la télédétection au service de l’agriculture et de la...

La télédétection au service de l’agriculture et de la gestion de l’eau en milieu agricole et urbain

Karem Chokmani, professeurColloque sur les avancées en géomatique et leurs

application en milieu agricole et municipalCOVABAR, 16 mars 2016, St-Charles-sur-Richelieu

Développement d’une méthodologie opérationnelle de suivi des rendements à l’aide de l’imagerie Radarsat-2 dans deux cultures stratégiques pour le Canada : maïs et soja

Financement: Programme de développement d’application en observation de la terre (PDAOT) de l’agence spatiale canadienneAgence Spatiale Canadienne

- Pierre Nadeau, Autorité du projetAgriculture et Agroalimentaire Canada

- Anna Pacheco, Autorité technique

PartenairesCoop fédérée

- Alain Brassard, Conseiller spécialisé agriculture de précision et application à forfait- Hicham Bencharki, Conseiller spécialisé agroenvironnement

3

Contexte

• Suivi des grandes cultures dans un contexte de changement climatiques,d’augmentation de la population mondiale, hausse en demande énergétique et desécurité agroalimentaire.

• La culture du soya occupe la 2e place des grandes cultures du Québec derrière lemaïs.

• La prédiction du rendement des grandes cultures est un enjeu primordial.

• Le suivi du rendement des grandes cultures est présentement effectué à l’aided’imagerie optique par la Coop Fédérée.

4

5

Objectif du projet

Objectif: Développer un outil d’aide à la gestion de la variabilité du rendement au champ

pour les agriculteurs, sous forme cartographique à l’aide de l’imagerie RADARSAT-2, pour 2 cultures stratégiques: le maïs et le soja.

Objectif spécifique : Développer une méthode qui permettra aux agriculteurs canadiens de maïs et

de soja d’obtenir une prévision du rendement (potentiel) durant la saison de croissance.

6

Hypothèses:

• Le coefficient de rétrodiffusion du signal RADAR est sensible à la biomasse du maïs et du soya.

• La biomasse est un indicateur du rendement à certains stades de croissance (phénologiques).

Questions:

• Quelles conditions d’acquisition (image et champ) permettent une estimation optimale du rendement ?

• Quel est le meilleur moment durant la saison pour estimer le rendement des cultures de maïs et de soya avec le RADAR ?

• Comment déterminer le stade de croissance d’une parcelle au moment de l’acquisition de l’image RADAR sans avoir d’observations terrain ?

Images RADARSAT-2 d’archive

(2008-2013)

7

Originalité du projet

Exploiter un jeu de données inédit!

Données de rendements(maïs et soya)

2008-2013

• Échelle parcellaire;

• Couverture de l’ensemble du sud du Québec;

• Milieu non-contrôlé qui représente la réalité des rendements des cultures du maïs et du soya du sud du Québec;

• Pluriannuelle (2008-2013)

+ = Relation?

8

Zone d’étude

9

Données Source Détail ObtentionType 1Rendement moyen à l’hectare(T/Ha)

Calculé (Producteur) Donnée calculée par le producteur enfonction du volume récolté (poids) et de lataille de la parcelle (superficie)

Après la récolte

Type 2Rendement à la batteuse(spatialisé sur la parcelle)(T/Ha)

Capteur de rendement sur letracteur, avec GPS (Producteur)

Donne la variabilité spatiale du rendementdans la parcelle.

À la récolte

Type 3Rendement à la batteuse(Type 2 moyenné sur laparcelle) (T/Ha)

Capteur de rendement sur letracteur, avec GPS (Producteur)

Donnée précédente, moyennée sur laparcelle

À la récolte

Type 4Rendement relatif estimé(spatialisé sur la parcelle)(T/Ha)2011-2014

Images satellites optiques (CoopFédérée)

Développement de végétation GLCV quidonne une progression du couvert végétal(juillet-Août)

Carte de rendement potentiel pour le maïset le soya: Spatialisation du rendementmoyen dans la parcelle, à partir descartes de végétation du mois d’août.

Juillet et août(Juin égalementpour l’année2013.)

Après la récolte

Données de rendement (potentiellement disponibles)

10Parcelles 2013

Année Parcelles

2011 4227

2012 3410

2013 4332

Données de rendement (potentiellement disponibles)

11

Données radarImages RADARSAT-2 en archives pour la période 2008-2013, couvrant la zoned’étude.

Année Nombre d’images

2008 35

2009 78

2010 37

2011 69

2012 62

2013 67

Total 348

12

Nbre d'images avant le 15 juillet

Nbre d'images du 16 juillet au 15 septembre

Nbre d'images après le 15 septembre

5 9 2115 34 295 17 1521 33 1516 26 2017 30 2079 149 120

Données radar

Principalement avec une résolution spatiale de 10m à 30m

13

Quelques notions sur le RADAR …images • Capteur micro‐onde actif

• Bande C Fréquence 5,405 Ghz• λ ≈ 5 cm.• Polarisations VV, VH, HV, HH• Orbite Descendante (Matin)• Orbite Ascendante (Soir)• Plusieurs resolutions• Traverse le couvert nuageux• Dépend pas de l’éclairement

Méthodologie

RS-2 Archives 2008-2013

Rendements 2008-2013

Volet Développement (Zone d’étude) Volet Validation (20 parcelles)

RS-2 Nouvelles 2014-2015


Stades phénologiques

mesurés

Date semisDonnées météo

σ0

T/Ha

SPe

Par Parcelle

Modèles(culture/variété)


Rendements selon le modèle

14

Finalité

Image RS-2

ModèlesStade

phénologiqueoptimal

Rendement potentiel

Maïs et Soja (différentes variétés)

15

16

Validation

Scénario 2 (Résolution moyenne, orbite du soir)M P V G

08‐juil 08‐juil16‐juil 14‐juil 17‐juil

18‐juil 18‐juil31‐juil 29‐juil 28‐juil 30‐juil07‐août 06‐août 05‐août 10‐août11‐août 11‐août 11‐août 11‐août19‐août 21‐août 17‐août 24‐août

25‐août 25‐août25‐août

31‐août 03‐sept 03‐sept 04‐sept04‐sept 04‐sept 04‐sept 04‐sept16‐sept 16‐sept 16‐sept 21‐sept28‐sept 28‐sept 28‐sept 28‐sept

22‐oct 22‐oct 22‐oct

Vert: Présence sur le terrain (Coop Fédérée)

Images Radarsat-2 (2015)

17

TerrainNom de ferme Date Heure # champs Type culture

Waypointszone

Latitude Longitude

Michon‐41‐1 45,62081999 ‐73,04257094Michon‐41‐2 45,62328092 ‐73,04428697Michon‐41‐3 45,61658696 ‐73,04244194Michon‐52‐1 45,62021599 ‐73,02140093Michon‐52‐2 45,62140094 ‐73,02218397Michon‐52‐3 45,62288194 ‐73,02201893Michon‐1‐1 45,61696197 ‐73,05528092Michon‐1‐2 45,6133 ‐73,05476594Michon‐1‐3 45,61131894 ‐73,05523792Michon‐13‐1 45,607432 ‐73,04938694Michon‐13‐2 45,60603599 ‐73,05245496Michon‐13‐3 45,607432 ‐73,05292695Michon‐15‐1 45,60310199 ‐73,05281094Michon‐15‐2 45,60179592 ‐73,05224299Michon‐15‐3 45,60343199 ‐73,05687793

Ferme Jocelyn Michon inc.

20 août 2015 10 h 30 #41 Soya

20 août 2015 8 h 15 #1 Maïs

20 août 2015 11 h 30 #52 Soya

20 août 2015 13 h 15 #15 Maïs

20 août 2005 9 h 20 #13 Maïs

Stade de croissanc

e

% de recouvrement

Hauteur des plants (moyenne)

en cm

Humidité du sol

Mouillure du feuillage

% mauvaises herbes

Populationplants/ac fèves/ha

# Photos Commentaires générales

100% 111,4 2%100% 101,0 2%100% 122,6 2% Nord100% 103,8 2%100% 105,4 2%100% 103,6 2%

2 pouces 287,2 15%2pouces 277,9 2%3 pouces 280,0 2%3 pouces 282,6 8%3 pouces 286,7 2%3 pouces 299,5 5%3 pouces 287,2 8%4 pouces 279,0 5%3 pouces 287,7 33%

Absence de rosée

Absence de rosée

Absence de rosée

On peut apercevoir un début de carence en azote. Par contre, une plus forte apparition

de Kabatiellose.

Stade 7:77

Il y a un peu de sclérotinia au bout des tiges et légèrement versé.

Stade 7:77

Le soya est tout versé avec une forte densité de slérotinia dans le champs.

Stade 7:79

Il n'y a presque pas de carence d'azote très beau plant. Par contre, un peu plus de

rouille.

Humide

Humide

Humide

Absence de rosée

Le maïs possède une carence en azote plus élevée que les autres champs soit de 2. De

plus, on peut observer de la rouille.

Stade 7:79

Absence de rosée

Humide

Humide

Stade 7:79

Développement

18




σ0

T/Ha

SPe

Par Parcelle


Développement

19

RS-2 Archives 2008-2013 σ0

• Orthorectification• Calcul de l’angle d’incidence et de la direction de visée• Intercalibration• Extraction de la rétrodiffusion moyenne à la parcelle

Intercalibration

20

Problème: Archives = images acquises selon diverses configurations = variation du signalSolution: Application d’une approche d’intercalibration

• Extraction pour chacune des images, des signatures radar de l’eau • Moyenne de rétrodiffusion et coefficient de variation par polygone• Histogramme des pixels d’eau des polygones avec un faible coefficient de variation• Translation de l’histogramme de l’eau dans l’espace dB

Extraction de la rétrodiffusion moyenne par parcelle

21


16/08/14

Soya, Stade 65

22


09/09/14

Soya, Stade 90


23


17/11/14

Soya, Récolté


24

Comportement de la rétrodiffusion d’une parcelle de maïs au cours de la saison

Maïs - 2011SQ- VH

25

Comportement de la rétrodiffusion d’une parcelle de Soya au cours de la saison

Soya - 2011SQ- VH

Développement

26


• Tenir compte de la mouillure du feuillage- Jours de pluie- Rosée (orbite descendante, 6h du matin)

Développement

27




σ0

T/Ha

SPe

Par Parcelle


Développement

28


Incertitude sur les données de rendement 2011-2013- Réexaminer systématiquement la distribution des rendements pour

chacune des cultures et pour chaque année- Éliminer les rendements nuls- Retirer les données incluses dans les premiers et derniers percentiles

Maïs Soya

Développement

29


Incertitude sur les données de rendement 2008-2010- Proviennent des capteurs de rendement

- Malgré tous les efforts investis, les données de rendement 2008-2010 présentent encore beaucoup d’anomalies, telles qued’importantes discontinuités spatiales des valeurs des points demesures.

- Ces données requièrent des opérations additionnelles denettoyage et de validation. Pour cette raison, elles ont finalementété écartées à la fois des jeux de données de calibration et deceux de validation.

30

Développement


Récupération des données de rendement 2014-2015

- Proviennent de capteurs de rendement

- Pas de discontinuité spatiale présente

- Les premiers et derniers percentiles ont été utilisés comme seuils de nettoyage

- Seulement 26 des 39 parcelles disponibles

31

Cultivar

Maïs: Nommé sur 1249 des 6533 parcelles (19%) 165 noms différents

Soya: Nommé sur 679 des 3888 parcelles (17%) 82 noms différents

Développement


Fichier de

variétéUTM

CanMaisSE > 3000

CanMaisNE entre 2500 et 3000

CanMaisNE2 < 2500

CansoyEst

Variétés calibrées pour l’Est du Canada (Jego et al., 2010; 2011)

• Liste des municipalités et leur UTM pourl’assurance récolte 2015 (FADQ, 2015).

• Attribuer à chaque parcelle la valeur d’UTMmoyenne de la municipalité la plus près de laparcelle.

32

Structuration de la base de données

Radar

Parcelle

Météo

Jonction

33

Structuration de la base de données - Parcelle

Jonction

Développement

34




σ0

T/Ha

SPe

Par Parcelle


35

Développement

SOL

MÉTÉO

CULTURE

PRATIQUES CULTURALES

STICS: Simulateur interdisciplinaire des cultures standards

Estimation du stade phénologique

36

Développement du modèleFormatage des fichiers pour l’exécution avec Matlab

Travail.csv

Climat.csvSol.csvExperience.csv

- Texture- C. Org.- N Org.- θ -33 kpa- θ -1500 kpa- ρ app.- Épaisseur- …

5 couches de sols

- Prof. Semis- Larg. rang- Date de

semis- Code Variété- …

- info station meteo- J. julien- Année- Tmin Quot.- Tmax. Quot- Précip. Quot.- Ray. solaire inc.

- Culture- Paramètres

des variétés

Fichiers CLIM1 par simulation

(10 421) Fichiers TEC1 par simulation

(10 421)

Fichiers PLT1 pour le maïs (3 variétés)1 pour le soya (1 variété)

ID parcelles/culture/année (10 421), dates de début et fin de simulation et un lien vers les ID des fichiers csv Experience, Sol et climat

ID Experience, lien vers les fichiers TEC et PLT

ID Sol, lien vers les fichiers sol

ID Climat, lien vers les fichiers CLIM

37

DéveloppementEstimation du stade

phénologique

SOL

38


phénologique

Données météorologiques (NCEP North American Regional Reanalysis: NARR)

Moyennes quotidiennes

Précipitations ou température

min/max

MÉTÉO

39


phénologique

CULTURE

PRATIQUES CULTURALES

- 3 variétés de maïs et une variété de soya

- Date de semis réelle généralement manquante

- La date de semis estimée par STICS causait un délai important de démarrage de la croissance des plantes

- Déterminer un moyen d’améliorer la qualité de l’approximation de la date de semis. Plusieurs stratégies tentées

- Solution retenue: rapports annuels des Réseaux des Grandes Cultures du Québec (RGCQ)

40

Corrélation entre les stades phénologiques (BBCH) simulés à partir des dates réelles de semis pour les parcelles 2015, à partir des dates de semis estimées par STICS et à partir

de celles établies au moyen des données historiques du RGCQ pour le maïs


phénologique

41

Exemple de sorties de STICS

Fichier CSV pour une simulation (saison entière)

0,00

0,50

1,00

1,50

2,00

2,50

3,00

0,00,51,01,52,02,53,03,54,0

160 180 200 220 240 260 280

Hau

teur

(m)

LAI (

m2

m-2

)

Jour julien

0,00

0,20

0,40

0,60

0,80

1,00

0,00,20,40,60,81,01,21,41,6

160 180 200 220 240 260 280

Hau

teur

(m)

LAI (

m2

m-2

)

Jour julien

Exemple pour une parcelle de soya, 2011

Exemple pour une parcelle de maïs, 2013STICS BBCHPlt 0Ger 5Lev 9Amf 35Lax 55Flo 65Drp 71

Debdes 75Sen 85Mat 89Rec 99

42

DéveloppementValidation de STICS pour l’estimation des stades phénologiques- Résultats de STICS comparés avec les mesures recueillies sur le terrain

en 2014 et 2015.


- STICS estime des dates de début de stade

- L’observation terrain correspond au stade observé spécifiquement le jour de la visite (et plus détaillé)

Maïs

Validation de STICS pour l’estimation des stades phénologiques- Résultats de STICS comparés avec les mesures recueillies sur le terrain

en 2014 et 2015.


- Pour le stade 55-65 (inflorescence et floraison)

- Simulation 1 à 10 jours en retard

Soya

43

Développement

Validation de STICS pour l’estimation des rendements- Résultats de STICS comparés avec les rendements réels en 2014 et

2015 (quelques parcelles).


Maïs Soya44

Développement

Développement

45




σ0

T/Ha

SPe

Par Parcelle


Développement

- Modèles de rendement par régression linéaire « Stepwise »- Défi: déterminer des relations significatives, tout en conservant un

nombre de couples « parcelle/rétrodiffusion/rendement » statistiquement représentatif.

Développement des modèles

Validation des modèles

Automatisation des procédures

- Couples des données 2014-2015 trop peu nombreux (ajoutés à la calibration)

- Procédure de validation croisée

- Interface graphique usager

46

Résultats- Regroupement des couples selon:

• la culture• l’intervalle de stades phénologiques estimé par STICS• la polarisation (HV-VH et VV, VV/VH)• l’orbite (ascendante et descendante)• la résolution spatiale

- Processus itératif- Corrélations significatives avec:

• Jours de pluie (pas de pluie le jour de l’acquisition)• Orbite (Ascendante - soir) • Stade phénologique (Entre 55 et 65) correspondant à la sortie de

l'inforescence ou épiaison jusqu’à la floraison et anthèse• Nombre de pixels par parcelle (>400 ou >200)• Coefficient de variation de l’intercalibration (<25% ou <30%)


47

Résultats- Soya: Relations significativesDéveloppement

des modèles

Nom du modèle

Nb minimum de pixels par parcelle

Coefficient de variation

Nombre de couples R² Calibration RMSE

(kg/ha)

Soya-1-VV 400 <25% 17 0,62 430

Soya-1-VV-n 400 <25% 12 0,68 399

Soya-2-VV 200 <25% 37 0,42 456

Soya-2-VV-n 200 <25% 28 0,47 436

Soya-1-VVVH 400 <25% 17 0,80 335

Soya-1-VVVH-n 400 <25% 12 0,88 266

Soya-2-VVVH 200 <25% 37 0,54 400

Soya-2-VVVH-n 200 <25% 28 0,62 364

49

Résultats- Rapport VV/VH, parcelles de 400 pixels minimum- Élimination des valeurs de rendements douteuses (rendement identique

au kg près, pour des parcelles différentes)


Soya-1-VVVH Soya-1-VVVH-n

50

Résultats- Soya-2: Si on acceptes les parcelles jusqu’à 200 pixels.Développement

des modèles

Soya-2-VVVH Soya-2-VVVH-n

51

Résultats- Avec la polarisation VV Développement

des modèles

Soya-1-VV Soya-1-VV-n

Soya-2-VV Soya-2-VV-n

52

Résultats- Maïs: Relations non-significativesDéveloppement

des modèles

Nom du modèle

Nb minimum de pixels par parcelle

Coefficient de variation

Nombre de couples R² Calibration RMSE

(kg/ha)

Maïs-1-HVVH 400 <30% 48 0,29 1499

Maïs-1-HVVH-n 400 <30% 38 0,30 1570

53

Résultats- Apport de l’intercalibration

54

Soya-2-VV-n Soya-2-VVVH-n


Résultats- Résultats de la validation croisée

Nom du modèle Nombre de couples R² Validation RMSE

(kg/ha)Biais

(kg/ha)

Soya-1-VV 17 0,33 462 -21

Soya-1-VV-n 12 0,52 332 -57

Soya-1-VVVH 17 0,44 433 1

Soya-1-VVVH-n 12 0,74 289 -24

Soya-2-VV 37 0,40 387 56

Soya-2-VV-n 28 0,52 284 44

Soya-2-VVVH 37 0.37 395 34

Soya-2-VVVH-n 28 0,56 307 36

Maïs-1-HVVH 48 0,17 1394 71

Maïs-1-HVVH-n 38 0,17 1462 54

Validation des modèles

55

56

Modèle Indice Nash-SutcliffeValidation croisée

Maïs-1-HVVH 0.13 Maïs-1-HVVH-n 0.13 Soya-1-VV 0.31 Soya-1 -VVVH 0.43 Soya-1-VV-n 0.48 Soya-1 -VVVH-n 0.73 Soya-2-VV 0.39 Soya-2-VVVH 0.32 Soya-2-VV-n 0.60 Soya-2-VVVH-n 0.52

- Indice Nash-Sutcliffe- Qualité des relations établies entre la rétrodiffusion et le rendement

agricole- > 0.4 = acceptable ; >0.6 = souhaitable

RésultatsValidation des

modèles

57

- Erreur relative (RMSEr)- Précision des rendements agricoles estimés- < 20% = acceptable ; <10% = souhaitable

Modèle RMSEr (%) BIAS Maïs-1-HVVH 14.7 2.6 Maïs-1-HVVH-n 15.6 2.6 Soya-1-VV 16.3 1.3 Soya-1 -VVVH 15.5 1.8 Soya-1 –VV-n 10.1 -0.8 Soya-1 -VVVH-n 8.4 -0.4 Soya-2-VV 14.1 3.5 Soya-2-VVVH 14.5 2.8 Soya-2-VV-n 9.8 2.5 Soya-2-VVVH-n 10.3 1.7

RésultatsValidation des

modèles

Résultats- Interfaces graphiques

• Version 1: s’intégrant dans une boîte à outils dans ArcGIS

• Version 2: s’exécutant à l’extérieur d’ArcGIS (Standalone) mais qui fait quand même appel aux librairies de ce SIG.

- Prérequis

• les images RADARSAT-2 doivent être corrigées géométriquement

• l’utilisateur doit posséder les polygones des limites des parcelles cultivées en maïs ou soya

• l’utilisateur doit pouvoir identifier la fenêtre de stade phénologique des parcelles cultivées au moment de l’acquisition de l’image

58

Automatisation des procédures

Conclusion

Accomplissements1. Structuration de la base de données

2. Paramétrage du modèle STICS

3. Application d’une approche d’intercalibration

4. Développement de modèles significatifs

5. Automatisation de la procédure

60

- Recommandations

• Meilleur contrôle au niveau de la qualité des données de rendements

• Accroitre le nombre de couples « rétrodiffusion/rendement » par parcelle et par culture, dans les modèles.

• Tester l’approche en mode opérationnel

• Tester les simulations de STICS avec le forçage par le LAI pour améliorer l’estimation de la phénologie

61

Conclusion

- Actions

• Poursuivre le travail avec la COOP Fédérée afin de réduire l’incertitude sur lesdonnées de rendement en archive et de mettre en place des moyens decontrôler cette incertitude sur les données de rendement des années à venir;

• Ajouter à la base de données et à l’analyse, les données de 2014 et de 2015,dès que les rendements moyens à la parcelle pour toute la zone d’étudeseront récupérés par la Coop Fédérée;

• Poursuivre ces acquisitions radar systématiques pour encore quelquessaisons, en gardant les paramètres le plus homogènes possible (orbiteascendante, angles d’incidence constants), sachant que les données derendement seront éventuellement disponibles;

• Tester durant au moins une saison et en mode opérationnel, l’application desmodèles développés

• Reprendre les simulations de STICS en intégrant un forçage du LAI

Dédier un étudiant au doctorat pour ce travail 62

Conclusion

Caractérisation des bandes riveraines avec des images satellitaires stéréoscopiques à très haute résolution spatiale

organisme de bassin versant des rivières Sainte-Anne, Portneuf et du secteur La Chevrotière

Programme Innov’Actionagroalimentaire

Introduction Bandes riveraines (BR)

– Interface (aire végétalisée) entre des écosystèmes terrestres et aquatiques

– Plusieurs fonctionnes:• Rétention of sédiments/polluantes• Protection contre

l’érosion/inondations• Corridors écologiques• …

BR au Québec– Politique de protection de l’eau

(MDDEFP)

– Indice de qualité de la bande riveraine (IQBR)

64

Introduction

Indice de qualité de la bande riveraine (IQBR)

– Saint-Jacques, N., Richard Y. (1996)• Corrélation entre l’IQBR et les conditions écologiques des

communautés benthiques et des poissons

– L’IQBR est basé sur 9 composantes de l’utilisation du sol

65

Problématique

N’existe pas un méthodologie simple -reproductible dans le temps - pour encourager/améliorer la gestion des BR:

– Utilisation des images satellites à très haute résolution spatial (< 1m)

– IQBR (conformité de la loi)

– Proposé: Indice d’efficacité de la BR (indicateur en zones agricoles)

66Source: digitalglobe.com

Objective

Développer une méthodologie opérationnelle pour créer l’inventaire et évaluer la qualité et l’efficacité des bandes riveraines en utilisant des images satellites à très haute résolution spatiale

– Faire l’inventaire l’utilisation du sol (existence de BR)

– Évaluer l’indice de qualité de la BR

– Calculer l’indice d’efficacité de la BR en zones agricoles

67

Bassin versant La Chevrotière

68

Site 1

Site 2

Site 3

Données utilisées

Satellitaire– Paire

stéréoscopique WorldView-2

– 8 bandes spectrales @ 2m

– 1 bande panchromatique @ 0.5m

69

Données utilisées

70

Satellitaires– Modèle numérique

du terrain

• Résolution spatiale 1m

Données utilisées

Relevé GPS– 3 parcelles agricoles

(pente: très faible, faible, moyenne)

– Densité moyenne = 1.5 points/m2

– Validation MNT

71

Données utilisées

Relevé terrain– 80 sites

d’échantillonnage• Protocol du calcul de

l’IQBR (MDDEFP)

– Évaluation IQBR

72

Méthodologie: validation MNT

Verticale– Comparaison avec

120,000 point GPS de haute précision

– 3 parcelles agricoles avec pentes différentes

73

Hydrologique– Dépressions (superficie

chevauchement et total) – Points de drainage

(superficie drainée, nombre de points)

– Pente (min., max., moyenne)

– Longueur cours d’eau (total, moyen, max.)

Méthodologie: validation MNT

74

Méthodologie: IQBR

75

Pente > 30%:Largeur BR = 15m

Pente < 30%:Largeur BR = 10m

Source: MDDEFP

Méthodologie: IQBR

Dans des tronçons de 500m, on calcule le % de superficie occupée par chaque catégorie d’utilisation du sol

IQBR 10F 8.2A 5.8 4.3CF 3P 1.9 1.7 3.8S 1.9

10

76

Forêt F

Arbustaie A

Herbaçaie H

Coupe forestière CF

Pâturage P

Culture C

Sol nu S

Socle rocheux SR

Infrastructure ISource: MDDEFP

Méthodologie: inventaire utilisation du sol

Prétraitements:– Correction

atmosphérique– Fusion multi

résolution (pansharpening)

– Orthorectification

Zone tampon de 50m

77

Méthodologie: inventaire utilisation du sol

Classification basée en objets:

– Images: été 2011, printemps 2012

– 1er composante principale, indice normalisé de végétation (NDVI)

– 80 sites d’entrainement– Algorithme: voisin plus

proche (NN)

78

Méthodologie: Indice d’efficacité de la BR

Efficacité basée sur:1. IQBR: moyenne

pondérée des classes d’utilisation du sol

2. QD: qualité du drainage (variables d’écoulement de l’eau superficielle dérivées du MNT)

79

Méthodologie: Indice d’efficacité de la BR

Qualité du drainage (QD)– À partir du MNT satellitaire: accumulation de flux, points de

drainage

QD ê

Efficacité BR = min (IQBR, QD)

80

Méthodologie

81

Image multispectrale GPS

Prétraitements- Correction atmosphérique- Fusion multi résolution- Orthorectification

Classification basée en objets

MNT

ValidationMNT

Échantillonnage

IQBR

Efficacité des BR

MNT*

Inventaireutilisation

du sol

Conformité de la loi

QD

Résultats: validation MNT*

Verticale– Précision

fournisseur: 1m– Précision en milieu

agricole = 0.45m

82*Novoa,J., Chokmani, K., Nigel, R., Dufour, P. Quality assessment from a hydrologic perspective of a digital elevationmodel derived from WorldView-2 remote sensing data. Soumis au Journal de Sciences Hydrologiques en juin 2013.

Hydrologique – Mauvaise

performance en terrain plat (erreur moyen = 60%)

– Bonne performance en terrain avec forte pente > 5% (erreur moyen = 37%)

Résultats: inventaire

Coefficient kappa par classe

– Forêt, cultures, sol nu, infrastructure > 0.92

– Pâturage: 0.67– Arbustaie: 0.54– Herbaçaie: 0.39

Kappa total = 0.8284

Trees

Grasslands

Crops

Infrastructure

Herbs

Bare Soil

Shrubs

Water

85

Bon64%

Moyen12%

Faible11%

Très faible13%

IQBRBassin versant La Chevrotière

IQBR Longueur(km)

Bon 205.0

Moyen 36.9

Faible 36.4

Très faible 40.2

86

IQBR Longueur(km)

Bon 31.8

Moyen 17.4

Faible 26.5

Très faible 34.4

Bon29%

Moyen16%Faible

24%

Très faible31%

IQBRZone agricole

87

QD Longueur(km)

Bonne 65.1Moyenne 10.3

Faible 33.8Très faible 0.9

Bonne59%

Moyenne31%

Faible9%

Très faible1%

Qualité du drainage (QD)Zone agricole

88

Efficacité Longueur(km)

Bonne 22.8

Moyenne 30.7

Faible 21.6

Très faible 34.9

Bonne21%

Moyenne19%

Faible28%

Très faible32%

Efficacité BRZone agricole

Conclusions

Méthodologie opérationnelle

– Inventaire utilisation du sol (κ = 0.82)

– Indice de qualité de la BR– Efficacité de la BR

Outil de gestion– Analyse/Suivi BR– Renforcer les politiques

environnementales

Extraction utilisation du

sol

IQBREfficacité BR

GestionBR

89

Développement et application d’un outil de Gestion et d’Analyse du Risque d’Inondation (GARI) sur le système transfrontalier du Lac Champlain – Rivière Richelieu

Défense Canada (RDDC)Commission GéologiqueEnvironnement Canada et Sécurité Publique

GARI: Gestion et Analyse du Risque d’Inondation

Développement d’un outil cartographique et statistiquepermettant de visualiser et d’analyser en mode préparatoireou opérationnel le risque lié aux inondations

Objectif général

Risque = Aléa + Vulnérabilité

91

Caractéristiques de l’évènement

Caractéristiques des bâtiments, infrastructures et populations

Bâtiments, infrastructures et population

Dommages aux bâtiments et

infrastructures

Vulnérabilité des populations

Sorties

•Localisation de la populationvulnérable

•Nature et sévérité du risque deces populations, par habitation

• Incertitude sur les sorties

Sorties

•Caractérisation et localisation desbâtiments et des infrastructuresvulnérables

•Estimation des dommagespotentiels (évènement) et coûtsde rétablissement

•Estimation des dommagespotentiels (annualisée)


Sorties

• Limite de la zone inondée etgrille des profondeurs desubmersion pour les typesd’évènements suivants:

‐ probable (selon période derécurrence)

‐ prévu (selon les prévision hydro‐météorologiques)

‐ actuel (selon les observationsdirectes ou satellitaires)

Cartographie de l’aléa inondation

GARI: Composantes du système et informations produites

92

93

1.4 Cartographie de l’inondation par imagerie radar satellitaire

Limites des plaines inondables associées à différentes périodes de récurrence des inondations (PRI)

2, 20, 100 ans

Surfaces d’eau (H) associées aux PRI (R)2, 20, 100 ans

+MNT

Temps de traitement : 5h (pré‐opérationnel)

2 - 20

0 - 2

20 - 100

100 - 200

200 - 500

500 - 1 000

1 000 - 2 000

2 000 - 5 000

5 000 - 10 000

+ 10 000

PRI[en années]

Traitement de l’image radar

Conception de l’approche

Zone inondée et profondeurs de submersion

Validation

Traitement données

hydrauliques

40m

1200 ans

Période de récurrence pour chaque maille

94


Détection des zones inondées en milieu ouvert (dégagé)



Zone inondée et profondeur de submersion

Validation

Traitement données

hydrauliques

Segmentation de l’image

Degré d’appartenance

0.1 - 0.2

0.2 - 0.3

0.3 - 0.4

0.4 - 0.5

0.5 - 0.6

0.6 -0.7

0.7 - 0.8

0.8 - 0.9

0.9 - 1

Classification

95

Zones inondées

Cartographie de TOUTE la zone inondée (ouvert, forêt, urbain)

+ =

Précision 86 à 98%Temps de traitement : 25min

Période de retour d’inondation

2 - 20

0 - 2

20 - 100

100 - 200

200 - 500

500 - 1 000

1 000 - 2 000

2 000 - 5 000

5 000 - 10 000

+ 10 000

PRI[en années]



Zone inondée

Validation

Traitement données

hydrauliques

Zones inondées en milieu ouvert

PRI maximale sur zones inondées Si PRI ≤ PRImax


96

Cartographie de l’inondation par imagerie radar satellitaire

Cartographie de TOUTE la zone inondée

Zones inondées

Profondeurs de submersion

+MNT

Erreur moyenne: 5 cmTemps de traitement: 1h25



Profondeur de submersion

Validation

Traitement données

hydrauliques

Hauteur de submersion Surface

d’eauinterpoléeMNT

Point coté enentrée

97


Sorties

•Localisation de la populationvulnérable

•Nature et sévérité du risque deces populations, par habitation


‐ Montage de la base de données à l'échelle du foyer

‐ Développement des indicateurs de vulnérabilité directe et indirecte des populations adaptés à la gestion de crise

Objectif de l’outil: permettre de localiser les personnes ou les foyers les plus à risque durant l’inondation et qui

pourraient avoir besoin d’assistance

98

Accès coupé aux ressources

Vulnérabilité socio‐

économique

Exposition de la population


Données, dates et sources Disponibilité Échelle

Vulnérabilité socio‐économique

Recensement 2011 et ENM 2011 Statistique Canada Aire de Diffusion

Limites des Aires de Diffusion 2011 Statistique Canada

Aire de Diffusion


Rôle d’évaluation foncière de 2015Municipalité SJSR

Unité d’évaluation (bâtiment)

Polygones des bâtiments X X

Plan cadastral de 2015Municipalité SJSR Lot cadastral

Hauteurs d’eauMéthode de cartographie de l’aléa inondation (RADAR)

Par pixel

Vulnérabilité induite par le manque de ressources

essentielles

Polygones des infrastructures essentielles X X

Réseau Routier National 2016BNDT (RNCan)

Segment de route, échelle 1/20 000

Hauteurs d’eauMéthode de cartographie de l’aléa inondation (RADAR)

Par pixel

Base de données

Risque humain

99



économique


Module de vulnérabilité des populations

Consultation d’experts en sécurité civile Choix d’indicateurs de vulnérabilité Analyse multicritères hiérarchique (poids) Définition et cartographie de la vulnérabilité socio‐économique,

par Aire de diffusion (cartographie par bâtiment)

Indicateur Poids (P)

Absence d’expérience 0.49

Personnes âgées+65 ans 0.26

Locataires du logement 0.14

Foyers à faibles revenus 0.08

Personnes seules 0.03Risque humain

100



économique



Identification des caractéristiques du bâtiment Définition de la partie du bâtiment atteinte par

l’eau Définition et cartographie du niveau

d’exposition de chaque bâtiment

Hauteurs d'eau [en m]

Max : 1.9

Min : 0.0

Bâtiments résidentiels

Risque humain

101



économique



Vulnérabilité induite par le manque de ressources essentielles

Risque humain

102



économique



Identification des bâtiments isolés par la submersion du réseau routier Définition et cartographie de la vulnérabilité induite par la submersion

du réseau routier, par bâtimentDéfinition

Hauteur d’eau sur route

+ Infrastructures de gestion de l’intervention, Infrastructures fournissant des services de base à la population, Autres infrastructures essentielles

Risque humain

103



économique


Vulnérabilité des populations (risque humain)

Forme tabulaire

Risque humain

Plus fort niveau de vulnérabilité des différentes composantes (au niveau du bâtiment)

104

MERCI!.....QUESTIONS?

[email protected]

la télédétection au service de l’agriculture et de la...

Documents