Fin mars, Axelle Tortosa, Aude Vialatte et Fabien Laroche ont rejoint l’équipe scientifique du projet FunBioDiv au CESAB à Montpellier pour son premier workshop ! Pendant cinq jours, dans un cadre stimulant et propice à la réflexion, ils ont pu échanger des idées, discuter et brainstormer intensivement.
L’objectif de cette semaine : formaliser un cadre théorique de travail pour mieux prédire les effets de différents leviers de diversification végétale (mélanges variétaux, associations de cultures, rotations longues, agroforesterie, infrastructures agroécologiques…) sur la régulation de multiples bioagresseurs (adventices, pathogènes, insectes…) présents dans les parcelles et paysages agricoles. Basé sur une approche fonctionnelle, ce cadre sera articulé aux résultats issus de l’Expertise « Protéger les cultures par la diversité végétale » (ESCo REGULNAT). Il servira à identifier les combinations de leviers les plus prometteuses à tester sur des données issues de différents territoires agricoles en France et en Europe.
Par Mathieu Fauvel (Unité CESBIO, Université de Toulouse, CNES/CNRS/INRAE/IRD/UT3-Paul Sabatier, Toulouse)
Grassland dynamics are modulated by management intensity and impact overall ecosystem functioning. In mowed grasslands, the first mowing date is a key indicator of management intensification. The aim of this work was to assess several supervised regression models for mapping grassland first mowing date at national-level using Sentinel-2 time series. Three deep-learning architectures, two conventional machine learning models and two threshold-based methods (fixed and relative) were compared. Algorithms were trained/calibrated and tested from field observations, using a spatial cross-validation approach. Our findings showed that time aware deep-learning models – Lightweight Temporal Attention Encoder (LTAE) and 1D Convolutional Neural Network (1D-CNN) – yielded higher performances compared to Multilayer Perceptron, Random Forest and Ridge Regression models. Threshold-based methods under-performed compared to all other models. Best model (LTAE) mean absolute error was within six days with a coefficient of determination of 0.52. Additionally, errors were accentuated at extreme (late/early) mowing dates, which were underrepresented in the data set. Oversampling techniques did not improve predicting extreme mowing dates. Finally, the best prediction accuracy was obtained when the number of clear dates surrounding the mowing event was greater than 2. Our outputs evidenced time aware deep-learning models’ potential for large-scale grassland first mowing event monitoring. A national-level map was produced to support bird-life monitoring or public policies for biodiversity and agro-ecological transition in France.
Pour en savoir plus sur cet article : Rivas, H., Touchais H., Thierion V., (..) Fauvel, M. (2024) Nationwide operational mapping of grassland first mowing dates combining machine learning and Sentinel-2 time series. Remote Sensing of Environment, 315, pp.114476. https://www.sciencedirect.com/science/article/pii/S0034425724005029
Dernière mise à jour : 30 avr. 2025
David Sheeren, Marc Lang et Michel Tarby sont en train de faire des acquisitions drone (optique + LiDAR) durant 4 semaines sur une hêtraie, à Lyons-la-Forêt dans le département de l'Eure, contenant des individus de différentes provenances et faire en parallèle des relevés de stades phénologiques selon le protocole BBCH. Ce phénotypage devrait leur permettre de construire un modèle permettant de prédire les stades phénologiques dans les images et cartographier les individus précoces, moyens et tardifs. Cette année est destinée à la mise en place de la méthodologie.
Pour en savoir sur l'ANR FAGRESCUE qui mobilise une approche transdisciplinaire impliquant l'intelligence artificielle, la génomique et la modélisation écologique pour améliorer la résilience des hêtraies dans le contexte du changement climatique
