Contribution à la cartographie prototype du vignoble wallon par SIG, Télédétection et Intelligence Artificielle : cas d’étude la province de Brabant Wallon

L’objectif de ce travail est de présenter une méthode efficace et pratique pour cartographier les parcelles agricoles occupées par les vignobles en Brabant wallon. L'approche utilisée consiste à fusionner les techniques de la télédétection spatiale et d’apprentissage automatique pour la création d’un outil à l’aide d’un modèle Random Forest (RF) utile et applicable sur n’importe qu’elles types de données de l’imagerie satellitaire. Quatre types de données ont été utilisées : l’imagerie satellitaire du satellite Sentinel-2A, les données LIDAR (light detection and ranging) de 2013-2014 (le modèle numérique de terrain (MNT), le modèle numérique de surface (MNS)), le parcellaire agricole anonyme (PAA) de la base de données SIGEC (Système Intégré de Gestion et Contrôle) et le fichier de forme des vignobles daté de 2020. Concernant le choix des paramètres du modèle, deux techniques de transformation des bandes spectrales ont été testées : (1) calcul des indices spectraux basés sur la courbe de réflectance de la végétation et du sol, (2) calcul des coefficients Tasselad Cap (TCT) cette technique qui permet une analyse plus précis des modifications associées à la végétation, au sol et autres fonctions. Les coefficients TCT utilisés dans ce présent travail ont été récemment développé pour les données de réflectance de Sentinel-2 les trois premiers canaux pour leur pouvoir synthétisant 97% de l’information de l’image ont été retenu, le premier est basé sur des caractéristiques de luminance (Brightness), le deuxième sur la verdure (Greennes) et le troisième sur l’humidité (Wetness). L’exaction du modèle sur base de certains de ces indices spectraux a permis d’obtenir une carte de classification d’occupation du sol. Ces résultats ont été évalués via une matrice de confusion, avec une précision de globale de 61,2% et une précision du producteur de la classe vignobles de 85%. Ensuite, une analyse binaire de la classe vignobles et une classe qui regroupe toutes les autres classes d’occupation du sol, afin de pouvoir une nouvelle classification améliorée sur base d’un nouveau classement qui sépare les parcelles qui sont fortement confondues avec la classe des vignobles. L’évaluation des résultats de cette classification permet une précision globale de 75% et une précision du producteur de la classe vignobles de 87,5%. L’application des diverses méthodes de mesure de la structure constitue aussi une piste d’amélioration des résultats. L’indice de texture par méthode de moment de différence inverse (IDM) a été retenu pour son pouvoir caractérisant l’homogénéité des pixels au niveau des parcelles agricoles. L’intégration de cet indice dans le modèle a permis d’améliorer le score global d’entrainement et la distribution des poids entre les paramètres du modèle. Les données LIDAR et plus précisément le MNH (modèle numérique de hauteur) n’ont pas été intégrées dans le modèle pour leur faible pouvoir caractérisant la hauteur des vignes. Les pistes d’amélioration sont nombreuses et concernant notamment l’utilisation des données de très haute résolution spatiale, l’utilisation des autres algorithmes de classification comme les réseaux de neurone pour mieux adapter le modèle, l’utilisation des données LIDAR plus récentes et pertinente vis-à-vis de faible hauteur des vignes.