Introduction

Les infrastructures agroécologiques (IAE) impactent fortement la biodiversité de l'agroécosystème et les services écosystémiques associés. Pour les écologues, les IAE se prêtent à deux grilles de lecture. La première, issue de la biogéographie insulaire (Wilson et MacArthur, 1967), voit les surfaces cultivées comme une matrice « neutre » enserrant des espaces naturels riches en biodiversité connectés par des « corridors ». Ces corridors constituent une « trame » qui permet aux individus de se déplacer et d'échanger leurs gènes pour le plus grand profit des populations. Celles qui restent isolées péricliteront. Cette conception privilégie les IAE comme éléments semi-naturels linéaires, haies, couverts herbacés ou fossés. La seconde grille de lecture considère l'ensemble de l'espace agricole comme une mosaïque d'habitats complémentaires pour une faune et une flore variée. La biodiversité associée dépendra de la configuration spatiale et de la diversité de ces habitats (Fahrig et al., 2011). Cette lecture, issue de l'écologie des paysages, laisse une plus large place à certaines surfaces cultivées qui pourront être favorables à certaines espèces (e.g. pour les pollinisateurs : cultures mellifères et jachères fleuries), ainsi qu'à des éléments ponctuels (e.g. arbres, murets).

Le passage de la biologie à la gestion impose de « durcir » les objets dans un cadre normatif. On ne sait gérer que ce que l’on sait compter et donc catégoriser. Les IAE voient ainsi leur définition normalisée, par exemple dans le dispositif « haute valeur environnementale » (HVE) ainsi que dans la Politique agricole commune, ou elles sont renommées surfaces d’intérêt écologique (SIE). Ces nouveaux objets permettent d’évaluer la conformité à une norme ou bien de réaliser des études d’impact. Ces opérations requièrent des données faciles d’accès, à un coût raisonnable et si possible sur n’importe quelle entité géographique. Cela est possible par l’utilisation de produits prêts à l’emploi ou bien en les fabriquant soi-même. La télédétection permet de répondre à ces besoins. Des évolutions technologiques majeures et toujours en cours ainsi que des politiques publiques favorables ont fait naitre de grands espoirs. Le projet CASDAR Tel-IAE a été mené entre 2012 et 2015 pour savoir comment ces espoirs pouvaient se concrétiser pour les acteurs du développement agricole.

Apport de Tel-IAE

Les travaux ont porté sur les ontologies (définition et sens des concepts mobilisés), la production de cartes à partir d’images satellitaires, le calcul d’indicateurs dérivés et sur la communication.

Nous avons tout d’abord élaboré un dictionnaire des IAE suffisamment étendu pour supporter différents usages, les IAE étant définies de manière générique comme éléments paysagers supports de processus écologiques jugés utiles pour la biodiversité et l’environnement des milieux agricoles. Ce dictionnaire a été élaboré de manière hiérarchique sur au plus cinq niveaux de précision croissante (e.g. haies arborées plurispécifiques, haies arborées, haies, surfaces boisée, IAE).

Des nouvelles méthodes ont été développées pour améliorer l'extraction des éléments linéaires à partir de leur caractéristiques spectrales et géométriques. L'utilisation d'images Pléiades à 50 cm de résolution a permis d'obtenir des résultats satisfaisants d'extraction de haies par filtrage morphologique directionnel, mais l'application aux bandes enherbées a été moins probante (Fauvel et al., 2014). L'ajout d'une information de hauteur obtenue à partir d'un modèle numérique de canopée Radar et LiDAR a amélioré l'extraction. Des méthodes existantes ont aussi été adaptées et testées en croisant trois zones d'études (Midi-Pyrénées, Bretagne et Picardie) avec l'utilisation d'images de résolution spatiale croissante (0,5 ; 2,5 ; 10 et 20 m). La figure 1 donne des résultats obtenus en Midi-Pyrénées incluant d'autres catégories d'occupation des sols. Les résultats ont montré que pour les arbres hors forêt, il était préférable d'envisager une extraction de l'ensemble de la couverture arborée dans l'image avant d'appliquer des techniques d'analyse spatiale pour les séparer plutôt que de chercher à distinguer directement ces objets dans les images selon leur signature spectrale. Le projet a également permis d'initier des travaux sur la caractérisation des prairies (productivité, conduite, temporaire/permanente) qui ont été poursuivis dans le cadre d'une thèse (Lopes, 2017).

Figure 1 – Cartes à partir d’images à différentes résolutions en Midi Pyrénées.

Save View full size Expand inline Collapse inline

Différents outils sont disponibles pour passer des cartes aux métriques paysagères permettant de les relier à des indicateurs de biodiversité (ex. : FRAGSTATS, McGarigal et al., 2002). Le test de ces outils a confirmé la forte sensibilité des résultats à la résolution spatiale des images utilisées pour produire les cartes (Lechner et Rhodes, 2016). Ces méthodes restent toutefois peu accessibles pour du personnel non-géomaticien et n'ont d'utilité que dans un cadre de référence biologique qu'il est important d'expliciter. Un carabe, une alouette ou un chevreuil, n'ont pas la même vision du paysage et donc pas la même sensibilité aux métriques paysagères ni à celle de l'étendue d'analyse. Enfin, le projet a permis de documenter et consolider le code du prototype HedgeTools, une boîte à outils sous ArcGIS qui permet une caractérisation fonctionnelle des haies (calculs de variables morphologiques, d'indices de connectivité et rôles fonctionnels : brise vent, anti érosif et protection des cours d'eau). Le développement de cet outil se poursuit dans le cadre du projet SCO EagleHedges (financement CNES et OFB) qui prévoit une mise à disposition sous forme de plug-in pour QGIS.

Ces travaux, ainsi que les échanges entre spécialistes de la télédétection et « thématiciens », ont abouti à la rédaction d’un guide interactif pour les utilisateurs explicitant les choix aux différentes étapes de la chaine de traitement allant de l’acquisition à la production d’indicateurs. Le site web abritant ce guide a été fermé en 2019. Le rapport final et l’ensemble des livrables « papier » du projet sont néanmoins accessibles sur demande aux auteurs.

Quelques leçons hors du champ technique

Le projet a mis en lumière un dialogue parfois difficile mais fécond entre « télédétecteurs » et « thématiciens », les premiers n’étant pas toujours capables de faire état des possibilités de l’imagerie spatiale pour reconnaître les IAE sans « tester » la capacité à les extraire, et les seconds ne comprenant pas toujours les difficultés pour y répondre et la complexité potentielle de l’automatisation alors que les objets sont bien visibles dans les images de Google Earth. Cette tension n’est pas propre au projet : en 1994, Hoffer (1994) concevait déjà la définition des besoins en information spatialisée issue de la télédétection comme un processus en boucle requérant de la patience. Les distinctions entre « carte », « image satellite », « télédétection », « géomatique » et « SIG » (système d’information géographique) ne sont pas évidentes pour les utilisateurs, et les spécialistes seraient mal avisés de s’en offusquer. Il convient plutôt de vulgariser, d’évoquer les limites et de démystifier en clarifiant les étapes du traitement de l’information géographique et en distinguant ce qui relève des données, des outils et des compétences (figure 2).

Figure 2 – La chaîne de traitement comprend une étape d’extraction des IAE à partir d’images satellites et une autre de caractérisation d’IAE et de production d’indicateurs. Elle requiert des compétences variées, y compris en ingénierie de la donnée.

Save View full size Expand inline Collapse inline

Les outils propriétaires (en bleu : logiciels ArcGIS et ENVI) et open source (en saumon : SIG QGIS et GRASS, système de gestion de base de données PostGIS, logiciel d’analyse du paysage FragStats) sont indiqués à titre d’illustration. Des packages R et librairies Python offrent également de nombreuses possibilités aux différentes étapes.

Le projet a également permis de débattre du caractère discutable ou pas des IAE. En effet, leur définition cristallise une tension entre désir de comprendre et approche normative pour la gestion qui peut appauvrir notre compréhension de la biodiversité. Par exemple, les modèles espèces-habitats peuvent être peu transférables d'une région à l'autre en raison d'une nomenclature thématique trop générique associée aux données qui peut masquer des éléments de distinction importants (deux « prairies » peuvent avoir des fonctions écologiques très différentes selon leur composition botanique et leur conduite ; Schaub et al., 2011). La prise en compte de représentations continues et non catégorielles est une façon d'y remédier (Bonthoux et al., 2018). Un autre problème est que le lien supposé universel entre biodiversité et IAE peut faire oublier les besoins particuliers de certains taxons excentriques. Le risque de prendre la carte pour le territoire peut être dommageable pour ses habitants, humains et autres espèces. La prise en compte de l'information et de l'expertise locale, à grain fin peut contrebalancer les inconvénients d'une démarche de gestion « top-down » (Vimal et Mathevet, 2011).

Et maintenant ? Et demain ?

Le projet Tel-IAE s’est terminé il y a six ans. Que s’est-il passé depuis ? Nous livrons ici quelques réflexions issues de notre expérience qui ne sont en aucun cas le résultat d’un travail d’enquête.

En savoir plus

Le rapport technique final et les livrables du projet Tel-IAE sont disponibles sur requête adressée à c.sausse@terresinovia.fr

Photographie d’entête : Paysage agricole aux alentours de Maubec (Gers).
© J.-M. Bossennec - INRAE

Références

• Anderson, C. B. (2018). Biodiversity monitoring, earth observations and the ecology of scale. Ecol Lett, 21: 1572-1585, doi:10.1111/ele.13106
• Bockstaller, C., Sirami, C., Sheeren, D., Keichinger, O., Arnaud, L., Favreau, A., Angevin, F., Laurent, D., Marchand, G., De Laroche, E., Ceschia, E. (2021). Apports de la télédétection au calcul d’indicateurs agri-environnementaux au service de la PAC, des agriculteurs et porteurs d’enjeu. Innovations Agronomiques, n° 83, p. 43-59, doi:10.15454/ns4w-a314
• Bonthoux, S., Lefèvre, S., Herrault, P. A., Sheeren, D. (2018). Spatial and Temporal Dependency of NDVI Satellite Imagery in Predicting Bird Diversity over France. Remote Sensing, 10(7), 1136, doi:10.3390/rs10071136
• Delaune, T., Ouattara, M. S., Ballot, R., Sausse, C., Felix, I., Maupas, F., Barbu, C. (2021). Landscape drivers of pests and pathogens abundance in arable crops. Ecography, 44(10), 1429-1442, doi:10.1111/ecog.05433
• Fahrig, L., Baudry, J., Brotons, L., Burel, F. G., Crist, T. O., Fuller, R. J., Martin, J. L. (2011). Functional landscape heterogeneity and animal biodiversity in agricultural landscapes. Ecology letters, 14(2), 101-112, doi:10.1111/j.1461-0248.2010.01559.x
• Fauvel, M., Planque, C., Sheeren, D., Dalla Mura, M. (2014). Télédétection des éléments semi-naturels : utilisation des données Pléiades pour la détection des haies, Revue Française de Photogrammétrie et Télédétection, 208, p. 111-116, doi:10.52638/rfpt.2014.101
• Hoffer, R.M. (1994). Challenges in developing and applying remote sensing to ecosystem management. In: Sample, V.A., editors, Remote sensing and GIS in ecosystem management, Washington, DC: Island Press, 25-40.
• Joliveau, T. (2012). La géographie et la géomatique au crible de la néogéographie, Tracés. Revue de Sciences humaines, http://journals.openedition.org/traces/4847
• Kattenborn, T., Leitloff, J., Schiefer, F., Hinz, S. (2021). Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 173, p. 24-49, doi:10.1016/j.isprsjprs.2020.12.010
• Lechner, A. M., Rhodes, J. R. (2016). Recent Progress on Spatial and Thematic Resolution in Landscape Ecology. Curr Landscape Ecol, Rep, 1, 98-105, doi:10.1007/s40823-016-0011-z
• Lopes, M. (2017). Ecological monitoring of semi-natural grasslands: statistical analysis of dense satellite image time series with high spatial resolution. Thèse de doctorat de l’Université de Toulouse, 200 p., https://www.theses.fr/220009902
• McGarigal, K., Cushman, S. A., Neel, M. C., Ene, E. (2002). FRAGSTATS: Spatial Pattern Analysis Program for Categorical Maps. Computer software program produced by the authors at the University of Massachusetts, Amherst, available at the following web site: http://www.umass.edu/landeco/research/fragstats/fragstats.html
• Roelens, J., Höfle, B., Dondeyne, S., Van Orshoven, J., Diels, J. (2018). Drainage ditch extraction from airborne LiDAR point clouds, ISPRS Journal of Photogrammetry and Remote Sensing, 146, p. 409-420, doi:10.1016/j.isprsjprs.2018.10.014
• Schaub, M., Kéry, M., Birrer, S., Rudin, M., Jenni, L. (2011). Habitat‐density associations are not geographically transferable in Swiss farmland birds. Ecography, 34(4), 693-704, http://www.jstor.org/stable/41239432
• Vimal, R., & Mathevet, R. (2011). La carte et le territoire : le réseau écologique à l’épreuve de l’assemblée cartographique. Cybergeo: European Journal of Geography, Environnement, Nature, Paysage, document 572, doi:10.4000/cybergeo.24841
• Wilson, E. O., & MacArthur, R. H. (1967). The theory of island biogeography (Vol. 1). Princeton, NJ: Princeton University Press.