Introduction à l'étude des sols modernes

Les études et la cartographie précises des sols sont essentielles à la gestion durable des terres, à l'optimisation des rendements des cultures, à la conservation de l'environnement et à la planification des infrastructures. Les études traditionnelles sur les sols, qui sont essentielles, sont à la fois longues et peu pratiques pour les grandes régions ou inaccessibles. Au cours des deux dernières décennies, les technologies des systèmes d'information géographique (SIG) et de télédétection (RS) ont fondamentalement transformé la façon dont les spécialistes des sols recueillent, analysent et interprètent les données spatiales sur les sols.

Comprendre les SIG et la télédétection

Qu'est-ce que le SIG?

Un système d'information géographique (SIG) est un cadre informatisé permettant de saisir, stocker, interroger, analyser et afficher des données référencées géographiquement. Au cœur du système, on peut couvrir et analyser ensemble le matériel, les logiciels et les données afin de permettre aux utilisateurs de visualiser les modèles, les relations et les tendances de l'information spatiale.

Qu'est-ce que la télédétection?

La télédétection désigne l'acquisition d'informations sur un objet ou une zone à distance, en général à l'aide de capteurs montés sur satellites, avions ou drones. Ces capteurs détectent et enregistrent les rayonnements électromagnétiques réfléchis ou émis par la surface de la Terre. Différentes longueurs d'onde – visibles, quasi infrarouges, infrarouges à ondes courtes et thermiques – révèlent des caractéristiques distinctes du sol. Par exemple, la couleur du sol, la teneur en humidité, la matière organique et la composition minérale influencent tous les modèles de réflexion spectrale.

Comment les SIG et la télédétection fonctionnent-ils ensemble?

Si la télédétection génère des images brutes, le SIG fournit l'environnement analytique pour extraire des informations significatives sur le sol. Les images satellitaires sont d'abord géoréférencées et corrigées pour des distorsions atmosphériques et géométriques. Ensuite, dans un SIG, les indices spectraux (p. ex., indice de végétation de différence normalisée, indice de végétation ajusté du sol) sont calculés, supervisés ou non, et les techniques d'interpolation spatiale (p. ex., friçage, pondération inverse de distance) sont appliquées pour créer des surfaces continues de propriété du sol.

Principales applications dans l'étude des sols

Cartographie des types et des classes de sols

La cartographie traditionnelle des sols repose sur un échantillonnage intensif sur le terrain et une interprétation photo aérienne, mais la télédétection accélère le processus. L'imagerie multispectrale de Landsat[ (30 m de résolution) ou Sentinel-2 (10-20 m de résolution) peut être classée au moyen d'algorithmes d'apprentissage automatique pour distinguer les unités du sol en fonction des couleurs, de la texture et des modèles de végétation.Par exemple, le USDA Natural Resources Conservation Service (NRCS) a intégré des données de télédétection dans ses efforts numériques de cartographie des sols, améliorant la précision des bases de données de l'Enquête géographique sur les sols (SSURGO).

Évaluation de l'érosion et de la dégradation du sol

L'équation universelle de perte de sol (USLE) et ses révisions (RUSLE) peuvent être paramétrées à l'aide de modèles numériques d'élévation (DEM) dérivés de LiDAR[ ou d'images stéréosatellites, de données sur les précipitations, de classifications de couverture terrestre et de cartes d'érodibilité du sol. Par exemple, l'utilisation d'images Sentinel-2 pour calculer le facteur de gestion de la couverture (facteur C) et un DEM basé sur LiDAR pour calculer le facteur topographique (facteur LS) permet aux chercheurs de cartographier le potentiel d'érosion sur le terrain aux échelles des bassins versants.

Surveillance de l'humidité du sol

La télédétection à micro-ondes active et passive, comme celle du satellite SMAP (Soil Moisture Active Passive) ou Sentinel-1 Radar d'ouverture synthétique (SAR) peut estimer la teneur en humidité du sol de surface (0-5 cm de profondeur) avec une couverture mondiale. Dans un SIG, ces cartes d'humidité peuvent être réduites à l'aide d'indices topographiques (p. ex. indice de la qualité de l'eau topographique) et de données sur la couverture terrestre pour produire des estimations d'humidité à l'échelle du champ.

Détection de la salinité du sol et des conditions d'alcali

La salinisation du sol touche de vastes zones de terres irriguées, en particulier dans les régions arides et semi-arides.Les sols affectés par le sel présentent des signatures spectrales distinctes dans les bandes visibles et proches de l'infrarouge : une plus grande réflectance dans la plage visible et une réduction dans l'infrarouge à ondes courtes.À l'aide d'indices multispectraux comme Indice de salinité de différence (NDSI)[ ou Indice de salinité du sol (SSI)[, les SIG et la télédétection peuvent cartographier l'étendue et la gravité de la salinité.

Estimation du carbone organique du sol (COS) et de la fertilité

Bien que les missions hyperspectrales spatiales (p. ex. ]EnMAP, PRISMA[) soient encore relativement nouvelles, des capteurs aéroportés comme AVIRIS ont démontré une cartographie précise du COS sur les champs agricoles. Dans un cadre de SIG, ces estimations spectrales sont combinées avec des covariables environnementales (topographie, utilisation des terres, climat) pour produire des cartes du COS à haute résolution (]ISRIC - World Soil Information utilise de telles approches pour la cartographie mondiale des propriétés du sol. Les agriculteurs peuvent ensuite appliquer une fertilisation à taux variable basée sur ces cartes, améliorant l'efficacité et réduisant l'impact environnemental.

Techniques et sources de données

Capteurs et plateformes satellitaires

Plusieurs missions satellites offrent des images gratuites ou peu coûteuses adaptées aux enquêtes sur les sols :

  • Paysage (NASA/USGS): 30 m multispectrale, 100 m thermique; depuis 1972, idéal pour l'analyse multidécadale des changements.
  • Sentinel-2 (ESA): 10 à 20 m de multispectrale (13 bandes), revisitée de 5 jours; excellent pour la cartographie de la végétation et du sol.
  • MODIS (NASA): 250 à 1000 m, couverture quotidienne; utilisé pour la surveillance régionale de l'humidité et de la végétation du sol.
  • SMAP (NASA): radar et radiomètre à bande L; dédié à la cartographie de l'humidité du sol à une résolution de 3 à 9 km.
  • Sentinel-1 (ESA): RAS de bande C; estimation de l'humidité et de la texture du sol tout-temps.
  • PlanetScope (Planet Labs): imagerie multispectrale quotidienne de 3 m (commercial); adaptée à l'agriculture de précision à l'échelle du champ.

LiDAR pour l'information topographique et structurelle

La détection et le ranging de la lumière (LiDAR) fournit des modèles numériques d'élévation (DEM) très précis avec une précision verticale de sous-mètre. Ces DEM sont essentiels pour calculer la pente, l'aspect, la courbure et l'accumulation d'écoulement, variables qui influencent fortement la formation du sol, l'érosion et la distribution de l'humidité.

Imagerie hyperspectrale et multispectrale

Les capteurs hyperspectraux capturent des données dans des centaines de bandes spectrales étroites contiguës, permettant une caractérisation détaillée de la minéralogie du sol, de la matière organique et de l'humidité.[VIRIS]] et la mission spatiale PRISMA sont des exemples notables.Le traitement des données hyperspectrales nécessite des techniques avancées comme l'élimination continue et le filtrage assorti, mais le bénéfice est la capacité de cartographier les propriétés du sol qui sont invisibles aux capteurs à large bande.

Véhicules aériens sans équipage (UAV ou Drones)

Les drones équipés de capteurs multispectraux, thermiques ou LiDAR offrent des données de sol à haute résolution (<1-10 cm) pour de petites zones (champs de quelques kilomètres carrés), ce qui est particulièrement utile pour l'agriculture de précision, où les agriculteurs ont besoin de cartes détaillées de variabilité sur le terrain.

Techniques de traitement et d'analyse d'images

Les données de télédétection brutes doivent être traitées pour extraire des informations sur les sols:

  • Correction radiométrique et atmosphérique pour convertir les nombres numériques en réflectance de surface.
  • Correction géométrique pour aligner les images sur un système de coordonnées cartographiques.
  • Indices spécifiques: NDVI pour la couverture végétale, SAVI pour la végétation ajustée en fonction du sol, NDSI pour la salinité, CI pour la couleur.
  • Classification : supervisée (probabilité maximale, forêt aléatoire, machines vectorielles de soutien) ou non supervisée (moyennes k, ISODATA) pour cartographier des unités de sol distinctes.
  • Modélisation de régression: régression partielle des moindres carrés (PLSR), réseaux neuraux artificiels (ANN), ou forêt aléatoire pour estimer les propriétés continues du sol à partir de bandes spectrales.
  • Détection de changement : comparaison d'images multitemporelles pour identifier la dégradation des sols, l'érosion ou le changement d'affectation des terres.

Intégration des données dans les SIG

Prétraitement et harmonisation des données

Dans un SIG, les images de télédétection sont intégrées à des ensembles de données auxiliaires tels que les DEM, les grilles climatiques (précipitation, température), les cartes de l'utilisation des terres et du couvert terrestre et les polygones de levé des sols existants. Toutes les couches doivent être reprojectées en un système commun de coordonnées et rééchantillonnées en une résolution uniforme (par exemple, 30 m pour la cartographie à base de Landsat).

Interpolation spatiale et géostatistique

Comme les propriétés du sol sont continues dans l'espace, on utilise des méthodes d'interpolation pour prédire les valeurs à des endroits non échantillonnés à partir d'observations ponctuelles et de covariables de télédétection. Le frigidage (p. ex., ordinaire et co-frigidage) et le frigidage de régression[ sont des techniques géostatistiques populaires qui expliquent l'autocorrelation spatiale.

Cartographie numérique des sols (DSM)

L'intégration des SIG et de la télédétection a donné lieu à la cartographie numérique des sols (DSM)[, également connue sous le nom de cartographie prédictive des sols. La télédétection utilise des modèles mathématiques pour relier les observations des sols aux covariables environnementales (les facteurs « scorpan » : sol, climat, organismes, relief, matériel parental, âge et espace). La télédétection contribue à covariables comme la réflectance spectrale, les indices de végétation et les attributs du terrain.

Exemple de flux de travail : cartographie du carbone organique du sol dans les champs agricoles

Considérez un scénario où un chercheur vise à cartographier le COS dans une région agricole de 50 km2.

  1. Acquérir des images Sentinel-2 (sans nuage, saison de croissance) et un LiDAR DEM.
  2. Calcul des indices spectraux (NDVI, NBR, indices de couleurs) et des attributs du terrain (pente, TWI, courbure).
  3. Collecte de 100 échantillons de sol (0 à 30 cm de profondeur) pour l'analyse en laboratoire du COS.
  4. Utiliser 70 échantillons pour former un modèle forestier aléatoire avec covariables satellite et terrain; 30 échantillons pour la validation.
  5. Prévoir la COS dans toute la zone et cartographier les résultats dans un SIG.
  6. Revoir la carte du COS avec les parcelles de propriété foncière pour guider l'application de chaux ou d'engrais à taux variable.

Avantages et défis

Principaux avantages

  • Efficacité du coût et du temps: Couvrir de vastes zones qui nécessiteraient des semaines d'échantillonnage sur le terrain prend des heures avec des images satellite.
  • Couverture synoptique et répétable[ : Les satellites revoient la même zone tous les quelques jours, ce qui permet de surveiller la dynamique temporelle du sol (p. ex. humidité saisonnière, érosion après les tempêtes).
  • Haute résolution spatiale : Les capteurs modernes fournissent une résolution de 10 mètres de sous-mètre, captant une variabilité à l'échelle fine importante pour l'agriculture de précision.
  • Intégration multicouche[ : Le SIG permet de combiner les données du sol avec la topographie, le climat et l'utilisation des sols pour une analyse complète.
  • Précision améliorée[: La combinaison des données de terrain avec les covariables de télédétection donne souvent des cartes plus précises que les seules données de terrain, en particulier pour les propriétés qui ont des signatures spectrales ou topographiques fortes.
  • Accès aux zones éloignées: La télédétection par satellite permet d'étudier les sols dans les régions difficiles ou dangereuses à accéder à pied (p. ex. zones de conflit, zones humides, pentes raides).

Défis et limites

  • Une expertise technique requise[ : Le traitement d'images, la géostatistique et l'apprentissage automatique exigent une formation spécialisée.
  • Tométrage et complexité du traitement[: L'imagerie et les séries chronologiques à haute résolution génèrent des téraoctets de données, nécessitant un calcul et un stockage puissants.
  • Couverture de nuages et effets atmosphériques[: La télédétection optique est entravée par la couverture nuageuse persistante dans les régions tropicales.
  • Problèmes de pixel mélangés: À des résolutions modérées (p. ex., 30 m), un seul pixel peut contenir plusieurs types de sol, de végétation et d'ombres, ce qui complique l'analyse spectrale.
  • Nécessité pour la vérification au sol[: Les modèles de télédétection doivent être étalonnés et validés avec des échantillons de terrain.
  • Frais initiaux élevés: Bien que de nombreux ensembles de données satellitaires soient gratuits, l'acquisition d'images commerciales LiDAR, hyperspectrales ou à haute résolution entraîne des dépenses importantes.
  • Limitations de la profondeur du sol: La télédétection optique et radar ne pénètre que dans les quelques centimètres supérieurs du sol. Les propriétés de la surface souterraine (p. ex. texture du sous-sol, compactage) ne peuvent pas être directement détectées; elles doivent être déduites des indicateurs et modèles de surface.

Perspectives d'avenir

Apprentissage automatique et intelligence artificielle

Advances in machine learning, particularly deep learning (convolutional neural networks, recurrent networks), are enabling more accurate and automated extraction of soil information from remote sensing imagery. For example, CNNs can learn spatial patterns in high-resolution images to classify soil types or estimate SOC without handcrafted features.L'apprentissage par transfert permet de perfectionner les modèles pré-formés sur de grands ensembles de données (p. ex. ImageNet) pour les tâches de cartographie des sols avec des données locales minimales. L'IA facilite également le contrôle automatisé de la qualité et la détection aberrante.

Cloud Computing et Big Data Platforms

Des plateformes comme Google Earth Engine, Amazon Web Services (AWS) Earth[ et Microsoft Planetary Computer fournissent un accès à des archives massives d'images satellitaires et d'outils d'analyse préconstruits.Ces environnements basés sur le cloud éliminent le besoin de stockage de données locales et de calcul haut de gamme.Les utilisateurs peuvent exécuter des algorithmes de cartographie du sol à l'échelle mondiale en quelques minutes.

Intégration avec les capteurs IoT et In-Situ

L'Internet des objets (IoT) apporte des capteurs de sol abordables (humidité, température, CE, pH) dans les champs agricoles. Combiner les flux de données IoT avec l'imagerie satellite dans un SIG crée un réseau d'observation dense pour l'étalonnage des modèles de télédétection. Par exemple, un réseau de sondes d'humidité du sol peut valider les estimations SMAP et améliorer les algorithmes de réduction de l'échelle.

Constellations hyperspectrales de satellites

De nouvelles missions satellites, comme NASA Surface Biology and Geoology (SBG)[ et les projets CHIME[ (Copernicus Hyperspectral Imaging Mission for the Environment) – fourniront des données hyperspectrales de routine à une résolution mondiale de 30 m. Ces ensembles de données révolutionneront la cartographie de la minéralogie et de la matière organique du sol, car ils saisiront les caractéristiques spectrales fines qui ne sont actuellement disponibles que par des capteurs aéroportés.

Précisions Agriculture et gestion durable des terres

L'étude des sols a pour objectif ultime d'améliorer la gestion des sols, à mesure que les SIG et la télédétection s'intègrent davantage aux systèmes de gestion des exploitations agricoles, les technologies à taux variable appliqueront des intrants (engrais, irrigation, modifications) basés sur les cartes des sols à haute résolution, ce qui réduira les coûts, augmentera les rendements et réduira la pollution de l'environnement.

Conclusion

Les SIG et la télédétection sont passés d'outils expérimentaux à des outils opérationnels pour l'étude et la cartographie des sols, ce qui permet aux praticiens de considérer les sols non pas comme des points statiques mais comme des systèmes dynamiques et continus dans l'espace. En combinant la vision synoptique des satellites avec la puissance analytique des SIG, les spécialistes des sols peuvent cartographier les propriétés, surveiller les changements et appuyer les décisions à des échelles allant de champs individuels à continents entiers.