Le peuplier cultivé constitue la première essence de feuillus plantée en France. Il joue un rôle économique de premier plan, notamment pour la production de bois-matériau, contreplaqués et emballages légers. Il est également valorisé dans l’industrie papetière. Pourtant, malgré l'importance de la filière, les surfaces couvertes en peupleraies à l'échelle nationale sont encore très incertaines. Selon la source de données utilisée (BD Forêt IGN, cadastre, inventaire forestier), les estimations montrent des écarts de plus de 50 000 ha. La fréquence de mise à jour de ces sources est inadaptée pour suivre le peuplier cultivé dont le cycle de rotation est court (15-20 ans).
La télédétection satellitaire est utilisée depuis longtemps pour cartographier les milieux forestiers, qu'il s'agisse de forêts naturelles ou de plantations. Avec l'amélioration constante des caractéristiques spatiale, spectrale et temporelle des capteurs, il est possible d'envisager son appropriation dans un contexte opérationnel, pour un suivi régulier de la ressource sur de larges étendues.
L'objectif de cette thèse est double. Le premier est d'explorer le potentiel des séries temporelles d'images optiques Sentinel-2 pour distinguer automatiquement les peupleraies des autres essences de feuillus en tenant compte de la diversité des contextes populicoles. Le second est de proposer une stratégie de classification à l'échelle nationale en tenant compte de la non-stationnarité spatiale de la réponse spectrale des peupleraies, de l’hétérogénéité des acquisitions, et du nombre limité de données de référence.
La démarche adoptée a consisté à étudier différentes techniques d'adaptation de domaine disponibles dans le champ de l'apprentissage automatique. Ces techniques, non supervisées ou semi-supervisées, ont permis de répondre aux contraintes de passage à l'échelle avec un nombre limité d'échantillons de référence supplémentaires. Cette étude a débouché sur la création d'une chaîne de traitement opérationnelle permettant de produire la première carte des plantations de peuplier à l'échelle nationale à partir d'images satellitaires. Elle s'appuie sur un nouvel indice spectral proposé - le Poplar Index (PI) - qui exploite les bandes du SWIR et du Red edge des données Sentinel-2. Cet indice, et son évolution annuelle, ont permis de reconnaître les peupleraies avec une précision producteur de près de 95%. Le résultat de ce travail offre à la filière populicole une méthode robuste pour assurer une production annuelle d'une carte des peupleraies avec un niveau de fiabilité adapté. |
Cultivated poplar is the most widely planted deciduous species in France. It plays an essential economic role, particularly in producing wood materials, plywood, light packaging and in the paper industry. However, despite the sector's importance, the national surface area of poplar plantations is highly uncertain. Depending on the data source considered (National forest database , land register, forest inventory), the estimates reveal differences of more than 50,000 ha. The updating rate of these data sources is unsuitable for monitoring cultivated poplars due to their short rotation cycle (15-20 years).
Satellite Remote Sensing has long been used for mapping forests,both natural and planted.
With the continuous improvement of sensor characteristics, including spatial, spectral and temporal resolutions, it becomes possible to consider their application in an operational context for regular monitoring of the resource over large areas.
The aim of this thesis is twofold. The first one is to explore the potential of Sentinel-2 optical image time series to automatically distinguish poplar plantations from the other deciduous species while considering the diversity of poplar growing contexts.
The second consists of developing a national classification strategy, taking into account the spatial non-stationarity of the spectral response of poplar plantations, the heterogeneity of the acquisitions, and the limited number of reference data.
The approach adopted consisted in investigating different domain adaptation techniques drawn from the field of machine learning. The unsupervised or semi-supervised techniques involved have made it possible to meet the challenges of large scale while using a limited number of additional reference samples. This study led to the development of an operational processing chain allowing the first map of poplar plantations on a national scale to be produced from satellite images. It is based on a proposed new spectral index - the Poplar Index (PI) - exploiting the SWIR and Red edge bands of the Sentinel-2 images. Together with its annual evolution, this spectral index has enabled the identification of poplar plantations with a producer's accuracy of around 95%.
The result of this work provides the poplar sector with a robust method to produce an annual map of poplar plantations with an appropriate level of reliability. |