offres d'emploi formations actualités contact accès annuaire intranet
Sujets de thèses >

Démélange des spectres de type de végétation par factorisation matricielle. Application à la surveillance des cultures agricoles par imagerie hyperspectrale.

équipe : Specifi / Encadrants : G. Roussel, G. Delmaire/ Financement envisagé : 50% PMCO & 50% ULCO - Télécharger le sujet détaillé


L’agriculture de précision subit un essor important grâce aux nouvelles technologies d’acquisition numérique et l’avènement de capteurs intelligents. Afin d’évaluer l’état de stress d’une culture, son exposition aux maladies fongiques ou ses besoins en eau, le recours à l’imagerie hyperspectrale mobile en proximité des parcelles de terrain à diagnostiquer s’avère un choix très pertinent.

L’usage d’un drone ou d’un avion embarquant une caméra de type hyperspectrale produit des images sur des centaines de canaux décrivant une scène en lumière visible, en InfraRouge ou moyen InfraRouge. Parcourir une surface agricole avec un tel dispositif permet de fournir des images hyperspectrales de réflectance sous forme de “cube de données”, dont le déploiement procure une matrice (positions x longueur d’ondes).

Typiquement, chaque pixel observé est traité comme un mélange des différents types de végétation ou de différents états d’une même végétation et du sol. Cette matrice est donc assimilée à un mélange linéaire entre les différents spectres purs représentés par les sols, les feuilles saines et les feuilles malades ou stressées de la culture étudiée. Retrouver la part de chaque spectre pur revient à effectuer un démélange en spectres purs.

Les méthodes de factorisation matricielles non négatives (NMF) assimilent les données à une combinaison linéaire de facteurs latents non négatifs. Un des facteurs représente les différentes signatures présentes dans la scène (spectres purs), alors que l’autre facteur représente la description de la contribution de chaque spectre pur pour chaque pixel. Ces méthodes sont extrêmement utilisées en traitement du signal et en apprentissage. Elles présentent l’intérêt de fournir des décompositions dont l’interprétation physique est compatible avec le caractère non-négatif des décompositions.

En imagerie hyperspectrale, une contrainte spécifique supplémentaire de la décomposition exprime la somme à 1 des abondances relatives liées aux différents spectres à reconstituer. Cette contrainte de somme à 1 a par ailleurs été utilisée dans nos travaux antérieurs appliqués aux séparations des sources d’émission de particules aérosols à partir des caractérisations chimiques d’échantillons issus de prélèvements dans l’air. Cette contrainte pourra être intégrée à nouveau dans la méthode de NMF informée envisagée pour effectuer cette description spectrale.

La décomposition de type NMF informée est par ailleurs perturbée par la variabilité des spectres purs et les éventuelles conditions lumineuses. Nous avons développé depuis une dizaine d’années des méthodes robustes permettant de prendre en compte les possibles aberrations dans les données et nous comptons exploiter ces techniques afin que les estimations soient robustes à ces variations. Au delà de cette modélisation du problème, il convient également d’adapter les algorithmes pour un traitement rapide d’une telle quantité de données, pour permettre une analyse en léger temps différé.

L’intérêt majeur pour la communauté agricole est d’être capable d’estimer et de localiser de manière précoce le taux de végétation malade dans un champ afin d’envisager les traitements fongiques adaptés et éviter la propagation des maladies aux zones saines.