Development of machine learning algorithms fed by meteorological and remote sensing data to assess the available grass on pastures. | Développement d’algorithmes d’apprentissage automatique alimentés par des données météorologiques et issues de la télédétection afin d’estimer le disponible herbager en pâtures.

Francés. Les herbages couvrent une large partie des terres émergées. Cette large occupation des sols se voie aussi en Wallonie. Cette abondance d’herbage est le résultat d’une combinaison d’avantages qui peuvent être appelés des services écosystémiques (SE). Ces SE impliquent une floppée de parties prenantes, du politique à l’agriculteur, en passant par des acteurs industriels. En focalisant l’analyse sur l’intérêt agronomique des herbages, leur intérêt est souligné : ils constituent une source de nourriture pertinente pour les animaux d’élevage, particulièrement adaptée aux bovins qui constituent la majorité du cheptel ruminant wallon. Ces dernières années, le nombre d’exploitations agricoles a diminué à un rythme soutenu, tandis que la surface agricole n’a que peu changé. De ce fait et dû à un morcellement élevé du parcellaire agricole wallon, certaines exploitations agricoles exploitent des parcelles relativement éloignées pour l’élevage. Par conséquent, il y a un intérêt à offrir un ensemble d’outils pour faciliter la gestion, à pareille distance, du pâturage – entrant sous l’appellation d’outils d’aide à la décision (OAD). Cette thèse de doctorat vise à contribuer au développement de pareil outil et, plus spécifiquement, des informations l’alimentant. Cette thèse couvre le développement d’un processus standardisé pour le développement de modèles d’apprentissage autormatique (machine learning - ML) utilisant des données météorologiques et issues de la télédétection, acquises par les constellations de satellites Sentinel-1 (S1) et Sentinel-2 (S2), pour prédire un proxy du disponible fourrager en pâtures : la hauteur d’herbe compressée (CSH). Ces 124 modèles de ML seront au cœur de l’OAD. Au-delà des algorithmes de ML, le processus de pré-traitement développé inclue aussi des transformations de variables. Au bout du compte, quatre modèles ont été défini comme étant les plus prometteurs pour une généralisation/un passage à plus grande échelle. L’erreur quadratique moyenne (RMSE) de ces modèles s’élève à plus ou moins 20 mm lorsque l’échelle pixellaire/sous-parcellaire est considérée. Après le développement des modèles, cette thèse se focalise sur le processus de création d’une plateforme de prédiction de la hauteur d’herbe compressée à l’échelle de la Wallonie, avec une résolution de 10 mètres. La manipulation des quantités importantes de données engendrées par ce processus a nécessité de revenir aux bases de la science et l’ingénierie des données. Afin d’estimer la fiabilité de la plateforme, une analyse rétrospective a été réalisée sur les saisons de pâturage de 2018 à 2021. La plateforme a réussi les tests concernant la recherche de prédictions anormales (moins d’un pourcent des données ont été mal prédites) et concernant la stabilité des prédictions (les coefficients de variation de la CSH par parcelle et par date variaient de 0 à 312%). En conclusion, les modèles de ML et la plateforme associée, en l’état actuel, répondent aux critères de finesse spatiale, d’ajustement de la prédiction et de rapidité de délivrance de l’information. Par contre, ils ne répondent pas complètement au critère de régularité temporelle suite au fréquent manque d’information satellitaire. Pour résoudre ce problème, des modélisations complémentaires doivent être envisagées afin de combler les données manquantes.

Inglés. Grasslands cover a large part of emerged lands. This large soil occupancy also occurs in Wallonia. This profusion of grasslands is the result of a combination of advantages that could be called Ecosystem Services (ES). These ES involve loads of stakeholders, from politics to farmers, also including industrial actors. Focusing the analysis on the agronomic prospect of grasslands, their inherent interest is underlined: grasslands constitute a relevant feed source for cattle breeding. Indeed, it is well suited for bovine breeding, bovine being the most represented animal in the Walloon ruminant livestock. Over the past years, the number of farms decreased with a steady state. Meanwhile, the total agricultural area did not change that much. Therefore, and due to a high level of splitting up of the Walloon parcels, some farms use parcels far apart for cattle breeding. Therefore, there is an interest to offer a set of tools to ease the remote management of grazing – tools that can be called decision support systems (DSS). This PhD thesis aims to contribute to the development of such a tool and more specifically its input information. So, this thesis covers the development of a standardised process to develop machine learning (ML) models using meteorological data and remotely sensed data, acquired through the Sentinel-1 (S1) and Sentinel-2 (S2) constellations of satellites, to predict a proxy of the available feed on pastures: the compressed sward height (CSH). These 124 ML models are intended to be at the heart of the DSS. Beside the ML algorithms, data pre-treatments included feature transformations. In the end, four models were found to be the most promising for the creation of generalisable models and the root mean square error (RMSE) of these models was around 20 mm of CSH when measuring at a pixel/sub-parcel level. After the model development, this thesis work focusses on the process of creating a platform performing the CSH prediction at the scale of Wallonia, with a 10-meter resolution. The handling of the massive amount of data required to get back to the basic concepts of big-data science and engineering. In order to assess the reliability of the platform, a retrospective analysis was performed over the grazing seasons from 2018 to 2021. It passed the tests searching for dates completely utterly predicted (less than 1% of the data were poorly predicted) and for instabilities in the prediction (coefficient of variation of the CSH per parcel ranged from 0 to 312%). In conclusion, it appears that the ML models and the associated platform, in their current state, passed the test for fine spatial representation, accuracy of the prediction and rapidity to deliver the information. However, they do not completely pass the criterion of temporal regularity due to the frequent unavailability of the satellite information. To solve this issue, complementary modelling might be needed to fill the missing data.

ROADSTEP