Webinaires scientifiques – OT en orbite : Terres cultivées

Première présentation (en anglais)

De 11 h à 11 h 30

Olivier Godard
Statistique Canada

Au cours de cette séance, la Division de la science des données de Statistique Canada présentera une application d'un modèle de réseau de neurones à convolution à l'utilisation de données d'OT à l'appui des statistiques officielles. Plus précisément, nous présenterons une étude de cas portant sur le suivi de l'évolution de la biomasse ligneuse sur les terres cultivées du Canada. À l'heure actuelle, il n'existe pas de méthodes précises pour estimer les stocks de carbone dans les espèces de végétation ligneuse sur les terres agricoles. Cependant, nous démontrons qu'il est possible, grâce aux images optiques à haute résolution, de suivre les changements dans les zones de végétation jusqu'à l'échelle des arbres individuels.

La Division de la science des données de Statistique Canada, en collaboration avec Agriculture et Agroalimentaire Canada (AAC), travaille activement à l'adoption de cette méthode à l'échelle nationale. Néanmoins, le coût élevé de l'acquisition d'images à haute résolution représente un obstacle majeur. Ce webinaire vise à sensibiliser la communauté à la valeur de ces données pour améliorer les statistiques officielles et faciliter la prise de décisions éclairées pour les Canadiens.

Le modèle de segmentation d'image utilisé dans cette étude a été développé à l'origine pour détecter les serres. Nous démontrerons sa transférabilité et son potentiel pour d'autres applications apparentées, comme la détection de bâtiments, de chantiers de construction et de divers objets artificiels. En présentant la polyvalence de cette architecture d'apprentissage profond, nous montrons qu'elle trouve une utilité globale, au-delà du simple suivi de l'évolution de la biomasse ligneuse.

Deuxième présentation (en anglais)

De 11 h 30 à midi

Heather McNairn
AAC

Les opérations de suivi de l'état des cultures à l'échelle nationale et régionale reposent le plus souvent sur des données satellitaires optiques à faible résolution. AAC élabore une méthode pour estimer l'état des cultures à l'aide de données radar à synthèse d'ouverture (RSO), p. ex. de RADARSAT et Sentinel-1. AAC étalonne les paramètres polarimétriques de ces satellites pour estimer l'indice de végétation par différence normalisée (NDVI) à l'aide d'algorithmes d'apprentissage automatique. Ce NDVI estimé est ensuite intégré dans un modèle dynamique de la structure des cultures. On obtient une estimation quotidienne de l'état des cultures à une échelle plus petite qu'un champ. Des modèles ont été développés pour le canola, le soja, le maïs et le blé. La prochaine étape consistera à faire des tests sur des zones géographiques plus étendues et à déterminer si les estimations du rendement des cultures peuvent être améliorées.