De l'espace au sol: Amélioration de la cartographie des cultures et de la connaissance des écosystèmes pour les petits exploitants agricoles au Kenya

La cartographie des cultures, c'est-à-dire l'identification de ce que les agriculteurs cultivent dans leurs champs, est essentielle à la planification et à la gestion de l'agriculture et de l'utilisation des terres. Elle permet de produire des estimations de rendement et des statistiques sur les superficies cultivées, de prévoir les prix des denrées alimentaires et d'évaluer les dommages causés par les catastrophes, ainsi que la santé des écosystèmes, autant de fonctions essentielles pour les pays exportateurs de produits agricoles tels que le Kenya.

Dans une étude récente, nous avons utilisé des séries temporelles d'images satellite Sentinel-2 et des techniques avancées d'apprentissage automatique pour cartographier les principaux types de cultures et les écosystèmes du comté de Nandi, dans l'ouest du Kenya. Cet effort vise à produire des informations exploitables pour améliorer les pratiques agricoles durables et soutenir une gestion des terres résiliente au changement climatique. Ces travaux s'inscrivaient dans le cadre du programme Living Labs for People (LL4P), qui utilise des approches collaboratives s'appuyant sur les connaissances locales pour mettre au point des innovations agricoles durables, dans le cadre de l'initiative de recherche du CGIAR sur les systèmes alimentaires à faibles émissions (Mitigate+).

Cette recherche s'appuie sur le cloud computing pour réaliser la cartographie des types de cultures en cours de saison, offrant ainsi une solution personnalisée et flexible qui ne nécessite aucune connaissance préalable de l'infrastructure du cloud computing.

L'étude a utilisé un algorithme de classification par forêt aléatoire pour traiter les images composites Sentinel-2 de 15 jours couvrant la période d'un an allant du 30 septembre 2022 au 30 septembre 2023. Le déroulement des travaux comprenait les éléments suivants:

• Collecte de données de référence: 910 polygones de champs de culture couvrant neuf types de cultures (maïs, café, thé, canne à sucre, etc.) ont été relevés. L'affinement des données a permis de résoudre des problèmes tels que les polygones de cultures mixtes et les erreurs de délimitation afin d'améliorer la qualité de l'échantillon de formation.

• Données satellitaires et prétraitement : Des images Sentinel-2 avec une couverture nuageuse <30% ont été utilisées, complétées par des indices de végétation tels que l'indice de végétation par différence normalisée (NDVI), l'indice d'humidité par différence normalisée (NDMI) et l'indice de stress hydrique (MSI). Les données WorldCover 2021 de l'ESA ont permis d'identifier les couvertures terrestres non agricoles telles que les zones bâties et les plans d'eau.

• Classification: Le classificateur formé à partir de 819 échantillons a permis d'améliorer la précision pour les principales cultures (par exemple, le thé et la canne à sucre), mais a rencontré des difficultés avec les champs fragmentés et les cultures à faible superficie comme les légumineuses et les légumes. La fusion des catégories a permis d'améliorer la précision globale.
• Validation et lissage: un filtre majoritaire a été appliqué pour réduire le bruit, ce qui a permis d'obtenir des performances de classification raisonnables.

Principales conclusions

• La cartographie a atteint une précision de classification élevée pour le thé, la canne à sucre, les prairies et les arbres (0,80-0,91). Cependant, le maïs et le café ont obtenu une précision plus faible (0,67-0,73) en raison de la présence de pixels mixtes et de champs fragmentés.
• Il est recommandé de procéder à des affinements spatio-temporels et d'améliorer les algorithmes de segmentation.
• Le modèle entraîné a été appliqué avec succès aux comtés voisins (Vihiga et Kisumu), démontrant ainsi son évolutivité.
• Les résultats peuvent être visualisés pour faciliter la prise de décision. 

Applications potentielles

Ce modèle a diverses applications potentielles, notamment des analyses des changements d'utilisation des terres, des analyses des stocks de carbone et des analyses de scénarios. Par exemple, nous avons comparé la nouvelle carte d'utilisation des terres avec l'ancienne version utilisée par les collaborateurs locaux et les chercheurs de l'Université d'Eldoret. Des réductions significatives de la couverture arborée (jusqu'à 20 %) et une augmentation des terres cultivées et des zones urbaines ont été observées entre 2000 et 2020. C'est à Kisumu que l'expansion urbaine a été la plus forte, tandis qu'à Nandi, la superficie des terres cultivées a légèrement diminué. Au cours d'un atelier de deux jours avec les responsables du comté de Nandi et les professeurs de l'université, les responsables du comté ont exprimé leur intérêt pour la mise à jour de leur carte d'utilisation des terres, qui date des années 1980, ce qui souligne la valeur de l'initiative actuelle et son impact potentiel.

Nos estimations ont également mis en évidence le rôle des plantations de thé dans le maintien de stocks de carbone plus élevés que les cultures annuelles telles que le maïs. Dans une analyse de scénario, nous avons constaté qu'une expansion de 20 % des plantations de thé augmente le stockage total de carbone en raison d'un potentiel de séquestration de carbone plus élevé, tandis qu'une expansion urbaine de 20 % entraîne une diminution des stocks de carbone, en particulier à Kisumu (-8,74 %).

Conclusions

Cette étude met en évidence la puissance de la combinaison de l'imagerie satellitaire et de l'apprentissage automatique pour faire progresser la cartographie des cultures et les connaissances sur la santé des écosystèmes, fournissant ainsi des outils précieux pour l'agriculture durable et la gestion des terres résilientes au climat. À l'avenir, l'affinage des modèles pour améliorer la précision des champs fragmentés et l'extension de l'approche à d'autres régions peuvent conduire à des applications plus larges, soutenant des décisions fondées sur des preuves pour des systèmes alimentaires à faibles émissions.

Zhe Guo est coordinateur SIG senior au sein de l'unité de modélisation prospective et politique de l'IFPRI ; Upeksha Hettiarachchi est analyste de recherche au sein de l'unité Ressources naturelles et résilience (NRR) de l'IFPRI; Wei Zhang est chercheur principal au NRR et responsable de la recherche sur la santé et la biodiversité des écosystèmes. Ce billet est basé sur des recherches qui n'ont pas encore été évaluées par des pairs. Les opinions sont celles des auteurs.

Ce travail a été soutenu par l'initiative du CGIAR sur les systèmes alimentaires à faibles émissions (Mitigate+).

Article de conférence référencé:

H. Li et al., “In-season crop-type mapping in Kenya using Sentinel-2 imagery,” 2024 12th International Conference on Agro-Geoinformatics (Agro-Geoinformatics), Novi Sad, Serbia, 2024, pp. 1-6. https://doi.org/10.1109/Agro-Geoinformatics262780.2024.10660971.