Télédétection et IA : Cartographier l'irrigation agricole avec Sentinel-1

À l'échelle mondiale, 69 % des prélèvements d'eau douce sont destinés au secteur agricole. Si l'irrigation est vitale pour doubler les rendements et assurer la sécurité alimentaire mondiale, elle se heurte aujourd'hui au mur du changement climatique.

En France, la sécheresse historique de 2022 a marqué les esprits : pas moins de 85 départements ont été soumis à des arrêtés de restriction d'eau. Dans ce contexte de pénurie, gérer les ressources hydriques est devenu une urgence absolue.

Pour bien gérer, il faut pouvoir mesurer. Or, les décideurs se heurtent à un problème de taille : les cartes mondiales d'irrigation actuelles ont une résolution beaucoup trop faible (souvent un pixel pour 10 kilomètres carrés), ce qui les rend inutilisables pour une gestion locale. Pour y remédier, les chercheurs du CESBIO et de l'entreprise MEOSS ont décidé de lever les yeux vers l'espace, en combinant la puissance des satellites européens et de l'Intelligence Artificielle.

Le Radar Sentinel-1 : L'œil qui perce les nuages

Pour surveiller les cultures, on pense spontanément aux satellites optiques, comme de gigantesques appareils photo. Mais ces derniers ont un ennemi redoutable : les nuages. C'est ici qu'entre en scène Sentinel-1, un satellite équipé d'un radar à synthèse d'ouverture (SAR).

Le radar possède deux super-pouvoirs : non seulement ses ondes traversent la couverture nuageuse, mais surtout, son signal réagit fortement à la présence d'eau liquide. Plus la surface du sol est humide, plus le signal radar (le coefficient de rétrodiffusion) renvoyé vers l'espace est fort.

Cependant, le timing est crucial. Comme l'explique Ghaith Amin, l'effet de l'irrigation sur la surface du sol est éphémère et disparaît au bout de trois jours. Heureusement, en combinant les passages des deux satellites jumeaux Sentinel-1 (en orbites ascendante et descendante), les scientifiques obtiennent une image tous les 3 jours environ, ce qui est parfait pour surprendre une parcelle tout juste arrosée.

Pris en flagrant délit : L'anomalie hydrique

Mais comment le satellite fait-il la différence entre une forte pluie (qui mouille toute la région) et l'agriculteur qui déclenche son système d'irrigation ? La réponse se trouve dans l'analyse spatiale comparée.

Si le signal radar d'une parcelle augmente brutalement en plein été, l'algorithme vérifie le contexte météorologique. S'il n'y a pas de pluie enregistrée, et surtout, si le signal radar de la zone globale de 10 kilomètres autour du champ reste parfaitement sec et stable, l'ordinateur en déduit qu'il s'agit d'un apport d'eau artificiel. C'est la signature indéniable de l'irrigation.

L'IA pour cartographier des millions de parcelles

Le volume de données généré par ces passages satellites est colossal. Pour traiter ces séries temporelles, l'équipe a développé la chaîne de traitement "OSS" (Optical and SAR Synergy). Elle fusionne les données radar avec les indices de végétation des satellites optiques (Sentinel-2) pour suivre à la fois l'humidité et l'état de croissance de la plante.

L'étape finale repose sur l'Intelligence Artificielle (algorithme Random Forest). L'IA est entraînée grâce à des milliers de données in-situ récoltées par les experts sur le terrain. Une fois qu'elle a appris à différencier le comportement d'une parcelle irriguée d'une parcelle asséchée, on la déploie sur des territoires gigantesques.

Les résultats sont impressionnants. Dans la région Centre-Val de Loire, l'IA a classé près d'un quart de million de parcelles avec une précision globale de 84 %. Dans le bassin de la Durance, où les cultures sont plus complexes (vignes, maraîchage), la fusion du radar et de l'optique permet d'atteindre 86 % de précision. Le modèle a même fait ses preuves sur les vignobles de Catalogne en Espagne, en repérant les stratégies d'irrigation en milieu aride.

Au-delà de l'eau : Reconnaître les cultures depuis l'espace

La véritable force de cette intelligence artificielle est qu'elle ne se contente pas de chercher de l'eau. En analysant la façon dont chaque plante grandit et réagit au climat tout au long de l'année, l'algorithme est capable de deviner ce qui pousse dans chaque champ.

Sur la Région Sud, l'IA a été capable de classer plus de 173 000 parcelles en 11 catégories distinctes (céréales, maïs, colza, tournesol, vignes, vergers...) avec une précision remarquable de 87,7 %. Les décideurs obtiennent ainsi une carte dynamique non seulement de la consommation d'eau, mais aussi de l'aménagement agricole de tout leur territoire.

Le défi de la donnée et les ambitions mondiales

Aujourd'hui, la limite principale de cette technologie est son "apprentissage". Comme l'a précisé Ghaith Amin lors de la session de questions-réponses, l'IA a besoin de bases de données de référence très fiables (issues de bases ministérielles ou de campagnes de terrain coûteuses) pour s'entraîner.

Les prochaines étapes de la recherche s'orientent donc vers le Deep Learning et des approches semi-supervisées, afin de s'affranchir de cette dépendance aux données terrain. L'objectif ultime ? Déployer cette chaîne de traitement partout dans le monde. Puisque le radar se moque des nuages, l'algorithme a déjà été testé avec succès dans des climats humides, semi-arides, et s'apprête même à être déployé sur le continent africain.

Une technologie de pointe, agnostique des frontières géographiques, pour aider l'humanité à gérer sa ressource la plus précieuse.