|
Résumé :
|
Cette étude examine l'utilisation de la télédétection hyperspectral et des techniques d'apprentissage automatique pour améliorer l'estimation de l'évapotranspiration actuelle (ETa). Ce travail est primordial pour une gestion optimale des ressources en eau en agriculture, particulièrement dans les régions arides et semi-arides, où la disponibilité de l'eau est de plus en plus irrégulière en raison du changement climatique. Cette étude a porté sur une zone agricole de la région d'El Salheya El Gedida, située dans le nord-est de l'Égypte. Des données ont été collectées auprès de cinq pivots d'irrigation d'arachides pendant la saison de croissance, qui s'est étendue de mai à septembre 2023. Un modèle Random Forest (RF) a été développé pour estimer l'ETa en utilisant les données hyper-spectrales et thermiques de PRISMA et Landsat 8, respectivement. Le modèle a été adapté et testé en utilisant l'ETa mesuré au terrain. Deux scénarios ont été mis en évidence, tous deux utilisent les données hyper-spectrales en conjonction avec l'ETa sur le terrain. Dans le premier scénario, les données thermiques brutes ont été directement utilisées dans le model, tandis que le second scénario a incorporé une estimation de ETa calculée a partir des images satellitaires. Les deux scénarios ont manifesté de bonnes performances, avec des valeurs R² de 0,928 et 0,945, respectivement, par rapport à 0,416 pour le modèle conventionnel utilisé pour générer des entrées ETa basées sur des données satellitaires. Les valeurs RMSE étaient toutes aussi précises, avec environ 0,83 mm/jour et 0,73 mm/jour, respectivement, contre 4,8 mm/jour pour le modèle conventionnel, qui prétendait une tendance vers la sous-estimation. L'analyse de l'importance des variables a permis d'identifier des bandes hyper-spectrales clés dans les régions rouge, SWIR, NIR et bleue comme étant essentielles pour améliorer la précision du modèle, soulignant ainsi le potentiel des données hyper-spectrales pour la gestion des ressources en eau.
|
