Mapping Irrigated Areas using Radar and Optical Remote Sensing Data | Cartographie des zones irriguées à l'aide de données de télédétection radar et optique

英语. The climate change and the increase in the global population are putting more pressure on natural resources in order to satisfy the global food requirement. To fulfill the increasing food demand, the global agricultural intensification is mainly based on increasing the resource use especially water. Irrigation is the primary source of freshwater consumption. Knowing the extent of irrigated areas and the irrigation frequency could help decision makers adapt to future water policies in the agricultural sector. The aim of this research work is to develop approaches capable of mapping the spatial extent of irrigated areas and detecting the irrigation episodes at plot scale using optical and radar remote sensing.The first part of this thesis concentrates on the evaluation of the soil moisture estimation at plot scale S2MP (Sentinel-1/2 Soil Moisture Product) recently developed at INRAE-TETIS. The S2MP was evaluated by comparing it to precipitation records, in situ soil moisture measurements and the newly derived Copernicus surface soil moisture product on a large region of south France (Occitanie region). The results showed good accuracy of the S2MP at plot scale (RMSE = 4.0 vol.%). Furthermore, the S2MP showed better accuracy for soil moisture estimation than the Copernicus product. In addition, the results showed high consistency between the S2MP soil moisture estimates at grid scale of 10 km x 10 km and the precipitation records. The S2MP product at grid scale (10 km x 10 km) was used next in mapping irrigated areas in order to distinguish between irrigation events and precipitation events.The second part of the thesis presents supervised classification approaches for irrigation mapping at plot scale. The classification approaches are based on the use of radar Sentinel-1 (S1) and optical Sentinel-2 (S2) temporal series. Over a semi-arid region in Catalonia (Spain), the results showed that irrigated areas are accurately mapped using S1 and S2 data with a classification accuracy between 89% and 94% depending on the used machine-learning model. Then, I proposed a transfer-learning framework capable of transferring the model built on Catalonia to map irrigated areas in Adour-Amont watershed of southwest France (humid zone).The final part of the thesis shows the potential of Sentinel-1, Sentinel-2 and S2MP for detecting irrigation events at plot scale. It presents also an operational methodology for mapping irrigated areas. In this context, I developed first a near-real time irrigation event detection model (IEDM) at plot scale, capable of identifying the existing irrigation events at the agricultural plots. The validation of the IEDM with in situ data showed that irrigation events are detected with an accuracy reaching 75%. Finally, I proposed an operational methodology for mapping irrigated areas at plot scale without using terrain data since the approach collects automatically the training data for classification without the help of in situ data. The operational method was tested over a study site located in Orléans (northcentral France) for four different years. The main results showed that the proposed operational framework provides very good accuracy for irrigation mapping (between 72% and 94%).Keywords: Irrigation extent, Irrigation events, Sentinel-1, Sentinel-2, Soil Moisture, S2MP, Supervised Classification, Unsupervised Classification

法语. Le changement climatique et l'augmentation de la population mondiale exercent une pression sur les ressources naturelles afin de satisfaire les besoins alimentaires mondiaux. Pour répondre à la demande alimentaire croissante, l'intensification de l'agriculture est principalement basée sur l'augmentation de l'utilisation des ressources, en particulier de l'eau. L'irrigation est la principale source de consommation d'eau douce. Connaitre l'étendue des zones irriguées et la fréquence d'irrigation permettra d’aider les principaux acteurs à adapter les futures politiques concernant la gestion des ressources en eau. L'objectif de ce travail de recherche est de développer des approches capables de cartographier l'étendue spatiale des zones irriguées et de détecter les épisodes d'irrigation à l'échelle de la parcelle en utilisant la télédétection optique et radar.La première partie de cette thèse se concentre sur l'évaluation du produit d'estimation de l'humidité du sol S2MP (Sentinel-1/2 Soil Moisture Product) récemment développé à l'INRAE-TETIS. Le produit S2MP a été évalué en comparant l’humidité estimée aux enregistrements de précipitations, aux mesures in situ de l'humidité du sol et au nouveau produit de l’estimation d’humidité du sol fournit par Copernicus sur une large région du sud de la France (région Occitanie). Les résultats ont montré une bonne précision du produit S2MP à l'échelle de la parcelle (RMSE = 4.0 vol.%). De plus, le S2MP montrait une meilleure précision que le produit Copernicus. En outre, les résultats ont montré une grande cohérence entre les estimations de l'humidité du sol du S2MP à l'échelle d’une grille de 10 km x 10 km et les précipitations enregistrées. Le produit S2MP sur des grilles de 10 km x 10 km a été utilisé par la suite dans la cartographie de l'irrigation pour distinguer les événements d'irrigation des événements de précipitation.La deuxième partie de la thèse présente des approches de classification supervisée pour la cartographie de l'irrigation à l'échelle de la parcelle. Les approches de classification sont basées sur l'utilisation des séries temporelles d’images radar Sentinel-1 (S1) et optique Sentinel-2 (S2). Sur une région semi-aride en Catalogne (Espagne), les résultats montrent que les zones irriguées sont cartographiées en utilisant les données S1 et S2 avec une précision de classification entre 89% et 94% selon le modèle d'apprentissage automatique utilisé. Ensuite, j’ai proposé un cadre d'apprentissage profond capable d'adapter le modèle d'irrigation construit sur le site de la Catalogne pour cartographier l'irrigation sur le bassin Adour-Amont de l'Occitanie (zone humide).La dernière partie de la thèse montre le potentiel de Sentinel-1, Sentinel-2 et S2MP pour la détection des événements d'irrigation à l'échelle de la parcelle. Elle présente également une méthodologie opérationnelle pour cartographier des zones irriguées. Dans ce contexte, j’ai développé en premier temps un modèle de détection d'événements d'irrigation (IEDM) en temps quasi-réel à l'échelle de la parcelle, capable d'identifier les événements d'irrigation existants sur les parcelles agricoles. La validation de l'IEDM avec des données in situ a montré que les événements d'irrigation sont détectés avec une précision de 75%. Enfin, j’ai proposé une méthodologie opérationnelle pour cartographier les zones irriguées à l'échelle de la parcelle sans l’utilisation de données de terrain car l’approche est basée sur une collecte automatique des données d’entrainement sans l’aide de données in situ. Elle était testée sur un site d'étude situé à Orléans (centre-nord de la France) pendant quatre années différentes. Les principaux résultats montrent que le cadre opérationnel proposé offre une très bonne précision pour la cartographie de l'irrigation (entre 72% et 94%).Mots-clés : Étendue de l'irrigation, Événements d'irrigation, Sentinel-1/2, humidité du sol, S2MP, classification supervisée, classification non supervisée