La cartographie des rizières est essentielle à une gestion efficace des ressources agricoles et hydriques en raison de la forte pression foncière. Cette étude vise à cartographier les rizières en combinant des techniques de segmentation et des indicateurs phénologiques issus de séries temporelles optiques. Ainsi, une approche de segmentation des cultures a été développée à partir d'images Sentinel-2 (2018-2019) afin d'évaluer l'étendue des rizières dans le delta du fleuve Sénégal. Deux algorithmes de segmentation en superpixels ont été évalués pour optimiser l'identification des parcelles de riz en intégrant les caractéristiques spectrales et spatiales des bandes verte, rouge et proche infrarouge (NIR). Dans cette étude, l'algorithme Felzenszwalb s'est avéré plus performant que Quickshift, atteignant un indice d'intersection sur union (IoU) médian de 0,25 contre 0,20 pour la segmentation des rizières. L'analyse des séries temporelles de l'indice NDVI a permis d'identifier les stades clés du cycle phénologique du riz. Deux algorithmes d'apprentissage automatique (Random Forest et XGBoost) ont été comparés pour la détection des cultures de riz.
SENTINEL-2 ET IA : UNE NOUVELLE MÉTHODE POUR MIEUX CARTOGRAPHIER LES RIZIÈRES AU SÉNÉGAL
Résumé
Une équipe de chercheurs sénégalais et internationaux s’est intéressée à la cartographie des parcelles de riz dans le Delta du fleuve Sénégal, une zone stratégique pour l’agriculture et la sécurité alimentaire. L’étude exploite des images Sentinel-2 acquises entre 2018 et 2019, combinées à des techniques de segmentation d’images, des séries temporelles de NDVI et du machine learning. L’objectif était de mieux identifier les parcelles rizicoles en prenant en compte à la fois leur signature spectrale, leur organisation spatiale et leur évolution au cours du cycle cultural.
Publication scientifique
Cartographie des rizières au Sénégal à l'aide de techniques de segmentation et de métriques phénologiques dérivées des séries temporelles Sentinel-2
Mbengue, F., Sarr, M. A., Prikaziuk, E., Faye, G., Dramé, M. S., & Diouf, A. A. (2026). Mapping Paddy Rice Using Segmentation Techniques and Phenological Metrics Derived from Sentinel-2 Time Series in Senegal. Geomatics, 6(1), 20. .
Résultats clés
Deux méthodes de segmentation des images en superpixels ont été comparées : Felzenszwalb et Quickshift.
Felzenszwalb a obtenu les meilleurs résultats pour délimiter les parcelles rizicoles, avec un IoU médian de 0,25, contre 0,20 pour Quickshift.
L'analyse des séries temporelles du NDVI a également permis d'identifier différentes étapes du cycle du riz, notamment :
le début de la saison de croissance, le pic de développement végétatif, la fin de la saison de croissance.
Les chercheurs ont ensuite comparé deux algorithmes de machine learning pour détecter les cultures de riz : Random Forest et XGBoost.
Random Forest a légèrement obtenu les meilleures performances, avec, AUC : 0,93, Accuracy globale : 0,98 et F1-score : 0,98, contre une AUC de 0,92 pour XGBoost, tandis que les deux méthodes atteignaient une accuracy et un F1-score de 0,98.
Aucun commentaire publié pour le moment.