DEVELOPPEMENT D'UN ALGORITHME DE SUIVI DE LA VEGETATION A LARGE ECHELLE | Development of an algorithm for large scale vegetation monitoring

français. L'objectif de ce travail est de développer un algorithme utilisant des réseaux neuronaux pour estimer des variables biophysiques des couverts végétaux à partir des données du capteur VEGETATION : la fraction de trou dans différentes directions de visée, l'indice foliaire, la fraction de rayonnement photosynthétiquement actif absorbé par le couvert, l'angle moyen d'inclinaison des feuilles, et la teneur en chlorophylle intégrée au niveau du couvert. Une base de données a été élaborée à partir de simulations de modèles de transfert radiatif dans la végétation. Ceci nous a permis de développer des réseaux de neurones pour estimer les différentes variables biophysiques considérées. L'estimation se fait à partir des réflectances bidirectionnelles mesurées par VEGETATION durant un cycle orbital, associées à l'angle zénithal solaire lors de l'acquisition de ces données. L'analyse de sensibilité à l'hétérogénéité intrapixellaire montre que les variables de type fraction de trou et fAPAR sont beaucoup moins sensibles que les variables de type LAI. La validation de l'algorithme sur des données expérimentales montre la robustesse de la méthode lorsque le nombre de données bidirectionnelles acquises durant le cycle orbital est faible. Par ailleurs, elle confirme que les performances d'estimation des variables biophysiques sont affectées non seulement par la représentativité du couvert et des conditions d'observation qui lui sont associées dans la base d'apprentissage, mais aussi par les hypothèses inhérentes aux modèles de transfert radiatif utilisés pour générer cette base. Nous mettons également en évidence la sensibilité de l'algorithme à des bruits de natures diverses (mesure, correction atmosphérique, ...). Les résultats obtenus sur les données expérimentales sont satisfaisants et aboutissent à un écart quadratique moyen inférieur à 0,1. L'intérêt des réseaux de neurones apparaît donc clairement, en particulier vis à vis des approches basées sur les indices de végétation.

anglais. The objective of this study is to develop an algorithm for vegetation monitoring using neural networks. It consists in estimating canopy biophysical variables from the VEGETATION sensor reflectance data : gap fraction for diff erent view angles, leaf area index, fraction of absorbed photosynthetically active radiation, mean leaf inclination angle and integrated chlorophyll content. A synthetic top of canopy BRDF catalog of homogeneous canopies was built thanks to well known radiative transfer models. This data base was used to train neural networks to estimate the biophysical variables from the solar zenith angle and the associated idirectional reflectances collected by the sensor during its orbit cycle. We demonstrated that variables such as gap fractions or fAPAR were less sensitive to heterogeneous pixels than variables such as LAI. The validation of the algorithm on experimental data sets showed the robustness of neural network when few reflectance data are acquired (cloud occurrence or low latitudes). Neural nets thus provide gap fraction estimates within an accuracy better than 0.1. The interest of using neural network is demonstrated, especially when compared to vegetation indices based methods. Moreover, it appears that estimates of the biophysical variables depend not only on the representativity of the canopy and associated viewing conditions in the learning data base, but also on the basic assumption made within the radiative transfer model used to generate it. We additionally investigated the sensitivity of the algorithm to noisy data.