Les zones d'aménagement, c'est quoi?

Jadis, l'agriculture s’est appuyée sur le principe de l’homogénéité des parcelles qui implique des interven tions culturales (travail du sol, semis, fertilisation, protection des cultures) uniformes sur chaque parcelle. Deux raisons principales ont justifié cette approche: (a) la taille réduite des parcelles, et (b) l’absence de moyens techniques accessibles pour appréhender cette apparence d'homogénéité.

Pour adresser ce défi inhibant l’amélioration des efficiences agronomique et écologique de leur parcelle, les « anciens » avaient découpé leurs terres en petites parcelles apparemment homogènes, pour ajuster les interventions sur chacune. Ce n'est qu'à partir des années 90s, avec l'autorisation du Président américain Ronald Reagan de fournir l'accès gratuit aux signaux GPS pour des usages non-militaires, que l'on devient capable de cartographier et diagnostiquer systématiquement la variabilité intraparcellaire.

Trois principaux éléments sont à considérer pour la quantification de la variabilité intra-parcellaire:

Les cinq facteurs à considérer pour caractériser la variabilité intra-parcellaire:

Il y a deux catégories de données avec quoi travailler: (a) les données spatiales discrètes et (b) les données spatiales continues.

Les données spatiales discrètes sont des données géoréférencées mesurées à des emplacements spécifiques ou issues d'analyse sur des échantillons prélevés à à des emplacements spécifiques (ex: sols, rendement).

Les données spatiales continues représentent la couverture continue d'un phénomène ou d'une intervention à l'échelle spatiale d'intérêt (ferme, parcelle, bassin versant, etc.) sous forme de cartes. Ces données sont également appelées données de terrain, non discrètes ou de surface (modèle numérique de terrain, les indices de végétation, le rendement, etc).

À noter qu'on peut, à partir de techniques d'échantillonage et d'algorithmes d'interpolation, passer des données spatiales discrètes aux données spatiales continues et vice-versa. Les données spatiales continues sont d'intérêt du au fait qu'elles representent de manière quasi-intuitive la variabilité intra-parcellaire, ce qui permet une catégorisation, classification ou regroupement des zones de la ferme ayant une ou plusieurs caractéristiques communes, donc homogènes, définies à partir de mesure des éléments de variabilité précités. Ces zones, dites zones d'amenagement, ont souvent des géométries variables.

Étapes de création des zones d'amenagement

Le zonage de la parcelle ainsi obtenu devient un outil de travail indispensable pour moduler les interventions culturales et les doses d’intrants.

Un exemple de recette pour la délimitation des zones d'aménagement à partir de données pédologiques

Étape 1: Importation d'un premier jeu d'outils nécessaires

#Appel des fonctions, classes, et bibliothèques pertinentes from pathlib import Path import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import geopandas as gpd

Étape 2: Importation, nettoyage, et visualisation des données

#Simple configuration pour l'affichage des graphes sns.set_theme(style="ticks") #Lecture du fichier de données échantillonées fichier_de_données = Path('/work/Tou1_2021.csv') données = pd.read_csv(fichier_de_données, sep=';') print(données.head()) #Lecture du fichier de délimitation de la ferme shape_file = gpd.read_file('/work/Tou1.shp') #Extraction et affichage des colonnes d'intérêt données_sols = données.iloc[:, 3:8] #Affichage de la matrice de corrélation entre les variables dataplot = sns.heatmap(données_sols.corr(), cmap="YlGnBu", annot=True) # displaying heatmap plt.show() #Transformation des données avec la fonction melt de pandas pour visualisation avec la bibliothèque seaborn données_transformées = données_sols.melt(var_name='column') #Visualisation des données avec la classe FacetGrid de la bibliothèque seaborn g = sns.FacetGrid(données_transformées, row='column', sharex=False) g.map(plt.hist, 'value')

Étape 3: Importation d'un nouveau jeu d'outils nécessaires à la prochaine étape

#Appel des fonctions, classes, et bibliothèques pertinentes import numpy as np from pykrige.ok import OrdinaryKriging import skgstat as skg from shapely import geometry from pyproj import Transformer

Étape 4: Visualisation spatialisée des données échantillonnées

#Systèmes de coordonnées de références scr_origine = "epsg:32188" scr_de_travail = "epsg:32619" #Reprojection des données dans le système de référence UTM trans = Transformer.from_crs(scr_origine, scr_de_travail, always_xy=True) East, North = trans.transform(données["X"].values, données["Y"].values) #Recréation de la structure des données échantillonés gdf = gpd.GeoDataFrame(données, geometry=gpd.points_from_xy(East, North), crs=scr_de_travail) gdf["East"] = East gdf["North"] = North print(gdf.head()) #Visualisation spatialisées des données échantillonés fig, ax = plt.subplots(figsize=(12,10)) shape_file = shape_file.to_crs(scr_de_travail) #UTM Zone 19 N shape_file.plot(ax=ax, alpha=0.4, color='grey', legend=True) gdf.plot(column='Cu', ax=ax, markersize=20, cmap='plasma',marker='o',label='Soil Samples', legend=True, legend_kwds={"label": "Teneur en cuivre", "orientation": "horizontal"}) plt.show()

Étape 5: Premier traitement des données échantillonnées (relations spatiales entre les valeurs mesurées)

Première loi de la géographie de Waldo Tobler: Tout interagit avec tout, mais deux objets proches ont plus de chances de le faire que deux objets éloignés. Le concept de Variogramme met en application cette loi et requiert la précision de la distance maximum (max lag) entre des paires de points pour lesquelles la corrélation spatiale est calculée.

# position_variable_dinteret = 3 variable = données.columns[position_variable_dinteret] valeurs = données[variable] maxlag = 0.5 # distance maximale entre les paires de points (moitié de la distance maximale #entre deux points du jeu de données) n_lags = 25 # nombre de sous-groupes de données à utiliser coordonnees = gdf[["East","North"]].values #Calcul du (semi-)variogramme empirique: entre chaque paire de points dans une portion des données variogram = skg.Variogram(coordinates=coordonnees, values=valeurs, bin_func='uniform', model="spherical", use_nugget=True, n_lags=n_lags, maxlag=maxlag) # Visualization of the variograms for different models fig, _a = plt.subplots(2,3, figsize=(18, 10), sharex=True, sharey=True) axes = _a.flatten() #Essayer plusieurs modèles théoriques et vérifier lequel correspondrait mieux au variogramme empirique for i, model in enumerate(('spherical', 'exponential', 'gaussian', 'matern', 'stable', 'cubic')): variogram.model = model variogram.plot(axes=axes[i], hist=False, show=False) axes[i].set_title('Model: %s; RMSE: %.2f' % (model, variogram.rmse))

Étape 6: Choix du modèle de variogramme théorique

#Calcul du variogrammme variogram = skg.Variogram(coordinates=coordonnees, values=valeurs, model='exponential', bin_func='uniform', use_nugget=True, n_lags=n_lags, maxlag=maxlag) parametres_du_variogramme = variogram.describe(flat=True) print(parametres_du_variogramme) #Visulation des variogrammes empiriques et théoriques variogram.plot() plt.close

Étape 7: Choix d'un modèle d'interpolation (couverture surfacique|pixelisation?) de type géostatistique de la famille du Krigeage

PVI: Le krigeage est un éponyme de l'ingénieur minier Sud-Africain Daine Krige.

#Création d'une grille permettant la création de la couverture surfacique grid_lon = np.linspace(East.min(), East.max(), 350) grid_lat = np.linspace(North.min(), North.max(), 50) #Récupération des paramètres du variogramme théorique parametres_du_variogramme = {'sill': parametres_du_variogramme["sill"], 'range': parametres_du_variogramme["effective_range"], 'nugget': parametres_du_variogramme["nugget"] } OK = OrdinaryKriging(East, North, gdf["Cu"], variogram_model='exponential', variogram_parameters=parametres_du_variogramme, verbose=True, enable_plotting=False,nlags=30) gridded_data, _ = OK.execute('grid', grid_lon, grid_lat) fig, ax = plt.subplots(figsize=(12,10)) im = ax.imshow(gridded_data, cmap='plasma', origin='lower') contour = ax.contour(gridded_data, colors='black', levels=3, origin='lower') cbar = plt.colorbar(im,location="bottom") cbar.ax.get_xaxis().labelpad = 15 cbar.ax.set_xlabel('Teneur en cuivre') plt.clabel(contour, inline=True, fontsize=8)

Étape 8: Importation d'un nouveau jeu d'outils nécessaires à la prochaine étape

import sklearn.cluster as skc from sklearn import cluster import rasterio from rasterio.features import rasterize from rasterio import plot from rasterio.plot import show

Étape 9: Détermination du nombre de zones potentielles par regroupement spatial des valeurs mesurées

#Détermination du nombre de groupes ou clusters par la méthode du l'épaule (Elbow method) inertias = [] #la somme de la distance carrée entre chaque point et le centroïde de la grappe nombre_maximal_de_groupes = 6 for i in range(1, nombre_maximal_de_groupes): kmeans = skc.KMeans(n_clusters=i) kmeans.fit(gridded_data) inertias.append(kmeans.inertia_) graphe = sns.relplot(x=range(1,nombre_maximal_de_groupes), y=inertias, kind='line') graphe.set_axis_labels( "Nombre de groupes" , "Inertie des grappes (m^2)" )

Étape 10: Création des grappes à partir des résultats de la méthode de l'épaule

#Création des grappes k_means = cluster.KMeans(n_clusters=3) k_means.fit_predict(gridded_data.flatten().reshape((-1,1))) #point important à faire ici cluster_centers = k_means.cluster_centers_ print(cluster_centers) #Visualisation des grappes clusters = k_means.labels_ clusters = clusters.reshape(gridded_data.shape) fig, ax = plt.subplots(figsize=(18,12)) image_hidden = ax.imshow(gridded_data, origin='lower') plot.show(np.flipud(clusters), ax=ax, contour=True) cbar = plt.colorbar(image_hidden,location="bottom") cbar.ax.get_xaxis().labelpad = 15 cbar.ax.set_xlabel('Teneur en cuivre')

Étape 11: Segmentation ou départagement des grappes obtenues (Multipolygones vers Polygones)

gridx, gridy = np.meshgrid(grid_lon, grid_lat) print(gridx.shape, gridy.shape, gridded_data.shape) xpts = gridx.flatten() ypts = gridy.flatten() zvalues = gridded_data.flatten() new_gdf = gpd.GeoDataFrame({ "Cu": zvalues }, geometry=gpd.points_from_xy(xpts, ypts), crs="EPSG:32619") #fig, ax = plt.subplots(figsize=(18,15)) #shape_file.plot(ax=ax, alpha=0.4, color='grey', legend=True) #new_gdf.plot(column="Cu", ax=ax, legend=True, #legend_kwds={"label": "Teneur en cuivre", "orientation": "horizontal"},) #contours = ax.contour(gridx, gridy, gridded_data, 3, colors='black', origin='lower') #clabels = plt.clabel(contours, inline=True, fontsize=8) new_gdf["clusters"] = clusters.flatten() polygones = [] #Les grappes obtenues sont caractérisées par des indices [0,1,2] avec des doublons new_labels = np.unique(clusters)# [0,1,2] # for index, label in enumerate(new_labels): sub_gdf = new_gdf[new_gdf['clusters']==index] centers = [p.centroid for p in sub_gdf.geometry] centers_xy = [[c.x, c.y] for c in centers] sub_clusters = cluster.AgglomerativeClustering(n_clusters=None, linkage='single', affinity='euclidean', distance_threshold=10) sub_clusters.fit(centers_xy) current_labels = sub_clusters.labels_ if index : current_labels = [i + 1 + last_label for i in current_labels] sub_gdf['sub_clusters'] = current_labels last_label = max(current_labels) sub_gdf.plot(column='sub_clusters', categorical=True, figsize=(18,12)) polygones.append(sub_gdf)

pd.options.mode.chained_assignment = None from shapely.ops import unary_union

Étape 12: Fusion des grappes avec une superficie négligeable par rapport à aux autres et!ou la ferme

#Création d'un conteneur de données management_zones_gdf = gpd.GeoDataFrame(pd.concat([*polygones], axis=0)).reset_index().drop(columns=['index']) sub_clusters_ = management_zones_gdf.dissolve(by='sub_clusters') interval = 5 #mètre kwargs = {"cap_style": geometry.CAP_STYLE.square, "join_style": geometry.JOIN_STYLE.mitre} boundary = sub_clusters_.buffer(interval/3.5, **kwargs).buffer(-interval/3.5, **kwargs) superficie_moyenne = np.mean(boundary.area) #Objectif de fusionner les petites superficies délimitées avec la plus proche des plus grandes zones_principales = list(filter(lambda poly: (poly.area >= superficie_moyenne/10), boundary)) for index, elem in enumerate(zones_principales): if isinstance(elem, geometry.multipolygon.MultiPolygon): zones_principales.pop(index) for new_elem in elem: zones_principales.append(new_elem) zones_secondaires = list(filter(lambda poly: (poly.area < superficie_moyenne/10), boundary)) for index, zone in enumerate(zones_secondaires): distances = list(map(lambda zp: zone.centroid.distance(zp), zones_principales)) index_ = distances.index(min(distances)) limite_petite_zone = geometry.Polygon(zone.exterior.coords) limite_grande_zone = geometry.Polygon(zones_principales[index_].exterior.coords) if any(int(distance) != 0 for distance in distances) and min(distances) < 10: points_zp = geometry.mapping(limite_grande_zone)['coordinates'][0] points_zs = geometry.mapping(limite_petite_zone)['coordinates'][0] del zones_principales[index_] zones_principales.append(geometry.Polygon(points_zp + points_zs)) #gpd.GeoSeries([geometry.Polygon(points_zp + points_zs)]).boundary.plot() boundary = gpd.GeoDataFrame({'geometry': zones_principales}, index=range(len(zones_principales))).buffer(5, **kwargs).buffer(-5, **kwargs) boundary.plot(figsize=(12,10)) zones = [] for index, elem in enumerate(boundary): if isinstance(elem, geometry.multipolygon.MultiPolygon): for new_elem in elem: zones.append(new_elem) else: zones.append(elem) gdf = gpd.GeoDataFrame({'geometry': [geometry.Polygon(zone.exterior.coords) for zone in zones], 'clusters': range(len(zones)) }, index=range(len(zones)) ) gdf.crs='epsg:32619' gdf.set_geometry('geometry') gdf.plot(column='clusters', figsize=(12,10), legend=True, legend_kwds={"label": "Zones d'amenagement", "orientation": "horizontal"}, )

Étape 13: Exportation des formes générées

import folium

gdf = gdf.to_crs(epsg=4326) gdf.to_file('/work/Tou1c.geojson', driver="GeoJSON")

m = folium.Map(location=[45.138130802554869, -73.037725141799044], zoom_start=17, tiles="CartoDB positron") folium.GeoJson(gpd.read_file('/work/Tou1c.geojson')).add_to(m) m