Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 octobre 2020

Estimation de variables de biodiversité d’une forêt méditerranéenne par deep learning avec des données de télédétection pluri-dates pour les futures missions hyperspectrales


Catégorie : Stagiaire


Ce stage financé par le CESBIO et se déroulant dans les locaux de l'ONERA Toulouse s’inscrit dans le cadre du projet APR CNES HyperMED - « Evaluation des caractéristiques fonctionnelles des essences d’arbres pour le suivi de leur état de santé pour des écosystèmes de forêts méditerranéennes pour un imageur hyperspectral ». Ce travail se fera en collaboration avec S. Ustin et M. Huesca de l’Université de Davis, Californie, USA.

Durée du stage : 6 mois / Période souhaitée : à partir de mars 2021 (négociable)

Profil du stagiaire: Connaissances et niveau requis : Traitement du signal/image, transfert radiatif, deep learning, python / Ecoles ou établissements souhaités : MR2 ou 3ième année d’école d’ingénieur

Responsable(s) du stage :

CESBIO: Jean-Philippe Gastellu-Etchegorry

ONERA: Karine Adeline, Thomas Miraglio, Xavier Briottet

Contact: karine.adeline@onera.fr

 

Sujet : La rapide dégradation de la biodiversité de la végétation ces dernières décennies a mené les écologues à définir des variables essentielles pour la caractériser (EBV : Essential Biodiversity Variables). La télédétection permet le suivi de certaines de ces EBV sur de grandes surfaces comme celles caractérisant les espèces d'arbres à l'échelle de la population (abondance, richesse, distribution) et l'évaluation des caractéristiques fonctionnelles pour chaque espèce d'arbres, dont leurs propriétés biophysiques et biochimiques. Ces derniers sont des indicateurs pertinents du fonctionnement des plantes, intervenant sur leur productivité et leurs fonctions écosystémiques. D’une part, les propriétés biochimiques les plus étudiées par télédétection sont les pigments foliaires (chlorophylle et caroténoïdes), le contenu en eau et en matière sèche, qui interviennent respectivement dans le cycle phénologique de la plante, son stress hydrique et sa biomasse. D’autre part parmi les propriétés biophysiques, celle la plus communément étudiée est la densité foliaire de l’arbre ou LAI (Leaf Area Index).

A partir de données de télédétection, l'estimation de ces propriétés nécessite une forte richesse spectrale dans le domaine optique 0.4-2.5um (notamment les propriétés biochimiques) et une résolution spatiale adaptée à l'échelle d'étude. Les futures missions satellitaires hyperspectrales d'observation de la Terre prévoient un choix de capteurs à une résolution spatiale de 30 m avec un rapport signal-à-bruit élevé (PRISMA, EnMAP, SBG) et à 8 m avec un rapport signal-à-bruit plus faible (HYPXIM/BIODIVERSITY). Pour une résolution de 8 m, les études pourront être conduites aux échelles individu/population (1 à 2 arbres dans un pixel), alors que pour une résolution de 30 m, uniquement celle de la population (plusieurs arbres dans un pixel) pourra être envisagée. Pour des écosystèmes de savanes boisées (forêts éparses de climat méditerranéen), l’estimation des propriétés biophysico-chimiques sera sensible dans le premier cas aux caractéristiques relatives aux individus composant le couvert végétal dont particulièrement la structure des arbres (faible LAI, forte présence d'éléments ligneux, forme du houppier) tandis que dans le second cas s’ajouteront les caractéristiques générales de l'écosystème (faibles taux de couverture boisée et impact du sol).

D'un point de vue méthodologique et du fait des spécificités du milieu étudié, une manière courante d'estimer ces propriétés repose sur la méthode d'inversion par LUTs (Look Up Tables) ou bases de données simulées par un modèle de transfert radiatif. Cette méthode consiste tout d'abord à générer une LUT de réflectances de la canopée simulant le spectre d'un pixel d'une image de télédétection à partir d'une maquette 3D modélisant la scène (i.e. prenant en compte les caractéristiques structurelles de l'arbre, le type de sol et les conditions d'illumination), en faisant varier les propriétés biophysiques et biochimiques qu'on cherche à estimer. Ensuite, l'inversion consiste à trouver la meilleure correspondance entre cette LUT de réflectances simulées et la réflectance mesurée provenant de l'image de télédétection, afin de remonter à l'estimation de ces propriétés. Une alternative repose les méthodes hybrides avec l'entraînement de méthodes d'apprentissage sur les LUTs [1], telles que les méthodes de deep learning. Ces dernières pourront bénéficier de la grande taille des LUT déjà générées pour s'en servir de bases d'apprentissage et de validation pour entrainer des modèles prédictifs qui seront ensuite appliqués sur les images de télédétection. Néanmoins, les performances entre les méthodes de deep learning et d'inversion par LUT diffèrent selon l'échelle étudiée (feuille vs canopée), le site d'étude, le modèle de transfert radiatif, le type de capteur et la propriété de végétation. A notre connaissance, aucune étude n’a été menée sur des forêts peu denses pour estimer les 5 propriétés précitées avec l'utilisation de méthodes de deep learning.

L'objectif de ce stage est d'évaluer et inter-comparer les performances entre des méthodes de deep learning et d'inversion par LUT pour élaborer une cartographie des propriétés biophysiques et biochimiques des arbres d'une forêt méditerranéenne afin de suivre leur état de santé au cours du temps, notamment dans un contexte de sécheresse. Cette comparaison s'effectuera à plusieurs dates et pour plusieurs résolutions spatiales, dont celles correspondant aux futures missions satellitaires hyperspectrales à 8 m et à 30 m.

Deux sites de savanes boisées typiques de forêts méditerranéennes seront à l'étude. Ils sont situés en Californie dans la Sierra Nevada. Plusieurs campagnes terrain ont été menées en concomitance avec des acquisitions hyperspectrales aéroportées par le capteur AVIRIS-Classic à 18 m de résolution spatiale entre 2013 et 2019, et une acquisition supplémentaire à une date avec le capteur AVIRIS-Next Generation à 2 m. Toutes les données (terrain et de télédétection) sur l'un des deux sites sont actuellement traitées dans le cadre de la thèse de Thomas Miraglio [2]. Le stagiaire se concentrera essentiellement sur les données du second site, dont une partie a déjà été traitée au cours d'un précédent stage en 2020 [3].

En résumé, les travaux de stage porteront sur (1) la simulation d'images synthétiques satellitaires à plusieurs résolutions spatiales à partir des images aéroportées AVIRIS, (2) la génération des LUT avec l'outil de transfert radiatif pour les différentes dates d'acquisition à partir de maquettes 3D, (3) l'application de méthodes de deep learning pour l'estimation et la cartographie des propriétés biophysiques et biochimiques, en prenant la ou les méthodes existantes les plus appropriées, et (4) l'application de la méthode d'inversion par LUT suivi de la comparaison des résultats entre les deux catégories de méthode. Pour cette étude, l'outil de transfert radiatif utilisé sera DART [4] développé par le CESBIO. A l'ONERA, des outils sont d'ores et déjà disponibles pour répondre aux tâches (1), (2) et (4) grâce à des travaux en cours et passés [3,5-6], dont un simulateur end-to-end d'images, la méthode d'inversion par LUT et la disponibilité des maquettes 3D pour la modélisation. Ainsi pour ces travaux de stage, l'accent sera majoritairement porté sur la tâche (3). Du fait de la possession de deux jeux de données très similaires sur deux sites différents, l'originalité de cette tâche sera de trouver la configuration la plus adéquate des paramètres des méthodes de deep learning afin d'obtenir des estimations correctes des propriétés recherchées à la fois sur les deux sites. Ensuite, un autre point intéressant serait de voir l'applicabilité de ces méthodes testées essentiellement sur les images pluri-dates simulées à partir de la tâche (1) sur des images à meilleures résolutions spatiales afin de construire des cartographies plus fines.

Références :

[1] Abebe Mohammed Ali, Roshanak Darvishzadeh, Andrew Skidmore, Tawanda W. Gara & Marco Heurich (2020) Machine learning methods’ performance in radiative transfer model inversion to retrieve plant traits from Sentinel-2 data of a mixed mountain forest, International Journal of Digital Earth.

[2] Thèse 2018-2021 ONERA-Région Occitanie "Suivi de la résilience du patrimoine arboré méditerranéen par télédétection hyperspectrale".

[3] Stage 2020 "Estimation de variables de biodiversité d’une forêt méditerranéenne pour les deux missions spatiales hyperspectrales française et américaine (CNES et NASA)".

[4] Gastellu-Etchegorry et al., Modeling radiative transfer in heterogeneous 3-D vegetation canopies. Remotesensing of environment, 58(2), 131-156, 1996.

[5] Miraglio, T. ; Adeline, K. ; Huesca, M.; Ustin, S. ; Briottet, X. Monitoring LAI, Chlorophylls, and Carotenoids Content of a Woodland Savanna Using Hyperspectral Imagery and 3D Radiative Transfer Modeling. Remote Sens. 2019, 12, 28. [6] Miraglio, T. ; Adeline, K. ; Huesca, M.; Ustin, S. ; Briottet, X. Joint Use of PROSAIL and DART for Fast LUT Building : Application to Gap Fraction and Leaf Biochemistry Estimations over Sparse Oak Stands. Remote Sens. 2020, 12, 2925.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.