Cartographie de caracteritiques de la surface du sol par traitement de donnees sentinel 2

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL TSHIBANDA NKOLONGO Franck "Cartographie de caracteritiques de la surface du sol par traitement de données Sentinel-2" "Lập đồ đặc tính mặt đất xử lý liệu SENTINEL-2" MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOI – 2019 UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL TSHIBANDA NKOLONGO Franck "Cartographie et analyse de changements spectraux sur une chronique de données Sentinel-2" "Lập đồ đặc tính mặt đất xử lý liệu SENTINEL-2" Spécialité: Systèmes intelligents et multimédia (SIM) Code: Programme pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Mme GOMEZ Cécile , Chargée de recherche l’IRD M BAILLY Jean-Stéphane, Enseignant chercheur AgroParisTech HANOI – 2019 UNIVERSITÉ NATIONALE DU VIETNAM À HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL MÉMOIRE DE FIN D’ÉTUDES DE MASTER INFORMATIQUE Cartographie des caractéristiques de la surface du sol par traitement de données Sentinel-2 TSHIBANDA NKOLONGO Franck Encadrants : Gomez Cécile M Chargée de recherche (IRD, UMR LISAH) Jean-Stéphane Bailly Enseignant chercheur (AgroParisTech, UMR LISAH) 01 Avril - 30 Septembre 2019 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs La source des informations citées dans ce mémoire a été bien précisée LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận văn trung thực chưa công bố cơng trình khác Các thơng tin trích dẫn Luận văn rõ nguồn gốc TSHIBANDA NKOLONGO Table des matières Introduction 1 Enjeux et objectifs de l’étude .1 1.1 Enjeux de l’étude .1 a) Lien entre EDS et Infiltrabilité 1.2 La Télédétection 1.2.1 Éléments de contexte 1.2.2 Télédétection Multispectrale .3 a) Principes généraux b) Spectroscopie c) Télédétection en milieu agricole 1.2.3 Télédétection Multispectrale et Multi Temporelle: Sentinel-2 1.3 Objectif de l’étude 10 1.4 Approches adoptées 10 Contexte Administratif du stage .11 2.1 Situation au sein de l’UMR LISAH 11 2.2 Situation dans le projet TOSCA A-MUSE 11 Matériels et Données 13 2.1 Site d’étude 13 2.1.1 Localisation géographique 13 2.1.2 Les parcelles observées 14 2.2 Présentation des données disponibles 14 2.2.1 Données satellitaires .15 2.2.1.1 Caractéristiques brutes 15 2.2.2 Données terrain .18 Méthodologie d’analyse de profils temporels spectraux 26 3.1 Contexte 26 3.1.1 Introduction la classification 26 3.1.2 Données Fonctionnelles et Analyse fonctionnelle 27 3.2 Méthode de Classification Kmeans 29 3.2.1 Algorithme 30 3.2.2 Choix du nombre K de classes .31 3.2.3 Implémentation KMeans 33 3.2.4 Critères de qualité de classification .33 3.3 Méthode de Classification Funcy 34 3.3.1 Préparation des données .34 3.3.2 Classification fonctionnelle basée sur le modèle de mélange EM .35 3.3.3 Implémentation de la classification fonctionnelle 37 3.3.4 Mesure de qualité 40 3.4 Implémentation selon les approches .40 Résultats 45 Approche univariée 45 1.1 Classification sur indice de végétation (NDVI) 45 1.2 Classification de la végétation verte Observée sur le terrain 49 Approche multivariée 53 Classification sur Sentinel-2 multispectrale .53 2.2 Classification sur les variables observées au sol 58 4.3 Comparaison des méthodes 61 4.3.1 Kmeans, funHDDC et Funcy : Univariée .62 4.3.2 Kmeans, funHDDC et Funcy : multivariée 63 Conclusion 65 Bibliographie 67 Index des illustrations l o g o .3 l o g o F i g u r e : P r o c e s s u s d ’ a c q u i s i t i o n i m a g e e n t é l é d é t e c t i o n Figure 1.2 : Gamme de spectre électromagnétique longueur d’onde et f r é q u e n c e F i g u r e : l o n g u e u r d ' o n d e e t l a r g e u r d e b a n d e S e n t i n e l - Figure 2.1 : Localisation, modèle numérique de terrain et vue satellitaire ( i m a g e Q u i c k b i r d ) d u b a s s i n v e r s a n t d e K a m e c h F i g u r e : P a r c e l l a i r e d u B a s s i n Ve r s a n t d e K a m e c h ( , k m , e n n o i r e ) sur laquelle est délimité le contour des 39 parcelles-tests associées aux o b s e r v a t i o n s d e t e r r a i n ( e n r o u g e ) F i g u r e : R é p a r t i t i o n t e m p o r e l l e d e s i m a g e s d e l a s é r i e F i g u r e : h i s t o g r a m m e s N D V I i m a g e s Figure 2.5: Exemple de fichier d’Observation des états de surface (EDS) 39 p a r c e l l e s o b s e r v é e s d e K a m e c h - - F i g u r e : h i s t o g r a m m e s v é g é t a t i o n v e r t e d a t e s F i g u r e : h i s t o g r a m m e s v é g é t a t i o n s è c h e d a t e s .2 F i g u r e : h i s t o g r a m m e s t r a v a i l d u s o l d a t e s F i g u r e : h i s t o g r a m m e s r u g o s i t é d a t e s 2 F i g u r e : h i s t o g r a m m e s f a c i è s d a t e s F i g u r e 11 : C a r t e d ’ o c c u p a t i o n d e s o l P a r c e l l a i r e K a m e c h I m a g e F i g u r e : c l a s s i f i c a t i o n S e n t i n e l - a v e c K M e a n s F i g u r e : m é t h o d e d u c o u d e ( e l b o w ) ( s o u r c e : w w w s c i k i t - y b o r g ) 3 I m a g e Figure 3.3 : Approche multi-date ordonnée multivariée Sentinel-2 et o b s e r v a t i o n d e d o n n é e s I m a g e Figure 3.4 : Approche multi-date ordonnée univariée végétation verte et i n d i c e d e v é g é t a t i o n 4 I m a g e 4 Figure 4.1 choix du nombre de classes du NDVI global par la méthode c a s c a d e K M c a l i n s k i c r i t e r i o n l a Figure 4.2 choix du nombre de classes du NDVI par la méthode du coude 46 Figure 4.3 Graphiques des trajectoires des centres de chaque classe pour t o u t e s l e s m é t h o d e s Figure 4.4 Localisation des classes du NDVI échelle pixellaire et pixel m a j o r i t a i r e : ( K m e a n s , f u n H D D C , F u n c y ) .4 Figure 4.5 choix du nombre de classes de végétation verte méthode c a s c a d e K M c a l i n s k i c r i t e r i o n Figure 4.6 Graphiques des trajectoires des centres de chaque classe pour t o u t e s l e s m é t h o d e s Figure 4.7 Localisation des classes du taux de végétation verte : échelle p a r c e l l a i r e ( f u n H D D C e t F u n c y ) Figure 4.8 choix du nombre de classes du S-2 multispectral méthode c a s c a d e K M c a l i n s k i c r i t e r i o n Figure 4.9 choix du nombre de classes du S-2 multispectral méthode du c o u d e .5 Figure 4.10 Graphiques des trajectoires des centroïdes de chaque classe d e s p i x e l s d a n s t o u t e s l e s b a n d e s s p e c t r a l e s : K m e a n s e t F u n c y 5 F i g u r e 11 G r a p h i q u e s d e s t r a j e c t o i r e s d e s c e n t r o ï d e s d e c h a q u e c l a s s e d e s p i x e l s d a n s l e s b a n d e s s p e c t r a l e s e t f u n H D D C Figure 4.12 Localisation des classes des trajectoires des pixels : échelle p i x e l l a i r e e t p i x e l m a j o r i t a i r e : ( K m e a n s , f u n H D D C , F u n c y ) Figure 4.13 Graphiques des trajectoires des centres de chaque classe de m u l t i v a r i a b l e o b s e r v é e s : f u n H D D C Figure 4.14 Graphiques des trajectoires des centres de chaque classe de m u l t i v a r i a b l e o b s e r v é e s : F u n c y Figure 4.15 Localisation des classes des trajectoires multivariable o b s e r v é e s e t E D S : f u n H D D C , F u n c y .6 Figure 4.16 comparaison des résultats des indices de rand ajustés Vgtv : K m e a n s , f u n H D D C e t F u n c y F i g u r e M a t r i c e d e c o n f u s i o n d e l a V é g é t a t i o n v e r t e .6 Figure 4.18 comparaison des résultats des indices de rand ajustés variables o b s e r v é e s : K m e a n s , f u n H D D C e t F u n c y M a t r i c e d e c o n f u s i o n d e s v a r i a b l e s o b s e r v é e s Résumé Réalisée en lien avec une activité de recherche au sein de l’unité mixte de recherche (UMR) du laboratoire d’études des interactions entre sols agrosystème et hydrosystème (LISAH), cette étude porte sur l’analyse de la forte variabilité des états de surfaces au cours d’une année culturale, notamment des cycles de développement des cultures, liée aux différentes pratiques agricoles ainsi qu'aux conditions météorologiques changeants, qui rendent difficile l'utilisation de méthodes classiques de cartographie d'occupation du sol Nous proposons de développer puis de tester de nouvelles méthodes plus automatiques et robustes, permettant d'exploiter le potentiel offert par les séries temporelles d’images satellites haute résolution visible selon deux approches : univariée (NDVI) et multivariée (10 bandes de réflectance), basés sur des algorithmes d’apprentissage non supervisés dans le bassin versant de Kamech, en Tunisie Une méthode permettant de reconstituer les successions de cultures a pu être mise en œuvre et testée l'aide d'analyse de données satellitaires Sentinel-2, couplée des observations de terrain Une approche base de données est utilisée pour identifier les différents cycles de développement culturaux partir du profil temporel NDVI de chaque pixel Les résultats obtenus démontrent la pertinence de l'approche innovante ici testée Mots clés : agriculture, classification fonctionnelle, télédétection, occupation du sol, série temporelle, NDVI, algorithme, États de surfaces Abstract Conducted in connection with a research activity within the Joint Research Unit (UMR) of the Agrosystem and Hydrosystem Soil Interactions Laboratory (LISAH), this study focuses on analyses the high variability of surface conditions during a crop year, particularly crop development cycles, linked to different agricultural practices and changing weather conditions, which make it difficult to use conventional land use mapping methods We propose to develop and test new, more automatic and robust methods to exploit the potential offered by time series of highresolution visible satellite images using two approaches: univariate (NDVI) and multivariate (10 reflectance bands), based on unsupervised learning algorithms in the Kamech watershed in Tunisia A method for reconstructing crop successions could be implemented and tested using Sentinel-2 satellite data analysis, coupled with field observations A database approach is used to identify the different crop development cycles based on the NDVI time profile of each pixel The results obtained demonstrate the relevance of the innovative approach tested here Keywords: agriculture, functional classification, remote sensing, Tunisia, land cover, time series, NDVI, algorithm Figure 4.10 Graphiques des trajectoires des centroïdes de chaque classe des pixels dans toutes les bandes spectrales : Kmeans et Funcy La figure 4.10 montre les trajectoires pixellaires dans toutes les bandes de réflectance agrégées et ordonnées, des centroïdes de classes des pixels sur les 14 images acquises pendant l’année culturale 2016-2017 avec les méthodes Kmeans et Funcy Une difficulté d’interpréter ces trajectoires Kmeans est due une importante perte d’information lors de l’agrégation des bandes spectrales de toutes les images, ne permettant pas d’estimer ou de calculer au mieux les centres des groupes Cependant, nous pouvons remarquer que les plus grandes valeurs radiométriques dans toutes les classes des trajectoires pixellaires, sont observées dans les bandes spectrales et 10 55 La première classe de trajectoire pixellaire, représentée en classe par Kmeans et en classe par funcy atteint son pic en début du mois de mai ; La deuxième classe de trajectoire pixellaire, représentée en classe par Kmeans et funcy atteint son pic en fin avril ; La troisième classe de trajectoire des pixels, représentée en classe par Kmeans et funcy atteint son pic en début février ; La quatrième classe représentée en classe par Kmeans et classe par funcy atteint son pic en début février et mars 2017 Figure 4.11 Graphiques des trajectoires des centroïdes de chaque classe des pixels dans les bandes spectrales et 10 funHDDC 56 La figure 4.11 ne montre que les trajectoires assez lissées dans les bandes de réflectance et 10, des centroïdes de classes des pixels sur les 14 dates d’acquisition images pendant l’année culturale 2016-2017 avec la méthode funHDDC Les trajectoires pixellaires des bandes nous montrent les plus grand pics des pixels de toute les classes sont observés dans les bandes 6, et ● Spatialisations Chaque méthode a donc permis d’identifier profils temporels de pixels Chaque pixel étant assigné un de ces profils temporels, il est possible de représenter spatialement la classe de chaque parcelle Figure 4.12 Localisation des classes des trajectoires des pixels : échelle pixellaire et pixel majoritaire : (Kmeans, funHDDC, Funcy) 57 Nous localisons sur la figure 4.12, nos classes de trajectoire annuelles (20162017) des pixels en multispectral sur les parcelles observées de la zone de Kamech Ainsi les résultats obtenus avec les méthodes de Kmeans, funHDDC et Funcy permettent de segmenter la zone des parcelles observées en sous zones ayant chacune une dynamique La spatialisation se fait l’échelle parcellaire La classification des trajectoires des pixels en multispectral par la méthode Kmeans, montre une grande hétérogénéité des classes sur l’ensemble des parcelles, correspondant notamment avec plus de variabilité des classes au sein des parcelles, donc le modèle identifie souvent plus de deux trajectoires par parcelle Les méthodes funHDDC et Funcy quant elles, présentent une répartition des pixels assez homogène dans chacune des parcelles observées, ces deux modèles identifient souvent au plus deux trajectoires par parcelle 2.2 Classification sur les variables observées au sol ● Choix du nombre de classes Pour la catégorisation des trajectoires d’état de surface, le nombre de cluster est choisit selon le critère d'information BIC, cette méthode nous donne un partitionnement de k=4 clusters pour l’ensemble des variables observées (Vgtv, Vgts, Rugo, Tvsol, Faciès) ● Trajectoires des centres de chaque classe de multivariable observées Les méthodes Funcy, funHDDC ont donc été appliquées sur l’ensemble de toutes les variables observées au sol le long de la série temporelle allant d’août 2016 juillet 2017, en fixant le nombre de classes Chaque méthode a donc permis d’identifier profils temporels des multivariables observées Et chaque parcelle est assignée un de ces profils temporels 58 Figure 4.13 Graphiques des trajectoires des centres de chaque classe de multivariable observées : funHDDC 59 Figure 4.14 Graphiques des trajectoires des centres de chaque classe de multivariable observées : Funcy Les figures 4.13 et 4.14, présentent les trajectoires des centroïdes des classes de toutes les variables observées au sol et agrégées ordonnées sur les 14 images dates d’observation de terrain, pendant l’année culturale 2016-2017 avec la méthode funHDDC et Funcy Nous observons une similarité des trajectoires du travail du sol dans toutes les parcelles Ainsi une première classe des trajectoires des observables au sol et d’états de surfaces, représentée en classe par funHDDC et en classe par funcy, se caractérise par des légères différences des pratiques culturales en début de novembre 2016 et mars 2017, où la surface du sol est légèrement fermée (il y’a au moins une pluie depuis le dernier travail), présentant en fin d’année culturale une rugosité moyenne de 2-5 cm, un ancien travail du sol Une végétation herbacée de 0-5 % sur les parcelles est observée fin septembre 2016, ainsi semaines après le travail de novembre (désherbage), la végétation repousse pour atteindre son premier pic fin janvier 2017 , le deuxième pic de végétation est observé la troisième semaine du mois d’avril 2017 ±50 % Une deuxième classe des trajectoires des observables au sol, représentée en classe par funHDDC) et classe par funcy, se caractérise par une une saturation du 60 sol en décembre 2016 et février 2017 date la quelle la végétation verte atteint son pic (25-50%) Une troisième classe des trajectoires des observables au sol, représentée en classe par funHDDC) et en classe par funcy, se caractộrise par une fermeture de faỗon continue du sol tout le mois de septembre 2016 et présente une faible rugosité (0-2 cm) La végétation verte pousse et atteint son pic (50-75%) fin mars et tout le mois d’avril 2017, la récolte se fait entre fin avril et juillet, ce qui est proportionnel avec l’apparition de la végétation morte dans la deuxième semaine du mois de mai jusqu’à la fin de l’année culturale (pic atteint en juin) Une quatrième classe des trajectoires des observables au sol, représentée en classes par funHDDC et en classe par funcy , présentent le même itinéraire suivi par le première classe des trajectoires observables, avec une saturation du sol au mois de février et un pic de végétation verte (±50%) atteint en fin d’avril ● Spatialisations Chaque méthode a donc permis d’identifier profils temporels des multivariables observées Chaque parcelle étant assignée un de ces profils temporels, il est possible de représenter spatialement la classe de chaque parcelle Ensuite une spatialisation des classes d’états de surfaces dans chaque parcelle est faite pour une comparaison Figure 4.15 Localisation des classes des trajectoires multivariable observées et EDS : funHDDC, Funcy 61 Nous localisons sur les figure 4.15, nos classes de trajectoire annuelle (20162017) de multivariable observées au sol et ceux des classes d’états de surfaces Ainsi le résultat obtenu avec les méthodes de funHDDC et Funcy, permettent de segmenter la zone des 39 parcelles observées en sous zones ayant chacune une dynamique de pratique culturale 4.3 Comparaison des méthodes Les résultats des trois méthodes que nous avons utilisées présentent des trajectoires plus ou moins similaires Ainsi pour comparer les résultats des classifications fonctionnelles non supervisées des données Sentinel-2 et celles d’observations de terrain, nous utilisons l’indice de rand ajusté pour mesurer leur similarité Nous pouvons quantifier les résultats de la classification et ainsi déterminer lequel des algorithmes arrive mieux approximer nos données de terrain 4.3.1 Kmeans, funHDDC et Funcy : Univariée Figure 4.16 comparaison des résultats des indices de rand ajustés Vgtv : Kmeans, funHDDC et Funcy Figure 4.17 Matrice de confusion de la Végétation verte 62 Les figures 4.16 et 4.17 présentent en premier lieu, la concordance ou conformité des résultats des classifications non supervisées des différentes méthodes par un calcul d’indice de Rand ajusté sur les données satellitaires (NDVI) et terrains (Vgtv), et ensuite elles montrent le niveau de correspondance entre les trajectoires ou profils des classes NDVI et celles des classes terrains de la végétation verte (Vgtv) durant toute l’année culturale d’août 2016 septembre 2017 Nous observons (fig 4.16) lors de la classification des trajectoires NDVI, une similarité assez grande (84.89%) entre les deux méthodes fonctionnelles (funHDDC et Funcy) et plus ou moins de 70 % avec la méthode classique Kmeans La classification des trajectoires de végétation verte, elle présente quant elle une similarité de 92 % entre les deux méthodes utilisées Ces résultats expriment le niveau de correspondance entre les résultats de classification de l’indice de végétation et les classifications terrains Ainsi nous observons respectivement des correspondances entre Kmeans-funHDDC_Vgtv et Kmeans-Funcy_Vgtv d’environ 69.57% et 62.46%, les méthodes fonctionnelles, présentent des résultats supérieurs ceux de la classification classique Kmeans et approximent au mieux la vérité terrain avec des correspondances respectives de ±84 % pour la méthode funHDDC et de ±76 % pour Funcy, ce qui est assez satisfaisant Ces résultats nous amènent dire que cette approche nous permet de cartographier les trajectoires de notre variable de végétation verte partir des données d’indice de végétation 4.3.2 Kmeans, funHDDC et Funcy : multivariée 63 Figure 4.18 comparaison des résultats des indices de rand ajustés variables observées : Kmeans, funHDDC et Funcy Figure 4.19 Matrice de confusion des variables observées Les figures 4.18 et 4.19 présentent en premier lieu, la concordance ou conformité des résultats des classifications non supervisées des différentes méthodes par un calcul d’indice de Rand ajusté sur les données satellitaires (multi bandes spectrales) et terrains (Vgtv, Vgts, Tvsol, Faciès et Rugosité) ainsi que la classe d’états de surface (EDS), et ensuite elles montrent le niveau de correspondance entre les trajectoires ou profils des classes multi-bandes spectrales et celles des classes terrains des variables observées durant toute l’année culturale d’août 2016 septembre 2017 Nous observons (fig 4.18) lors de la classification des trajectoires des pixels multi-bande spectrale, une similarité de 64% entre les deux méthodes fonctionnelles (funHDDC et Funcy) et plus ou moins de 50 % avec la méthode classique Kmeans La classification des trajectoires de variables observées au sol, présente quant elle une similarité de 66.6 % entre les deux méthodes utilisées Les classes des variables observées issues de la méthode Funcy concordent près de 71 % des classes d’états de surfaces, contre 53 % pour la méthode funHDDC Ces résultats expriment le niveau de correspondance entre les résultats de classification des trajectoires des pixels en multi-bande spectrale et les celles des variables observées sur terrains Ainsi nous observons que la méthode classique Kmeans n’approxime pas au mieux les trajectoires terrains, avec notamment plus ou moins 50% de correspondance, les méthodes fonctionnelles, présentent des résultats supérieurs ceux de la classification classique Kmeans et approximent au mieux la vérité terrain avec des correspondances respectives de ±79 % pour la méthode funHDDC et de ±70 % pour Funcy, ce qui est assez satisfaisant Ces résultats nous amènent dire que cette approche (multivariée), nous permet pas de cartographier les trajectoires de notre variable observées au sol partir des données satellitaires en utilisant la méthode classique Kmeans, cependant les méthodes fonctionnelles quant elles arrivent reconstituer partir des données satellitaires, la succession temporelle 64 des différentes pratiques culturales observées sur les 39 parcelles observées de Kamech Conclusion Nous avons présenté dans cette étude une méthode de classification non supervisée des caractéristiques observables (variables) de l’état de surface du sol selon deux approches l’échelle pixellaire et agrégées au pixel majoritaire : univariée (en considérant comme prédicteur l’indice de végétation par différence normalisée NDVI) et multivariée (avec comme prédicteurs l’ensemble des bandes de réflectances du capteur passif Sentinel-2), afin de reconstruire la succession temporelle des différents types de cultures et pratiques culturales observées sur les 39 parcelles observées de Kamech, tout en exploitant le potentiel offert par les séries temporelles haute résolution visible travers des données de télédétection multi-temporelle Sentinel-2 Nous avons utilisé la méthode classique de classification non supervisée (Kmeans) et les méthodes de classification fonctionnelle (funHDDC et Funcy qui regroupe en elle différents algorithmes de classification fonctionnelle) Après analyses menées, l’approche univariée s’est montrée plus performante que l’approche multivariée, cela se justifie par la non variabilité de l’indice de végétation En effet, la 65 classification non-supervisée obtenue selon l’approche univariée (NDVI) nous permet pas de montrer la différence entre les méthodes classique et fonctionnelles ; pour cause les trajectoires des classes (croissance précoce, faible levée de culture et croissance tardive) d’indice de végétation sur toute l’année culturale (Août 2016 Juillet 2017), obtenues pour chaque méthode utilisée s’avèrent assez proportionnelles Ainsi elles correspondent aux trajectoires des classes terrains de la variable observée de végétation verte (Vgtv): elles présentent pour ce jeu d'images une précision globale d’environ 70%, 84% et 76%, respectivement pour Kmeans, funHDDC et Funcy Ce qui nous a permis de déterminer plus ou moins 27, 32 et 30 parcelles sur 39 de la zone d’étude qui ont été bien classées par cette approche selon les méthodes En outre les résultats obtenus selon l’approche multivariée sont moins performantes qu’en univariée Ils permettent au moins de montrer le potentiel des méthodes dites fonctionnelles (funHDDC et Funcy) se distinguer de la méthode classique Kmeans En effet les trajectoires des classes obtenues avec cette dernière méthode n’approximent pas au mieux les trajectoires des classes terrains obtenues sur l’ensemble des variables observées (Végétation verte et sèche, la rugosité, le travail du sol, ainsi que le faciès) Elles présentent pour ce jeu d'images une précision globale de ± 49% pour Kmeans et respectivement 79% et 70% pour funHDDC et Funcy Néanmoins, des incertitudes persistent quant l'influence du jeu d'images utilisé, bien que de nombreuses pistes d'améliorations soient envisageables Cette méthode de classification non supervisée fonctionnelle que nous avons présenté dans notre étude, permet de spatialiser ou cartographier la variabilité des cycles de développements observée dans la zone, où les méthodes classiques de cartographie d'occupation s'avèrent peu efficaces Elle permet également d'envisager de s'affranchir long terme de données de terrain 66 Bibliographie [1] Statistiques mondiales Tunisie, [en ligne] Disponible sur : mondiales.com (consulté le 24/08/2019) www.statistiques- [2] Cornelius Senf, Pedro J Leitão, Dirk Pflugmacher, Sebastian van der Linden, and Patrick Hostert Mapping land cover in complex mediterranean landscapes using landsat : Improved classification accuracies from integrating multi-seasonal and synthetic imagery Remote Sensing of Environment, 156 :527–536, 2015 [3] Lacombe G Evolution et usage (série temporelle) [4] Joana Roussillon, Développement de méthodes innovantes de cartographie de l’occupation du sol partir de séries temporelles d’images haute résolution visible (NDVI), 2016 [5] Model-based Clustering of Time Series in Group-specic Functional Subspaces C Bouvergron and J Jacques, 2011 [6] Julien Jacques, Cristian Preda, Clustering multivariate functional data, 2012 [7] M Kayano, K DOZONO, and S.Konishi, Functional principal component analysis via regularized Gaussian basis expansions and its application to unbalanced data, 2009 [8] Clustering multivariate time-series data, Ashish Singhal1 and Dale E.Seborg, 2005 67 [9] Helson D Er-Raki S Olioso A Chehbouni A.G Simonneaux V., Duchemin B The use of highresolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central morocco International Journal of Remote Sensing, 29 :1, 95 - 116, 2008 [10] Clustering multivariate functional data in group-specific functional subspaces Amandine Schmutz, Julien Jacques, Charles Bouveyron, Laurence Cheze, Pauline Martin, 2017 [11] Functional Data Analysis Authors: Ramsay, James, Silverman, B W, 2005 [12] C Abraham, P A Cornillon, E Matzner‐Løber and N Molinari Unsupervised Curve Clustering using B-Splines, 2003, vol 30, issue 3, 581-595 [13] LM Sanghalli, P Secchi, and Vitelli, S Vantini, (2010b) K-mean alignement for curve clustering, computational statistics and Data Analysis, 54, 1219-133 [14] Robert et al (1994), “The impact of climate change on agriculture: A Ricardian Analysis,” [15] Stombaugh et al, Application and Assessment of Precision Deep Tillage, 2001 [16] James G.M ; Sugar CA, Finding the Number of Clusters in a Dataset, 2011 [17] Le dispositif d’observation sur le basssin versant de Kamech (cap bon Tunisie), 2013 [18] Jiang, H ; Serban, Multilevel Functional Clustering Analysis, 2012 [19] Eric R Stoner and MF Baumgardner Characteristic variations in reflectance of surface soils Soil Science Society of America Journal, 45(6) :1161–1165, 1981 [20] E Ben-Dor and A Banin Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties Soil Science Society of America Journal, 59(2) : 364–372, 1995 [21] Andrieux et al 2001 ; Herbicide Transport to Surface Waters at Field and Watershed Scales in a Mediterranean Vineyard Area [22] Kastens Jude H., Wardlow Brian D., Egbert Stephen L Analysis of time-series modis 250 m vegetation index data for crop classification in the u.s central great plains Remote Sensing of Environment, 108, 290-310, 2007 [23] Furlan D., Rodrigues A., Cunha M., Marcel A., and Ballester M-V Land cover classification in rondonia (amazonia) using ndvi time series data from spot-vegetation 33rd Canadian Symposium on Remote Sensing, 2012 [24] Auzet et al, 2002b Auzet, A.V., Heitz, C., Armand, R., Guyonnet, J and Moquet, J.S., 2005a Les ʺcoulées de boueʺ dans le Bas‐Rhin: analyse partir des dossiers de demande de reconnaissance de lʹatats de catastrophe naturelle [25] Cerdan et al., 2002b Incorporating soil surface crusting processes in an expert‐based model: Sealing and Transfer by Runoff and Eorion related to Agricultural Management 68 [26] Rémi Gaudin, Nicolas Nicolayannis, An Adaptable Time Warping Distance for Time Series Learning, 2007 [27] Amandine Schmutz, Clustering multivariate functional data in group-specific functional subspaces, 2017 69 ... 02/ 12/ 2016 31/01 /20 17 25 /01 /20 17 20 / 02/ 2017 09/ 02/ 2017 11 12/ 03 /20 17 06/03 /20 17 22 /03 /20 17 30/03 /20 17 11/04 /20 17 25 /04 /20 17 14 21 /04 /20 17 09/05 /20 17 18 10/06 /20 17 24 /05 /20 17 17 20 /06 /20 17 30/06 /20 17 10... ail) 24 Date d’acquisition images S -2 Date d’observation terrains Nombre d’écart 04/08 /20 16 01/09 /20 16 28 03/10 /20 16 28 /09 /20 16 02/ 11 /20 16 03/11 /20 16 02/ 12/ 2016 21 /11 /20 16 02/ 12/ 2016 02/ 12/ 2016... choix du nombre de classes du NDVI global par la méthode c a s c a d e K M c a l i n s k i c r i t e r i o n l a Figure 4 .2 choix du nombre de classes du NDVI par la méthode du coude