Upload
vodiep
View
220
Download
1
Embed Size (px)
Citation preview
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?
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
Rendements 2014-2015
Stades phénologiques
mesurés
Date semisDonnées météo
σ0
T/Ha
SPe
Par Parcelle
Modèles(culture/variété)
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
RS-2 Archives 2008-2013
Rendements 2008-2013
Date semisDonnées météo
σ0
T/Ha
SPe
Par Parcelle
Modèles(culture/variété)
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
RS-2 Archives 2008-2013 σ0
16/08/14
Soya, Stade 65
22
RS-2 Archives 2008-2013 σ0
09/09/14
Soya, Stade 90
Extraction de la rétrodiffusion moyenne par parcelle
23
RS-2 Archives 2008-2013 σ0
17/11/14
Soya, Récolté
Extraction de la rétrodiffusion moyenne par parcelle
Développement
26
RS-2 Archives 2008-2013 σ0
• Tenir compte de la mouillure du feuillage- Jours de pluie- Rosée (orbite descendante, 6h du matin)
Développement
27
RS-2 Archives 2008-2013
Rendements 2008-2013
Date semisDonnées météo
σ0
T/Ha
SPe
Par Parcelle
Modèles(culture/variété)
Développement
28
Rendements 2008-2013
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
Rendements 2008-2013
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
Rendements 2008-2013
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
Rendements 2008-2013
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.
Développement
34
RS-2 Archives 2008-2013
Rendements 2008-2013
Date semisDonnées météo
σ0
T/Ha
SPe
Par Parcelle
Modèles(culture/variété)
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
38
DéveloppementEstimation du stade
phénologique
Données météorologiques (NCEP North American Regional Reanalysis: NARR)
Moyennes quotidiennes
Précipitations ou température
min/max
MÉTÉO
39
DéveloppementEstimation du stade
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
DéveloppementEstimation du stade
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.
Estimation du stade phénologique
- 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.
Estimation du stade phénologique
- 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).
Estimation du stade phénologique
Maïs Soya44
Développement
Développement
45
RS-2 Archives 2008-2013
Rendements 2008-2013
Date semisDonnées météo
σ0
T/Ha
SPe
Par Parcelle
Modèles(culture/variété)
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%)
Développement des modèles
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)
Développement des modèles
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- 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
Données utilisées
Satellitaire– Paire
stéréoscopique WorldView-2
– 8 bandes spectrales @ 2m
– 1 bande panchromatique @ 0.5m
69
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: 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)
• Incertitude sur les sorties
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
1.4 Cartographie de l’inondation par imagerie radar satellitaire
Détection des zones inondées en milieu ouvert (dégagé)
Traitement de l’image radar
Conception de l’approche
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]
Traitement de l’image radar
Conception de l’approche
Zone inondée
Validation
Traitement données
hydrauliques
Zones inondées en milieu ouvert
PRI maximale sur zones inondées Si PRI ≤ PRImax
1.4 Cartographie de l’inondation par imagerie radar satellitaire
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
Traitement de l’image radar
Conception de l’approche
Profondeur de submersion
Validation
Traitement données
hydrauliques
Hauteur de submersion Surface
d’eauinterpoléeMNT
Point coté enentrée
97
Vulnérabilité des populations
Sorties
•Localisation de la populationvulnérable
•Nature et sévérité du risque deces populations, par habitation
• Incertitude sur les sorties
‐ 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
Vulnérabilité des populations
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
Exposition de la population
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
Accès coupé aux ressources
Vulnérabilité socio‐
économique
Exposition de la population
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
Accès coupé aux ressources
Vulnérabilité socio‐
économique
Exposition de la population
Module de vulnérabilité des populations
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
Accès coupé aux ressources
Vulnérabilité socio‐
économique
Exposition de la population
Module de vulnérabilité des populations
Vulnérabilité induite par le manque de ressources essentielles
Risque humain
102
Accès coupé aux ressources
Vulnérabilité socio‐
économique
Exposition de la population
Module de vulnérabilité des populations
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
Accès coupé aux ressources
Vulnérabilité socio‐
économique
Exposition de la population
Vulnérabilité des populations (risque humain)
Forme tabulaire
Risque humain
Plus fort niveau de vulnérabilité des différentes composantes (au niveau du bâtiment)