{"id":{"repo_id":"sherbrooke","oai_identifier":"oai:usherbrooke.scholaris.ca:11143/21300"},"canonical_url":"https://search.dev.ndltd.org/etd/sherbrooke/oai:usherbrooke.scholaris.ca:11143/21300","repository":{"repo_id":"sherbrooke","name":"Université de Sherbrooke","base_url":"https://usherbrooke.scholaris.ca/server/oai/request"},"display":{"title":"Combinaison de données optique et radar pour l’estimation de l’humidité du sol en milieu agricole","abstract":"L'humidité du sol est essentielle pour les surfaces agricoles. Des variations importantes d’'humidité du sol peuvent affecter grandement le rendement agricole. L'état hydrique du sol devient donc un facteur important pour la croissance des cultures. Les changements climatiques affectent la disponibilité de l'eau dans les couches du sol. Pour une meilleure gestion du stress hydrique ou de l'asphyxie des plantes, dus respectivement à un manque ou à un excès d'humidité du sol, la mise en œuvre de méthodes de surveillance de l'humidité du sol est nécessaire. Or, l'humidité du sol est très variable dans le temps et l'espace en raison de sa dépendance à plusieurs paramètres dont la texture du sol, les précipitations et la topographie. Par conséquent, la connaissance de la teneur en eau de surface du sol à une échelle spatiale et temporelle élevée présente un grand défi. Ainsi, l’objectif de cette étude est de contribuer à l’amélioration de l’estimation de l’humidité du sol sur les zones agricoles, et ce, en combinant les données satellites radar et optiques à l’aide d’une méthode de détection des changements. L'étude repose sur la complémentarité des données optiques et radar et porte sur l'application d’un algorithme existant sur un site présentant une variabilité suffisante en termes de types de cultures et de texture du sol. L’humidité du sol est estimée à deux niveaux d’échelle : à l’échelle du champ et à l’échelle du pixel (30 m). En outre, une étude est menée pour analyser les limites de l'algorithme. La zone d'étude est le site de l'expérience terrain Soil Moisture Active and Passive (SMAP) tenue au Manitoba en 2016 (SMAPVEX16-MB) en vue de supporter les activités de validation des produits du satellite SMAP. Au cours de cette campagne, les caractéristiques du sol (humidité du sol et rugosité) et les données de végétation (biomasse, LAI, etc.) ont été collectées dans 50 champs, d'environ 800 m x 800 m, chaque. De plus, l’étude bénéficie de données in situ issues de stations permanentes de mesures d’humidité du sol du réseau Realtime In-situ Soil Monitoring for Agriculture (RISMA) et de stations temporaires. La base de données satellitaires est constituée de données radar (Radarsat-2 et Sentinel-1) et de données optiques multi-sources (Sentinel-2, Landsat-8, Rapideye et, Planetscope) afin de garantir une fréquence temporelle élevée (environ sept jours). Les images radar ont été normalisées à un angle d'incidence de 33° pour réduire la dépendance angulaire des coefficients de rétrodiffusion, suivi d'une réduction du chatoiement. Les données optiques fournissent des informations sur la végétation dont la prise en compte facilite l'estimation de l'humidité du sol à partir des données radar. Le coefficient de rétrodiffusion est extrait à l'échelle du champ et du pixel en utilisant les images radar préalablement prétraitées. Ensuite, la différence des coefficients de rétrodiffusion est calculée entre deux acquisitions consécutives, pour une cellule donnée (i, j). L'indice de végétation par différence normalisée (NDVI) calculé à partir des images optiques multi capteurs a été harmonisé pour réduire l'effet des différents paramètres des capteurs, aux deux niveaux d'échelle. Cet indice est également moyenné entre deux acquisitions consécutives pour une cellule donnée (i, j). Pour la méthode de détection des changements adoptée dans cette étude, nous avons représenté, pour chaque niveau d'échelle, la différence des coefficients de rétrodiffusion en fonction du NDVI moyenné entre deux acquisitions consécutives. Enfin, la relation obtenue à partir de cette représentation est utilisée dans une approche itérative pour déterminer l'humidité du sol, à l’échelle du champ et à l’échelle du pixel, pour la prochaine date d'acquisition. Pour effectuer l'itération, l’algorithme considère une valeur d'entrée d'humidité initiale du sol connue. À l'échelle du champ, pour l’ensemble des données, nous avons obtenu un RMSE = 0,07 m^3.m^(-3) et un coefficient de corrélation significatif R = 0,7 (p-value < 0,05) entre l'humidité du sol estimée et mesurée. Ces résultats sont très proches de ceux obtenus pour des NDVI relativement élevés (NDVI > 0,6). Cependant, pour des conditions de faible végétation (NDVI < 0,6), les résultats sont meilleurs avec RMSE = 0,05 m3.m-3 et R = 0,83. À l'échelle du pixel, les résultats sont mauvais, avec un RMSE de 0,13 m3/m3, un coefficient de corrélation faible et non significatif de 0,14 (valeur p < 0,38) pour les NDVI inférieurs à 0,6; et un RMSE de 0,14 m3/m3, un coefficient de corrélation très faible et non significatif de 0,069 (valeur p < 0,48) pour les NDVI supérieurs à 0,6.","abstract_html":"L'humidité du sol est essentielle pour les surfaces agricoles. Des variations importantes d’'humidité du sol peuvent affecter grandement le rendement agricole. L'état hydrique du sol devient donc un facteur important pour la croissance des cultures. Les changements climatiques affectent la disponibilité de l'eau dans les couches du sol. Pour une meilleure gestion du stress hydrique ou de l'asphyxie des plantes, dus respectivement à un manque ou à un excès d'humidité du sol, la mise en œuvre de méthodes de surveillance de l'humidité du sol est nécessaire. Or, l'humidité du sol est très variable dans le temps et l'espace en raison de sa dépendance à plusieurs paramètres dont la texture du sol, les précipitations et la topographie. Par conséquent, la connaissance de la teneur en eau de surface du sol à une échelle spatiale et temporelle élevée présente un grand défi. Ainsi, l’objectif de cette étude est de contribuer à l’amélioration de l’estimation de l’humidité du sol sur les zones agricoles, et ce, en combinant les données satellites radar et optiques à l’aide d’une méthode de détection des changements. L'étude repose sur la complémentarité des données optiques et radar et porte sur l'application d’un algorithme existant sur un site présentant une variabilité suffisante en termes de types de cultures et de texture du sol. L’humidité du sol est estimée à deux niveaux d’échelle : à l’échelle du champ et à l’échelle du pixel (30 m). En outre, une étude est menée pour analyser les limites de l'algorithme. La zone d'étude est le site de l'expérience terrain Soil Moisture Active and Passive (SMAP) tenue au Manitoba en 2016 (SMAPVEX16-MB) en vue de supporter les activités de validation des produits du satellite SMAP. Au cours de cette campagne, les caractéristiques du sol (humidité du sol et rugosité) et les données de végétation (biomasse, LAI, etc.) ont été collectées dans 50 champs, d'environ 800 m x 800 m, chaque. De plus, l’étude bénéficie de données in situ issues de stations permanentes de mesures d’humidité du sol du réseau Realtime In-situ Soil Monitoring for Agriculture (RISMA) et de stations temporaires. La base de données satellitaires est constituée de données radar (Radarsat-2 et Sentinel-1) et de données optiques multi-sources (Sentinel-2, Landsat-8, Rapideye et, Planetscope) afin de garantir une fréquence temporelle élevée (environ sept jours). Les images radar ont été normalisées à un angle d'incidence de 33° pour réduire la dépendance angulaire des coefficients de rétrodiffusion, suivi d'une réduction du chatoiement. Les données optiques fournissent des informations sur la végétation dont la prise en compte facilite l'estimation de l'humidité du sol à partir des données radar. Le coefficient de rétrodiffusion est extrait à l'échelle du champ et du pixel en utilisant les images radar préalablement prétraitées. Ensuite, la différence des coefficients de rétrodiffusion est calculée entre deux acquisitions consécutives, pour une cellule donnée (i, j). L'indice de végétation par différence normalisée (NDVI) calculé à partir des images optiques multi capteurs a été harmonisé pour réduire l'effet des différents paramètres des capteurs, aux deux niveaux d'échelle. Cet indice est également moyenné entre deux acquisitions consécutives pour une cellule donnée (i, j). Pour la méthode de détection des changements adoptée dans cette étude, nous avons représenté, pour chaque niveau d'échelle, la différence des coefficients de rétrodiffusion en fonction du NDVI moyenné entre deux acquisitions consécutives. Enfin, la relation obtenue à partir de cette représentation est utilisée dans une approche itérative pour déterminer l'humidité du sol, à l’échelle du champ et à l’échelle du pixel, pour la prochaine date d'acquisition. Pour effectuer l'itération, l’algorithme considère une valeur d'entrée d'humidité initiale du sol connue. À l'échelle du champ, pour l’ensemble des données, nous avons obtenu un RMSE = 0,07 m^3.m^(-3) et un coefficient de corrélation significatif R = 0,7 (p-value < 0,05) entre l'humidité du sol estimée et mesurée. Ces résultats sont très proches de ceux obtenus pour des NDVI relativement élevés (NDVI > 0,6). Cependant, pour des conditions de faible végétation (NDVI < 0,6), les résultats sont meilleurs avec RMSE = 0,05 m3.m-3 et R = 0,83. À l'échelle du pixel, les résultats sont mauvais, avec un RMSE de 0,13 m3/m3, un coefficient de corrélation faible et non significatif de 0,14 (valeur p < 0,38) pour les NDVI inférieurs à 0,6; et un RMSE de 0,14 m3/m3, un coefficient de corrélation très faible et non significatif de 0,069 (valeur p < 0,48) pour les NDVI supérieurs à 0,6.","abstract_has_math":false,"creators":["Kane, Ramatoulaye"],"institution":"Université de Sherbrooke","degree_name":"M. Sc.","degree_level":"Maîtrise","degree_discipline":"Géomatique appliquée","degree_department":null,"school":null,"contributors":[],"advisors":["Magagi, Ramata","Goïta, Kalifa"],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-27T21:07:47Z","subjects":["Combinaison optique-radar","Radarsat-2","Sentinel-1","Détection de changement","Approche itérative","Humidité du sol","Données in situ","NDVI","Coefficient de rétrodiffusion","Champs agricoles","Combined optical-radar","Change detection","Iterative approach","Soil moisture","In situ data","Backscatter coefficient","Agricultural fields"],"languages":["fr","en"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-sa/2.5/ca/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/11143/21300","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Magagi, Ramata","Goïta, Kalifa"]},{"key":"dc:creator","label":"Author","values":["Kane, Ramatoulaye"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2023-12-15T20:36:15Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2023-12-15T20:36:15Z"]},{"key":"dc:date.issued","label":"Date","values":["2023"]},{"key":"dc:publisher","label":"Institution","values":["Université de Sherbrooke"]},{"key":"dc:type","label":"Dc Type","values":["Mémoire de maîtrise"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Géomatique appliquée"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Maîtrise"]},{"key":"thesis:degree_name","label":"Degree Name","values":["M. Sc."]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Sherbrooke"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Combinaison optique-radar","Radarsat-2","Sentinel-1","Détection de changement","Approche itérative","Humidité du sol","Données in situ","NDVI","Coefficient de rétrodiffusion","Champs agricoles","Combined optical-radar","Change detection","Iterative approach","Soil moisture","In situ data","Backscatter coefficient","Agricultural fields"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fr","en"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-sa/2.5/ca/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11143/21300"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["L'humidité du sol est essentielle pour les surfaces agricoles. Des variations importantes d’'humidité du sol peuvent affecter grandement le rendement agricole. L'état hydrique du sol devient donc un facteur important pour la croissance des cultures. Les changements climatiques affectent la disponibilité de l'eau dans les couches du sol. Pour une meilleure gestion du stress hydrique ou de l'asphyxie des plantes, dus respectivement à un manque ou à un excès d'humidité du sol, la mise en œuvre de méthodes de surveillance de l'humidité du sol est nécessaire. Or, l'humidité du sol est très variable dans le temps et l'espace en raison de sa dépendance à plusieurs paramètres dont la texture du sol, les précipitations et la topographie. Par conséquent, la connaissance de la teneur en eau de surface du sol à une échelle spatiale et temporelle élevée présente un grand défi. Ainsi, l’objectif de cette étude est de contribuer à l’amélioration de l’estimation de l’humidité du sol sur les zones agricoles, et ce, en combinant les données satellites radar et optiques à l’aide d’une méthode de détection des changements. L'étude repose sur la complémentarité des données optiques et radar et porte sur l'application d’un algorithme existant sur un site présentant une variabilité suffisante en termes de types de cultures et de texture du sol. L’humidité du sol est estimée à deux niveaux d’échelle : à l’échelle du champ et à l’échelle du pixel (30 m). En outre, une étude est menée pour analyser les limites de l'algorithme. La zone d'étude est le site de l'expérience terrain Soil Moisture Active and Passive (SMAP) tenue au Manitoba en 2016 (SMAPVEX16-MB) en vue de supporter les activités de validation des produits du satellite SMAP. Au cours de cette campagne, les caractéristiques du sol (humidité du sol et rugosité) et les données de végétation (biomasse, LAI, etc.) ont été collectées dans 50 champs, d'environ 800 m x 800 m, chaque. De plus, l’étude bénéficie de données in situ issues de stations permanentes de mesures d’humidité du sol du réseau Realtime In-situ Soil Monitoring for Agriculture (RISMA) et de stations temporaires. La base de données satellitaires est constituée de données radar (Radarsat-2 et Sentinel-1) et de données optiques multi-sources (Sentinel-2, Landsat-8, Rapideye et, Planetscope) afin de garantir une fréquence temporelle élevée (environ sept jours). Les images radar ont été normalisées à un angle d'incidence de 33° pour réduire la dépendance angulaire des coefficients de rétrodiffusion, suivi d'une réduction du chatoiement. Les données optiques fournissent des informations sur la végétation dont la prise en compte facilite l'estimation de l'humidité du sol à partir des données radar. Le coefficient de rétrodiffusion est extrait à l'échelle du champ et du pixel en utilisant les images radar préalablement prétraitées. Ensuite, la différence des coefficients de rétrodiffusion est calculée entre deux acquisitions consécutives, pour une cellule donnée (i, j). L'indice de végétation par différence normalisée (NDVI) calculé à partir des images optiques multi capteurs a été harmonisé pour réduire l'effet des différents paramètres des capteurs, aux deux niveaux d'échelle. Cet indice est également moyenné entre deux acquisitions consécutives pour une cellule donnée (i, j). Pour la méthode de détection des changements adoptée dans cette étude, nous avons représenté, pour chaque niveau d'échelle, la différence des coefficients de rétrodiffusion en fonction du NDVI moyenné entre deux acquisitions consécutives. Enfin, la relation obtenue à partir de cette représentation est utilisée dans une approche itérative pour déterminer l'humidité du sol, à l’échelle du champ et à l’échelle du pixel, pour la prochaine date d'acquisition. Pour effectuer l'itération, l’algorithme considère une valeur d'entrée d'humidité initiale du sol connue. À l'échelle du champ, pour l’ensemble des données, nous avons obtenu un RMSE = 0,07 m^3.m^(-3) et un coefficient de corrélation significatif R = 0,7 (p-value < 0,05) entre l'humidité du sol estimée et mesurée. Ces résultats sont très proches de ceux obtenus pour des NDVI relativement élevés (NDVI > 0,6). Cependant, pour des conditions de faible végétation (NDVI < 0,6), les résultats sont meilleurs avec RMSE = 0,05 m3.m-3 et R = 0,83. À l'échelle du pixel, les résultats sont mauvais, avec un RMSE de 0,13 m3/m3, un coefficient de corrélation faible et non significatif de 0,14 (valeur p < 0,38) pour les NDVI inférieurs à 0,6; et un RMSE de 0,14 m3/m3, un coefficient de corrélation très faible et non significatif de 0,069 (valeur p < 0,48) pour les NDVI supérieurs à 0,6.","Soil moisture is critical to agricultural land. Variations in soil moisture (low or high) can greatly affect crop yields. Soil moisture status becomes a limiting factor for crop growth. Climate change affects the availability of water in the soil layers. For a better management of water stress or plant asphyxia, due respectively to a lack or an excess of soil moisture, the implementation of soil moisture monitoring methods is necessary. Soil moisture is highly variable in time and space due to its dependence on several parameters including soil texture, precipitation and topography. Therefore, knowledge of soil surface water content at a high spatial and temporal scale presents a great challenge. Thus, the objective of this study is to contribute to the improvement of soil moisture estimation over agricultural areas by combining radar and optical satellite data using a change detection method. The study is based on the complementarity of optical and radar data and focuses on the application of an existing algorithm on a site with sufficient variability in terms of crop types and soil texture. Soil moisture is estimated at two scales: field scale and pixel scale (30 m). In addition, a study is conducted to analyze the limitations of the algorithm. The study area is the site from the 2016 Soil Moisture Active and Passive (SMAP) mission soil moisture validation experiment conducted in Manitoba, Canada (SMAPVEX16-MB). During this campaign, soil characteristics (soil moisture and roughness) and vegetation data (biomass, LAI, etc.) were collected from 50 fields, of approximately 800 m x 800 m, each. In addition, the study benefits from in-situ data from permanent soil moisture stations of the Realtime In-situ Soil Monitoring for Agriculture (RISMA) network and from temporary stations. The satellite database is composed of radar data (Radarsat-2 and Sentinel-1) and multi-source optical data (Sentinel-2, Landsat-8, Rapideye, and Planetscope) in order to ensure a high temporal frequency (about seven days). Radar images were normalized to an incidence angle of 33° to reduce the angular dependence of the backscatter coefficients, followed by speckle reduction. The optical data provide vegetation information that facilitates the estimation of soil moisture from the radar data. The backscatter coefficient is extracted at the field and pixel scales using the pre-processed radar images. Then, the difference in backscatter coefficients is calculated between two consecutive acquisitions, for a given cell (i, j). The normalized difference vegetation index (NDVI) calculated from the multi-sensor optical images was harmonized to reduce the effect of different sensor parameters, at both scale levels. This index is also averaged between two consecutive acquisitions for a given cell (i, j). For the change detection method adopted in this study, we plotted, for each scale level, the difference in backscatter coefficients as a function of NDVI averaged between two consecutive acquisitions. Finally, the relationship obtained from this representation is used in an iterative approach to determine the soil moisture, both at the field and pixel scales, for the next acquisition date. To perform the iteration, the algorithm considers a known initial soil moisture input value. At the field scale, for the entire data set, we obtained an RMSE = 0.07 m3.m−3 and a significant correlation coefficient R = 0.7 (p-value < 0.05) between estimated and measured soil moisture. These results are very similar to those obtained for relatively high NDVI (NDVI > 0.6). However, for low vegetation conditions (NDVI < 0.6), the results are better with RMSE = 0.05 m3.m−3and R = 0.83. At the pixel scale, very poor results are obtained with an RMSE of 0.13 m3/m3, a low and insignificant correlation coefficient of 0.14 (p-value < 0.38) for NDVI below 0.6; and an RMSE of 0.14 m3/m3, a very low and insignificant correlation coefficient of 0.069 (p-value < 0.48) for NDVI above 0.6."]},{"key":"dc:title","label":"Title","values":["Combinaison de données optique et radar pour l’estimation de l’humidité du sol en milieu agricole"]}]}],"canonical_facts":{"dc:contributor.advisor":["Magagi, Ramata","Goïta, Kalifa"],"dc:creator":["Kane, Ramatoulaye"],"dc:date.accessioned":["2023-12-15T20:36:15Z"],"dc:date.available":["2023-12-15T20:36:15Z"],"dc:date.issued":["2023"],"dc:description.abstract":["L'humidité du sol est essentielle pour les surfaces agricoles. Des variations importantes d’'humidité du sol peuvent affecter grandement le rendement agricole. L'état hydrique du sol devient donc un facteur important pour la croissance des cultures. Les changements climatiques affectent la disponibilité de l'eau dans les couches du sol. Pour une meilleure gestion du stress hydrique ou de l'asphyxie des plantes, dus respectivement à un manque ou à un excès d'humidité du sol, la mise en œuvre de méthodes de surveillance de l'humidité du sol est nécessaire. Or, l'humidité du sol est très variable dans le temps et l'espace en raison de sa dépendance à plusieurs paramètres dont la texture du sol, les précipitations et la topographie. Par conséquent, la connaissance de la teneur en eau de surface du sol à une échelle spatiale et temporelle élevée présente un grand défi. Ainsi, l’objectif de cette étude est de contribuer à l’amélioration de l’estimation de l’humidité du sol sur les zones agricoles, et ce, en combinant les données satellites radar et optiques à l’aide d’une méthode de détection des changements. L'étude repose sur la complémentarité des données optiques et radar et porte sur l'application d’un algorithme existant sur un site présentant une variabilité suffisante en termes de types de cultures et de texture du sol. L’humidité du sol est estimée à deux niveaux d’échelle : à l’échelle du champ et à l’échelle du pixel (30 m). En outre, une étude est menée pour analyser les limites de l'algorithme. La zone d'étude est le site de l'expérience terrain Soil Moisture Active and Passive (SMAP) tenue au Manitoba en 2016 (SMAPVEX16-MB) en vue de supporter les activités de validation des produits du satellite SMAP. Au cours de cette campagne, les caractéristiques du sol (humidité du sol et rugosité) et les données de végétation (biomasse, LAI, etc.) ont été collectées dans 50 champs, d'environ 800 m x 800 m, chaque. De plus, l’étude bénéficie de données in situ issues de stations permanentes de mesures d’humidité du sol du réseau Realtime In-situ Soil Monitoring for Agriculture (RISMA) et de stations temporaires. La base de données satellitaires est constituée de données radar (Radarsat-2 et Sentinel-1) et de données optiques multi-sources (Sentinel-2, Landsat-8, Rapideye et, Planetscope) afin de garantir une fréquence temporelle élevée (environ sept jours). Les images radar ont été normalisées à un angle d'incidence de 33° pour réduire la dépendance angulaire des coefficients de rétrodiffusion, suivi d'une réduction du chatoiement. Les données optiques fournissent des informations sur la végétation dont la prise en compte facilite l'estimation de l'humidité du sol à partir des données radar. Le coefficient de rétrodiffusion est extrait à l'échelle du champ et du pixel en utilisant les images radar préalablement prétraitées. Ensuite, la différence des coefficients de rétrodiffusion est calculée entre deux acquisitions consécutives, pour une cellule donnée (i, j). L'indice de végétation par différence normalisée (NDVI) calculé à partir des images optiques multi capteurs a été harmonisé pour réduire l'effet des différents paramètres des capteurs, aux deux niveaux d'échelle. Cet indice est également moyenné entre deux acquisitions consécutives pour une cellule donnée (i, j). Pour la méthode de détection des changements adoptée dans cette étude, nous avons représenté, pour chaque niveau d'échelle, la différence des coefficients de rétrodiffusion en fonction du NDVI moyenné entre deux acquisitions consécutives. Enfin, la relation obtenue à partir de cette représentation est utilisée dans une approche itérative pour déterminer l'humidité du sol, à l’échelle du champ et à l’échelle du pixel, pour la prochaine date d'acquisition. Pour effectuer l'itération, l’algorithme considère une valeur d'entrée d'humidité initiale du sol connue. À l'échelle du champ, pour l’ensemble des données, nous avons obtenu un RMSE = 0,07 m^3.m^(-3) et un coefficient de corrélation significatif R = 0,7 (p-value < 0,05) entre l'humidité du sol estimée et mesurée. Ces résultats sont très proches de ceux obtenus pour des NDVI relativement élevés (NDVI > 0,6). Cependant, pour des conditions de faible végétation (NDVI < 0,6), les résultats sont meilleurs avec RMSE = 0,05 m3.m-3 et R = 0,83. À l'échelle du pixel, les résultats sont mauvais, avec un RMSE de 0,13 m3/m3, un coefficient de corrélation faible et non significatif de 0,14 (valeur p < 0,38) pour les NDVI inférieurs à 0,6; et un RMSE de 0,14 m3/m3, un coefficient de corrélation très faible et non significatif de 0,069 (valeur p < 0,48) pour les NDVI supérieurs à 0,6.","Soil moisture is critical to agricultural land. Variations in soil moisture (low or high) can greatly affect crop yields. Soil moisture status becomes a limiting factor for crop growth. Climate change affects the availability of water in the soil layers. For a better management of water stress or plant asphyxia, due respectively to a lack or an excess of soil moisture, the implementation of soil moisture monitoring methods is necessary. Soil moisture is highly variable in time and space due to its dependence on several parameters including soil texture, precipitation and topography. Therefore, knowledge of soil surface water content at a high spatial and temporal scale presents a great challenge. Thus, the objective of this study is to contribute to the improvement of soil moisture estimation over agricultural areas by combining radar and optical satellite data using a change detection method. The study is based on the complementarity of optical and radar data and focuses on the application of an existing algorithm on a site with sufficient variability in terms of crop types and soil texture. Soil moisture is estimated at two scales: field scale and pixel scale (30 m). In addition, a study is conducted to analyze the limitations of the algorithm. The study area is the site from the 2016 Soil Moisture Active and Passive (SMAP) mission soil moisture validation experiment conducted in Manitoba, Canada (SMAPVEX16-MB). During this campaign, soil characteristics (soil moisture and roughness) and vegetation data (biomass, LAI, etc.) were collected from 50 fields, of approximately 800 m x 800 m, each. In addition, the study benefits from in-situ data from permanent soil moisture stations of the Realtime In-situ Soil Monitoring for Agriculture (RISMA) network and from temporary stations. The satellite database is composed of radar data (Radarsat-2 and Sentinel-1) and multi-source optical data (Sentinel-2, Landsat-8, Rapideye, and Planetscope) in order to ensure a high temporal frequency (about seven days). Radar images were normalized to an incidence angle of 33° to reduce the angular dependence of the backscatter coefficients, followed by speckle reduction. The optical data provide vegetation information that facilitates the estimation of soil moisture from the radar data. The backscatter coefficient is extracted at the field and pixel scales using the pre-processed radar images. Then, the difference in backscatter coefficients is calculated between two consecutive acquisitions, for a given cell (i, j). The normalized difference vegetation index (NDVI) calculated from the multi-sensor optical images was harmonized to reduce the effect of different sensor parameters, at both scale levels. This index is also averaged between two consecutive acquisitions for a given cell (i, j). For the change detection method adopted in this study, we plotted, for each scale level, the difference in backscatter coefficients as a function of NDVI averaged between two consecutive acquisitions. Finally, the relationship obtained from this representation is used in an iterative approach to determine the soil moisture, both at the field and pixel scales, for the next acquisition date. To perform the iteration, the algorithm considers a known initial soil moisture input value. At the field scale, for the entire data set, we obtained an RMSE = 0.07 m3.m−3 and a significant correlation coefficient R = 0.7 (p-value < 0.05) between estimated and measured soil moisture. These results are very similar to those obtained for relatively high NDVI (NDVI > 0.6). However, for low vegetation conditions (NDVI < 0.6), the results are better with RMSE = 0.05 m3.m−3and R = 0.83. At the pixel scale, very poor results are obtained with an RMSE of 0.13 m3/m3, a low and insignificant correlation coefficient of 0.14 (p-value < 0.38) for NDVI below 0.6; and an RMSE of 0.14 m3/m3, a very low and insignificant correlation coefficient of 0.069 (p-value < 0.48) for NDVI above 0.6."],"dc:identifier.uri":["http://hdl.handle.net/11143/21300"],"dc:language.iso":["fr","en"],"dc:publisher":["Université de Sherbrooke"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-sa/2.5/ca/"],"dc:subject":["Combinaison optique-radar","Radarsat-2","Sentinel-1","Détection de changement","Approche itérative","Humidité du sol","Données in situ","NDVI","Coefficient de rétrodiffusion","Champs agricoles","Combined optical-radar","Change detection","Iterative approach","Soil moisture","In situ data","Backscatter coefficient","Agricultural fields"],"dc:title":["Combinaison de données optique et radar pour l’estimation de l’humidité du sol en milieu agricole"],"dc:type":["Mémoire de maîtrise"],"thesis:degree_discipline":["Géomatique appliquée"],"thesis:degree_level":["Maîtrise"],"thesis:degree_name":["M. Sc."],"thesis:institution_name":["Université de Sherbrooke"]},"updated_at":"2026-07-27T21:07:47Z"}