L'agriculture est confrontée à un paradoxe : elle subit les effets du dérèglement climatique tout en y contribuant. Une transition des systèmes agricoles s'impose dès lors, et l'agroécologie apparaît comme une réponse possible. Dans les vergers, elle repose notamment sur une gestion raisonnée des intrants et la sélection variétale, qui nécessitent un suivi fin de l'état physiologique des arbres. La teneur en chlorophylle foliaire (Cab), étroitement liée au statut azoté et à l'activité photosynthétique, constitue un indicateur clé accessible par télédétection optique, dont la cartographie intra-couronne ouvre la voie à la détection précoce d'altérations de l'état physiologique. Cette thèse développe une méthodologie multi-échelle pour estimer Cab à partir d'images hyperspectrales drone, tout en évaluant l'apport d'acquisitions LiDAR terrestres et aéroportées. Le principal défi scientifique réside dans l'interprétation du signal mesuré à l'échelle centimétrique, où les propriétés biochimiques des feuilles sont étroitement couplées aux effets de la structure tridimensionnelle de la canopée et des conditions d'illumination. La méthodologie est évaluée sur deux vergers expérimentaux de l'INRAE près de Nîmes, comprenant des pêchers et des abricotiers.
La démarche s'organise en trois étapes. La première compare deux approches d'estimation de Cab à l'échelle foliaire, l'inversion du modèle physique PROSPECT-D et la régression PLSR, à partir de deux jeux de données indépendants couplant mesures optiques et biochimiques. La restriction du domaine spectral au red-edge (700–750 nm) améliore fortement les performances : la PLSR atteint une RMSE de 2.8 µg·cm⁻² (R² = 0.87) et PROSPECT-D 3.5 µg·cm⁻² (R² = 0.80), soit des réductions d'erreur de 61 % et 45 % par rapport au domaine 400–800 nm.
La deuxième étape exploite les données LiDAR pour caractériser la structure tridimensionnelle des arbres. Le LiDAR aéroporté permet l'individualisation des arbres, unité d'analyse du traitement hyperspectral, avec un score-F1 de 0.82 dans le verger homogène et de 0.84 dans le verger hétérogène après prise en compte de la position connue des arbres. Le LiDAR terrestre permet quant à lui de reconstruire la géométrie des arbres, de séparer les composantes ligneuses et foliaires et d'estimer la distribution des angles foliaires. Bien que non validés quantitativement, ces développements constituent une première étape vers des approches hybrides LiDAR–hyperspectral.
Enfin, la troisième étape transpose les modèles calibrés en laboratoire aux images hyperspectrales drone grâce à une correction des effets d'éclairement fondée sur la théorie des invariants spectraux. La combinaison de cette correction et du domaine spectral 700–750 nm permet d'obtenir des performances proches de celles du laboratoire, avec une RMSE de 4.2 µg·cm⁻² pour PROSPECT-D et 4.8 µg·cm⁻² pour la PLSR à l'échelle de l'arbre. La méthode restitue fidèlement les distributions intra-couronnes de Cab et se montre robuste sous différents angles zénithaux solaires et pour plusieurs cultivars.
Ces travaux démontrent l'intérêt d'une approche combinant spectroscopie, imagerie hyperspectrale et LiDAR pour la caractérisation fine des arbres fruitiers. Ils constituent une première étape vers des méthodes non destructives de phénotypage et de suivi de l'état des vergers au service d'une gestion plus précise et durable des systèmes arboricoles. |
Agriculture faces a paradox: it is on the front lines of climate change, yet it also contributes to the problem through certain farming methods. A shift in our agricultural systems is therefore essential, and agroecology stands out as a promising solution. In orchards, it relies notably on reasoned input management and varietal selection, two levers that require close monitoring of tree health. Leaf chlorophyll content (Cab), which is closely linked to nitrogen levels and photosynthesis, is a key early indicator. It can be measured through optical remote sensing, and mapping it within the tree canopy allows for the early detection of stress. This thesis looks at how combining centimeter-level hyperspectral imaging and LiDAR embedded on drones can help us precisely measure this trait. The study focuses on two INRAE orchards near Nîmes: one with peach and apricot trees, and another with just apricot trees.
The approach follows three steps, moving from a single leaf under controlled conditions to leaves within the full canopy. In the first step, we compare and optimize two ways of estimating Cab at the leaf level, using controlled lighting and acquisition geometry: inversion of PROSPECT-D physical model and PLSR statistical regression. We tested these using two independent calibration and validation datasets, collected during field campaigns in 2024 and combining optical properties with destructive biochemical measurements. While both approaches show moderate performance across the full 400–800 nm spectral range, focusing on the optimal subdomain in the red-edge (700–750 nm) significantly improves accuracy: PLSR achieves an RMSE of 2.8 µg·cm⁻² (R² = 0.87), and PROSPECT-D inversion reaches 3.5 µg·cm⁻² (R² = 0.80). This represents a 61 % and 45 % reduction in error, respectively, compared to using the full spectral range.
In the second step, we developed a processing pipeline for LiDAR point clouds acquired from both the ground and a drone. This pipeline includes individual tree segmentation, leaf-wood separation, woody skeleton reconstruction, and estimation of leaf inclination angles. The segmentation performance depends on the orchard structure (F1-score of 0.82 for the homogeneous orchard, insufficient for the heterogeneous one but improved to 0.84 when known tree positions were exploited). This process provides a practical foundation for hyperspectral data analysis by enabling the extraction of a specific image patch for each tree. Due to the lack of usable ground-truth data, it was unfortunately not possible to validate the pipeline quantitatively. However, these field campaigns yielded key recommendations for future data collection, and the structural characterization of the trees paved the way for a possible hybrid inversion approach, where LiDAR-derived variables could be used to constrain the inversion of hyperspectral data.
Finally, the third step evaluates the extent to which the models calibrated at the leaf level under controlled conditions (step 1) can be applied to centimeter-scale hyperspectral drone imagery. We propose a novel method to estimate Cab for each sunlit leaf pixel by applying the lab-calibrated models to top-of-canopy reflectance, after correcting for illumination effects using spectral invariant theory (Ihalainen et al., 2023). Only the combination of the 700–750 nm subdomain and the illumination correction yields performance levels comparable to those achieved in the laboratory, with an RMSE of 4.2 µg·cm⁻² for PROSPECT-D and 4.8 µg·cm⁻² for PLSR at the whole-tree scale. This method also accurately captures intra-canopy Cab distributions, a crucial aspect for early stress detection, and remains robust under varying solar zenith angles, thereby facilitating multi-temporal orchard monitoring.
This work establishes the feasibility of estimating Cab accurately from the individual leaf to the whole canopy, opening the way toward the fine-scale, spatially explicit monitoring of tree health in orchards. |