Exploiting multi-year high-resolution Sentinel-2 image time series for mapping fallow practice in West Africa

Potentialités des séries pluriannuelles Sentinel à haute résolution pour cartographier la pratique de la jachère en Afrique de l'Ouest En Afrique de l'Ouest, la cartographie des jachères est essentielle pour caractériser les systèmes agricoles et évaluer avec précision la durabilité agroécologique des pratiques actuelles et leur contribution à la sécurité alimentaire. Cependant, les méthodes actuellement disponibles pour la cartographie des surfaces cultivées ne sont pas adaptées aux conditions environnementales et culturales rencontrées en contexte d'agriculture familiale en Afrique sub-saharienne. Dans cette thèse de Doctorat, plusieurs stratégies de cartographie des jachères basées sur des approches de classification supervisée ont été explorées. Pour ce faire, des séries temporelles d'images Sentinel-2 ainsi que des données pluviométriques ont été confrontées à une importante base de données collectées sur le terrain entre 2016 et 2021 sur le site de Koumbia, localisé en zone soudanienne au Burkina Faso. Les résultats de ce travail de thèse ont montré que les méthodes d'apprentissage automatique, dites "traditionnelles", ne permettent pas de détecter les surfaces en jachère pour les conditions pédoclimatiques de la zone d'étude. En effet, les précisions obtenues sont très faibles, avec des F1-scores inférieurs à 0.20. Les résultats les plus prometteurs ont été obtenus à partir d'une approche basée sur l'analyse des trajectoires. Une série d'adaptations méthodologiques a alors dû être effectuée afin de pouvoir exploiter l'orientation pluri-annuelle de données annuelles. Pour ce dernier cas, cette thèse s'est concentrée sur la classe "terres agricoles non actives" (NAAL en anglais) pour laquelle des valeurs de F1-scores entre 0.75 et 0.92 ont été obtenus, en considérant un jeu de données de référence complet. Par ailleurs, nos résultats ont mis en évidence que les stratégies de cartographie intégrant des informations spectrales pluri-annuelles dans le processus d'apprentissage constituent une approche viable, permettant de décrire les surfaces en jachère non pas par leur état actuel (c'est-à-dire par l'occupation du sol), mais par les changements à l'œuvre au cours de la période qui jouxte la mise au repos des cultures. Cependant, nos résultats ont également montré que le domaine de validité spatiale de l'approche pouvait être limité, en raison de l'augmentation de l'incertitude du modèle dans les zones où aucune donnée de terrain n'est disponible. Cela souligne l'importance d'incorporer des approches non supervisées au processus de classification afin de permettre plus de fiabilité dans le processus d'extrapolation spatiale. Des stratégies pluri-annuelles plus explicites, où le processus d'analyse temporelle est délégué aux algorithmes de classification ont également été testées et ont montré des résultats légèrement améliorés par rapport aux stratégies de cartographie annuelles directes. Toutefois les performances obtenues restent modérées avec un F1-score moyen de 0.44. Des développements méthodologiques sont encore nécessaires pour (a) exploiter de manière plus efficiente et directe les données pluri-annuelles, et (b) mettre en place des approches non-supervisées plus efficaces pouvant être testées dans les environnements pauvres en données de terrain.