Une cartographie précise des cultures est essentielle à la sécurité alimentaire et à la gestion des ressources en eau en Afrique du Nord semi-aride. Cette étude a évalué quatre algorithmes d’apprentissage automatique pour la classification des cultures utilisant la série temporelle NDVI Sentinel-2 dans la région d’Al Haouz, au Maroc, avec une série chronologique de 12 dates (décembre 2023–mai 2024) en utilisant 105 869 échantillons de référence au sol. Support Vector Machine (SVM) a obtenu les performances les plus élevées (macro F1-score = 0,80, Précision globale = 81 %), suivie de XGBoost (0,79), Random Forest (0,79) et Decision Tree (0,71). L’analyse par classe a révélé une excellente discrimination pour les abricots (F1 = 0,99) en raison de la phénologie printanière distinctive, tandis que les agrumes ont montré la plus faible précision (F1 = 0,61) en raison de la confusion avec les olives. L’analyse de la déformation temporelle dynamique (DTW) a quantifié la similarité phénologique entre les cultures, révélant que la confusion de classification est corrélée à la similarité des profils. L’analyse de sensibilité temporelle a révélé que réduire les acquisitions de 12 à 8 dates ne se produit qu’avec une perte de performance de 2,4 %, offrant des avantages opérationnels significatifs pour des contextes aux ressources limitées. Les acquisitions de février–mars se sont révélées les plus discriminantes, coïncidant avec la différenciation végétative au sommet. Ces résultats fournissent des recommandations pratiques pour la surveillance opérationnelle des cultures dans les régions africaines semi-arides confrontées à la rareté de l’eau et aux défis liés à la sécurité alimentaire.
ANALYSE COMPARATIVE DES ALGORITHMES DE MACHINE LEARNING POUR LA CARTOGRAPHIE DES TYPES DE CULTURE ET LA SUIVI PHÉNOLOGIQUE À PARTIR DU NDVI DANS LA RÉGION AL HAOUZ AU MAROC
Résumé
La sécurité alimentaire reste un défi crucial à relever en Afrique où les conditions climatiques semi-arides, la rareté chronique des ressources en eau et la variabilité croissante du climat limitent fortement la productivité agricole. Une cartographie précise des types de cultures est essentielle pour assurer la sécurité alimentaire et accroitre la production agricole en Afrique du Nord. Une étude, menée dans la région d’Al Haouz au Maroc, cherche à améliorer la cartographie des types de cultures dans un contexte semi-aride en utilisant les images Sentinel-2 et les séries temporelles de l’indice NDVI. Les chercheurs ont utilisé 12 dates d’acquisition entre décembre 2023 et juin 2024 avec plus de 105 869 échantillons de référence terrain pour distinguer six types de cultures : olivier, agrumes, blé, pomme de terre, abricotier et luzerne. Quatre algorithmes de machine learning ont été comparés : SVM, XGBoost, Random Forest et Decision Tree. L’étude s’intéresse également à la phénologie des cultures, c’est-à-dire à l’évolution de leur végétation au cours de la saison.
Publication scientifique
Cartographie des types de cultures informée par la phénologie dans le Maroc semi-aride utilisant la série temporelle NDVI Sentinel-2 : une approche d’apprentissage automatique avec analyse de sensibilité temporelle
Benzhair, F., Elyoussfi, H., Alami-Machichi, M., El Kasri, J., Azamz, R., Elmousadik, R., & Belaqziz, S. (2026). Phenology-informed crop type mapping in semi-arid Morocco using Sentinel-2 NDVI time series: A machine learning approach with temporal sensitivity analysis. Informatics, 13(8), 133. https://doi.org/10.3390/informatics13080133 .
Résultats clés
1 - le SVM obtient les meilleures performances avec une précision globale de 81 % et un F1-score de 0,80.
2- XGBoost et Random Forest obtiennent tous deux un F1-score de 0,79, tandis que le Decision Tree atteint 0,71.
3- La précision varie cependant selon les cultures. L’abricotier est bien identifié avec un F1-score de 0,99, notamment grâce à une signature phénologique très distinctive au printemps.
4- À l’inverse, les agrumes sont plus difficiles à distinguer des oliviers, avec un F1-score de 0,61, car leurs profils NDVI présentent des comportements relativement similaires au cours de l’année.
L’un des résultats importants concerne la réduction du nombre d’images Sentinel-2. En passant de 12 à 8 dates, les chercheurs observent seulement une perte de 2,4 % des performances, tout en réduisant d’un tiers le nombre d’acquisitions nécessaires. Les périodes de février et mars apparaissent comme les plus discriminantes pour différencier les cultures.
Aucun commentaire publié pour le moment.