RevueCra

Résumé : Le Gabon s'engage depuis plusieurs années dans la diversification de son économie, plaçant l'agriculture au cœur de sa stratégie. Cependant, la cartographie des plantations et des types de cultures est freinée par le morcellement parcellaire et la complexité des paysages tropicaux. Cette étude explore l'application des algorithmes pour la classification des plantations agricoles et des cultures dans la zone de Lébamba à partir des algorithmes du Réseau de Neurones Convolutifs (RNC), de Machines à Vecteurs de Support (SVM) et du Maximum de Vraisemblance (MV). L’approche méthodologique repose sur une classification hiérarchique exploitant l’imagerie satellitaire Sentinel-2, les relevés GPS et la très haute résolution spatiale des images drone. Les résultats démontrent que pour l'identification des plantations agricoles, la combinaison Drone-RNC (Réseau de Neurones Convolutifs) surpasse les approches utilisées. Elle réduit significativement les erreurs de commission et d’omission, atteignant des précisions globales comprises entre 96,34 % et 98,73 % (indices Kappa entre 0,93 et 0,97). Concernant la discrimination des cultures de banane et de manioc, l’apport du drone est décisif car il a permis de franchir un verrou technique en faisant passer l’indice Kappa de 0,00 à 0,63. L'étude conclut que la précision géométrique des Régions d’Intérêt (ROI) issues du drone, couplée à la puissance de modélisation du RNC, constitue une solution optimale pour cartographier les systèmes agricoles complexes.

Abstract : For several years, Gabon has been committed to diversifying its economy, placing agriculture as a key sector. However, mapping agricultural plantations and crop types is hindered by land fragmentation and the complexity of tropical landscapes. To support decision-makers, integrating innovative scientific methods into crop monitoring is essential. The general objective of this study is to develop and evaluate a methodology for identifying agricultural plantations and crops in the Lébamba area. The methodological approach is based on a hierarchical classification integrating the complementarity between Sentinel-2 satellite imagery, GPS surveys, and the very high spatial resolution of drone imagery. The results demonstrate that for agricultural plantation identification, the Drone-CNN (Convolutional Neural Network) combination outperforms all other approaches. It significantly reduces commission and omission errors, achieving overall accuracies ranging between 96.34% and 98.73% (Kappa indices between 0.93 and 0.97). Regarding the discrimination of crop types (banana vs. cassava), the drone's contribution is decisive: it overcome a technical bottleneck by increasing the Kappa index from 0.00 (total failure with GPS alone) to 0.63. The study concludes that the geometric precision of drone-derived Regions of Interest (ROI), coupled with the power of CNN non-linear modeling, provides an optimal solution for mapping agricultural systems in this region.

• 

  • Télécharger