur l'ensemble du corridor du soja, pour aboutir à terme à un outil opérationnel de suivi territorial et d'analyse de l'adoption des pratiques d'intensification durable.

Résumé (autre langue) : Para cumprir seus compromissos internacionais de redução das emissões de gases de efeito estufa, o Brasil criou o plano ABC (Agricultura de Baixo Carbono). A implementação de sistemas integrados de produção está entre as principais estratégias do referido plano. Mais de dez anos se passaram do lançamento do plano e ainda não há mecanismos para monitorar a adoção dessas práticas. O objetivo geral da tese é desenvolver uma metodologia de mapeamento anual em escala regional dos sistemas integrados de produção lavoura-pecuária (iLP), a partir de séries temporais de imagens do satélite MODIS, a fim de contribuir com o estabelecimento de um protocolo de monitoramento da agricultura de baixa emissão de carbono. O trabalho é dividido em três etapas: desenvolvimento da estratégia de classificação dos sistemas iLP; aplicação à escala regional e a análise temática dos mapas resultantes. A área de estudo é o estado de Mato Grosso, maior produtor nacional de soja, com uma grande variedade de ambientes possibilitando avaliar a robustez da metodologia. A etapa-1 foi desenvolvida em uma área no norte do estado. Os resultados mostram que o pré-processamento, como a suavização da série-temporal e o cálculo de indicadores fenométricos, deterioram a acurácia, e que a utilização de Índices de Vegetação ´originais' fornecem bons resultados (Acurácia Global AG=0,96). Constatou-se que o algoritmo Random Forest tem um desempenho ligeiramente melhor que o SVM (Support Vector Machine). A estratégia foi, em seguida aplicada a todo Mato Grosso, sete anos de campanha agrícola (2012-2019), 6 regiões climáticas, em 4 níveis hierárquicos (Nível 1 - Soja, advinda do Mapbiomas). Os resultados mostram que o uso de uma base de aprendizagem única (vários anos/regiões) para classificar cada região e ano individualmente proporciona acurácia semelhante ao uso de bases particularizadas para cada ano/região. O grande número de amostras de uma base integrada, compensa em grande parte a variabilidade espaço-temporal das classes. O mapa dos sistemas de cultivo Nível-2 (monoculturas SC e culturas sequenciais DC) tem uma AG média de 0,89 no período estudado e boa estabilidade interanual. No Nível-3 a AG = 0,84 e os DCs são divididos em 3 classes (soja-algodão, soja-cereal e o iLP soja-brachiaria). No Nível 4 tem AG= 0,77, a classe iLP é separada em iLP1 (soja-brachiaria) e iLP2 (soja-brachiaria consorciado com milho). Os valores f-score do sistema de cultura DC, iLP e iLP1 são próximos (0,89, 0,85 e 0,84) e a classe iLP2 (0,63). A análise dos mapas anuais dos sistemas de cultivo (2012-13 à 2018-19) mostra um aumento de 66% na área de cultivo sequencial, incluindo iLP, e uma redução de 19% na monocultura. Esses resultados refletem uma intensificação agrícola em curso no estado. A intensificação sustentável baseada em sistemas integrados mais que dobrou no mesmo período, de 18,6% (1,1Mha) para 28,9% (2,6Mha) das áreas cultivadas. Concluindo, o método desenvolvido permitiu-nos enfrentar quatro grandes desafios: mapear sistemas complexos (evoluir de cobertura para o uso da terra); em escala regional (diversidade de condições intranuais); de forma retrospectiva e processar um grande volume de dados através de ferramentas do Big Data. Planeja-se testar essa abordagem em todo o corredor da soja, a fim de se operacionalizar o monitoramento territorial e análise da adoção de práticas de intensificação sustentável.

Mots-clés Agrovoc : télédétection, analyse de séries chronologiques, imagerie par satellite, cartographie de l'utilisation des terres, cartographie de l'occupation du sol, système de culture, Glycine soja, système agropastoral

Mots-clés géographiques Agrovoc : Brésil, Mato Grosso

Mots-clés libres : Télédétection, Systèmes agro-pastoraux, Soja, Série temporelle d'images satellites, Systèmes intégrés

Classification Agris : U30 - Méthodes de recherche
F08 - Systèmes et modes de culture
E11 - Économie et politique foncières

Auteurs et affiliations