Soutenance de thèse Hugues Merlet

Contribution des données hyperspectrales à la cartographie du carbone organique des sols cultivés : de la proxidétection aux acquisitions par drone. Généralisation des modèles et influence des conditions de surface.

Contribution of hyperspectral data to soil organic carbon mapping in cropland soils: from proximal sensing to UAV-based acquisitions. Model generalization and the influence of surface conditions. 
 

Le vendredi 4 décembre à 14h00 à l'amphi Moule de l'Institut Agro de Rennes.

Thèse préparée dans l’UMR ECOSYS (Université Paris-Saclay, INRAE, AgroParisTech) et SAS sous la direction de Emmanuelle VAUDOUR, Directrice de recherche, le co-encadrement de Youssef FOUAD, Maître de conférences et de Didier MICHOT, Maître de conférences.

Composition du Jury :

Résumé : 

Le carbone organique des sols (COS) constitue une composante importante du cycle du carbone et un indicateur de la qualité des sols. Sa caractérisation spatiale et son suivi dans le temps restent toutefois difficiles, notamment en raison de la variabilité des teneurs en COS et du coût de leurs prélèvements et analyses de laboratoire. De la proxidétection à la télédétection, la spectroscopie fondée sur la réflectance offre une alternative pour estimer le COS, mais son utilisation soulève des questions liées à la généralisation des modèles, aux conditions de surface et aux plateformes d’acquisition. Cette thèse étudie ces questions à partir de données acquises sur deux sites d’étude en France septentrionale, caractérisés par des Luvisols de loess. Le premier axe de la thèse compare plusieurs stratégies de validation des modèles de prédiction du COS, de la validation croisée classique aux validations spatialisées. Le deuxième axe étudie l’influence de l’humidité, de la rugosité et de la végétation sur les relations entre spectres et COS, à partir de mesures en laboratoire et in situ, et évalue l’apport de covariables décrivant ces conditions. Le troisième axe explore l’utilisation de drones multispectral et hyperspectral pour la prédiction et le suivi du COS à l’échelle parcellaire. Les résultats montrent que la stratégie de validation conditionne l’interprétation des performances et leur portée pour la spatialisation et la généralisation des modèles. Les conditions de surface ne dégradent pas systématiquement les prédictions lorsqu’elles sont représentées dans la calibration, tandis que les différences entre calibration et prédiction peuvent limiter les performances. Les acquisitions hyperspectrales par drone n’ont pas permis de démontrer une supériorité sur les données multispectrales, mais se sont révélées sensibles aux conditions d’acquisition. La forte variabilité du COS en surface et l’incertitude des prédictions soulèvent également la question de la capacité à détecter ses évolutions temporelles. L’ensemble souligne l’importance de la représentativité des données de calibration pour généraliser les modèles à de nouvelles situations.