Comment les indices de végétation améliorent le suivi de la croissance du maïs

Le maïs est la céréale la plus produite au monde en volume, les États-Unis à eux seuls en cultivant sur une superficie considérable. environ 35 millions d'hectares et une production de 390 millions de tonnes métriques en 2023. Gérer une culture à cette échelle exige bien plus qu'une simple surveillance à pied. Les indices de végétation pour le suivi de la croissance du maïs — des formules mathématiques basées sur la réflexion et l'absorption de la lumière par le couvert végétal — sont devenus un pilier de la gestion moderne des cultures, car ils transforment les données spectrales en informations exploitables sur la santé des cultures. Ils le font rapidement, à grande échelle et sans toucher une seule feuille.

Grâce à la télédétection, désormais accessible par satellite, drone et capteurs portables, des données spectrales en temps réel alimentent ces indices à chaque étape de la croissance du maïs. Un agriculteur ou un agronome peut ainsi détecter une carence en azote au stade V6 avant le jaunissement des feuilles, repérer un déficit hydrique pendant la phase de remplissage des grains avant la baisse des rendements, ou encore optimiser l'application d'engrais à dose variable à l'aide de cartes de couvert végétal générées la semaine même où la culture a besoin d'être fertilisée.

Que sont les indices de végétation ? Comment ça marche ?

L'indice de végétation (IV) est une valeur quantitative sans dimension, calculée en combinant mathématiquement les valeurs de réflectance de deux bandes spectrales ou plus captées par un capteur. Il en résulte un nombre unique qui isole et amplifie des caractéristiques biologiques spécifiques d'un couvert végétal — telles que la concentration en chlorophylle, la surface foliaire ou la teneur en eau — tout en s'affranchissant des interférences du sol, de l'atmosphère et de l'ombrage.

La force d'un indice de végétation réside dans sa capacité à standardiser les mesures effectuées par différents capteurs, sur différents types de parcelles et à différentes dates. Plutôt que de comparer des valeurs de réflectance brutes qui varient selon les conditions d'éclairage, un indice de végétation fournit un ratio ou une différence plus stable et biologiquement pertinente. Il devient ainsi possible de comparer l'état du couvert végétal entre différentes parcelles, saisons et même plateformes satellitaires.

Les plantes absorbent certaines longueurs d'onde de la lumière pour la photosynthèse et en réfléchissent d'autres. La végétation verte et saine absorbe la majeure partie de la lumière rouge (autour de 660-680 nm) pour la photosynthèse grâce à la chlorophylle et réfléchit fortement la lumière proche infrarouge (NIR) en raison de sa structure cellulaire.

Un couvert végétal affaibli ou clairsemé absorbe moins de lumière rouge et en réfléchit davantage, et réfléchit moins de proche infrarouge. Les indices de végétation modélisent mathématiquement ce contraste afin de quantifier le degré de verdure, de densité et de santé d'un couvert végétal à un instant donné.

Bandes spectrales utilisées dans les indices de végétation

Les différentes bandes spectrales fournissent des informations diagnostiques distinctes sur la culture. Chaque bande cible un processus biologique différent, ce qui explique pourquoi les capteurs multibandes offrent des données plus riches que les simples caméras RVB. Les six bandes les plus pertinentes pour la surveillance du maïs sont :

• Rouge (620–700 nm) : Fortement absorbée par la chlorophylle. Une baisse de l'absorption du rouge signale une activité photosynthétique réduite, indiquant un stress, une carence en nutriments ou une sénescence précoce du couvert végétal.
• Vert (520–560 nm) : Les plantes réfléchissent davantage la lumière verte que la lumière rouge, ce qui explique leur couleur verte. La réflectance verte est corrélée à la concentration en chlorophylle et est utilisée dans des indices comme le GNDVI et le VARI.
• Bleu (450–490 nm) : Absorbé par les caroténoïdes et la chlorophylle. Principalement utilisé dans les indices basés sur le système RGB, tels que VARI, où seules les bandes visibles sont disponibles.
• Proche infrarouge (NIR, 750–900 nm) : Fortement réfléchie par le mésophylle spongieux des feuilles saines, la réflectance dans le proche infrarouge (NIR) est essentielle au calcul de l'indice NDVI, de l'indice EVI et de la plupart des indices à large bande. Un couvert de maïs dense et sain présente une réflectance NIR élevée.
• Bord rouge (700–740 nm) : Zone de transition entre l'absorption du rouge et la réflexion dans le proche infrarouge. La concentration en chlorophylle et le statut azoté influencent fortement cette bande, la rendant très sensible à la détection précoce des carences nutritionnelles avant même qu'elles ne soient visibles à l'œil nu.
• Infrarouge à ondes courtes (SWIR, 1 400–2 500 nm) : Absorbée par l'eau liquide contenue dans les tissus végétaux, l'eau est absorbée par les indices basés sur le SWIR. Ces indices mesurent la teneur en eau du couvert végétal et détectent le stress hydrique, ce qui les rend précieux pendant la phase de remplissage des grains, lorsque le déficit hydrique a un impact direct sur le rendement.

Pourquoi les indices de végétation sont importants pour le suivi de la croissance du maïs

1. Surveillance de la santé des cultures

La santé des cultures dépend de plusieurs facteurs interdépendants : la concentration en chlorophylle, l’indice de surface foliaire (ISF – le rapport entre la surface foliaire totale et la surface au sol), l’état hydrique des plantes et la température du couvert végétal. Aucune visite sur le terrain ne permet de les évaluer simultanément sur des centaines d’hectares.

Les indices de végétation permettent de condenser cette complexité en valeurs mesurables qui peuvent être suivies de manière répétée tout au long d'une saison de croissance afin de détecter le déclin avant qu'il ne se traduise par une perte de rendement.

Une étude publiée dans Agriculture En 2023, des chercheurs ont suivi trois hybrides de maïs en conditions de sécheresse et d'irrigation à l'aide de capteurs NDVI embarqués sur des drones. Ils ont analysé la santé du couvert végétal chaque semaine, de la levée à la maturité, et ont constaté des différences significatives de valeurs NDVI entre les parcelles irriguées et pluviales dès le stade V8, soit plusieurs semaines avant l'apparition de symptômes visibles de stress. Cette différenciation précoce permet une intervention opportune.

2. Mesure de la vigueur des plantes

La vigueur des plantes — leur taux de croissance global et l'accumulation de biomasse — prédit directement leur potentiel de rendement. Des indices comme le NDVI et l'EVI sont fortement corrélés à l'indice de surface foliaire (LAI) et à la biomasse sèche aérienne du maïs.

Le suivi de la vigueur aux stades végétatifs clés permet aux agronomes d'identifier les zones sous-performantes d'un champ et d'ajuster les intrants en conséquence, plutôt que d'appliquer une décision de gestion uniforme sur des terres spatialement variables.

3. Détecter le stress avant l'apparition des symptômes visuels

C’est peut-être là la capacité la plus précieuse, d’un point de vue commercial, des indices de végétation. Un plant de maïs souffrant d’une carence en azote, d’un stress hydrique ou d’une pression précoce de maladie présente d’abord des changements dans sa réflectance spectrale — en particulier dans les bandes du rouge lointain et du proche infrarouge — des jours, voire des semaines, avant que ses feuilles ne jaunissent, ne flétrissent ou ne présentent des lésions visibles.

Les indices basés sur la limite rouge, notamment le NDRE et le CI Red Edge, sont particulièrement sensibles au stress azoté subvisuel et à la réduction de la chlorophylle. Jang et al. (ScienceDirect, 2024) ont constaté que la combinaison de ces indices permettait de réduire significativement le stress oxydatif infraclinique. Indices NDVI, NDRE et GNDVI calculés par régression linéaire multiple Amélioration significative des performances de prévision des rendements du maïs par rapport à l'utilisation d'un seul indice.

Les producteurs qui s'appuient sur un seul indice passent à côté du pouvoir prédictif additionnel qu'offrent les approches multi-indices, notamment lors des phases de reproduction critiques.

4. Améliorer la prévision des rendements

Les indices de végétation relevés à des stades de croissance stratégiques, notamment autour de l'épiaison et de la floraison, sont de bons indicateurs du rendement final en grains. Une étude publiée dans Télédétection (2023) ont fusionné des données UAV multitemporelles, notamment NDVI, NDRE, SAVI et EVI, couvrant les stades végétatifs et reproductifs, et ont obtenu un modèle de prédiction du rendement du maïs avec un R² de 0,78 et une rRMSE de 8,27%, surpassant les modèles construits sur des données à une seule étape.

L'idée clé : l'utilisation de plusieurs indices à différents stades de croissance permet de saisir un éventail beaucoup plus large de facteurs déterminant le rendement qu'une simple mesure ponctuelle.

5. Soutenir l'agriculture de précision

L'agriculture de précision s'appuie sur des données de variabilité spatiale pour prescrire des intrants adaptés à chaque parcelle. Les cartes d'indices de végétation, produites à partir d'images de drones ou de satellites, révèlent la variabilité intra-parcellaire des performances des cultures, variabilité que les mesures moyennes sur le terrain masquent.

Ces cartes alimentent directement les systèmes d'application à taux variable, permettant aux agriculteurs d'appliquer plus d'engrais là où la culture en a besoin et moins là où elle n'en a pas besoin, réduisant ainsi simultanément les coûts et l'impact environnemental.

Stades de croissance du maïs où les indices de végétation sont les plus utiles

“ L’indice approprié au bon stade de croissance permet d’obtenir des informations sur les cultures qu’une surveillance généralisée ne peut tout simplement pas fournir – et le moment de cette collecte de données est aussi important que l’indice choisi. ”

1. Phase d'émergence

Au stade de la levée, la couverture végétale est clairsemée et le sol domine l'image. L'indice NDVI standard est peu performant car le bruit de fond du sol masque le faible signal de la canopée. Les indices ajustés au sol, tels que le SAVI et le MSAVI, sont les outils appropriés durant cette phase.

Ils appliquent un facteur de correction pour réduire l'influence du sol exposé sur la valeur de l'indice, permettant ainsi des mesures significatives de la densité des plantes et de l'uniformité de l'établissement précoce.

2. Croissance végétative (stades V)

Du stade V3 au stade V12, le couvert végétal du maïs se développe rapidement. C'est la période la plus critique pour la gestion de l'azote, car les besoins de la culture en azote augmentent fortement.

Les indices NDRE et CI Green sont les plus réactifs durant cette période, car la bande rouge limite détecte de subtiles baisses de chlorophylle avant que le signal global de l'indice NDVI ne subisse des variations. Les vols de drones aux niveaux V6 et V10, synchronisés avec les décisions d'épandage d'azote en couverture, offrent le meilleur retour sur investissement en données.

3. Pomponnage et soyage

La floraison (VT) et l'apparition des soies (R1) sont les stades les plus sensibles au rendement dans tout le cycle de vie du maïs. La fermeture du couvert végétal est presque complète à ce stade, ce qui signifie que les indices NDVI et EVI peuvent désormais mesurer l'ensemble du couvert sans interférence du sol.

Les deux indices atteignent leur maximum autour de VT chez les cultures saines. Tout plateau ou baisse précoce des valeurs de ces indices à ce stade est un indicateur fiable de stress qui se traduira par l'avortement des grains et une perte de rendement.

4. Garniture de céréales

Durant la phase de remplissage des grains (R3–R5), la gestion se concentre principalement sur le stress hydrique et les maladies. L'indice NDWI (Normalized Difference Water Index, calculé à partir des bandes NIR et SWIR) et les indices thermiques complètent les outils standards durant cette phase en détectant les réductions de la teneur en eau du couvert végétal qui précèdent le flétrissement visible.

Les valeurs de l'indice NDVI commencent à diminuer naturellement à mesure que la culture mûrit ; l'interprétation des trajectoires de l'indice nécessite donc une comparaison avec le modèle saisonnier attendu pour l'hybride cultivé.

5. Maturité

À maturité physiologique (R6), tous les principaux indices de végétation diminuent à mesure que le couvert végétal sénescent et que la chlorophylle se dégrade. Les données d'indices à maturité sont principalement utilisées pour des analyses rétrospectives : la corrélation des trajectoires saisonnières des indices de végétation avec les données de rendement réelles à la récolte permet de valider les modèles de prédiction et d'améliorer les références pour les saisons suivantes. L'analyse chronologique des courbes d'indices, de la levée à la maturité, fournit la base de données la plus riche pour l'élaboration de modèles de rendement spécifiques à chaque parcelle.

Indices de végétation courants utilisés pour le suivi de la croissance du maïs

1. NDVI (Indice de végétation par différence normalisée)

L'indice NDVI est l'indice de végétation le plus utilisé en agriculture. Il mesure le contraste entre la réflectance dans le proche infrarouge et dans le rouge et se calcule comme suit :

NDVI = (NIR − Rouge) / (NIR + Rouge)

L'indice NDVI varie de −1 à +1. Un couvert végétal de maïs sain et dense présente généralement un NDVI compris entre 0,7 et 0,9 à son maximum de verdure. Ses principales applications incluent le suivi du développement du couvert végétal du stade V6 à la floraison, l'identification des zones de culture moins performantes et la corrélation avec l'indice de surface foliaire (LAI) et la biomasse aérienne.

La principale limitation de l'indice NDVI est la saturation dans les canopées denses : une fois que l'indice LAI dépasse environ 3 m²/m², la surface foliaire supplémentaire produit des changements décroissants dans le signal NDVI, réduisant la sensibilité au niveau maximal de la canopée.

Une étude de 2024 publiée dans Agriculture (MDPI), utilisant la surveillance de l'indice NDVI par drone sur deux saisons de croissance en Hongrie, a constaté que La corrélation la plus forte entre l'indice NDVI et le rendement a été observée au stade post-floraison. (R = 0,638 en 2023 et R = 0,634 en 2024), confirmant la fiabilité du NDVI en tant qu'indicateur de rendement en cours de saison à cette fenêtre de croissance spécifique.

2. GNDVI (Indice NDVI vert)

L'indice GNDVI remplace la bande rouge par la bande verte : GNDVI = (NIR − Vert) / (NIR + Vert). Le canal vert est plus sensible à la concentration de chlorophylle que le canal rouge, ce qui rend le GNDVI plus performant pour détecter les variations modérées de chlorophylle dans les canopées matures et denses où le NDVI a atteint la saturation.

Son application principale chez le maïs est l'évaluation du statut azoté au cours des stades végétatifs et reproductifs moyens. Recherche publiée dans ScienceDirect (2024) ont confirmé que le GNDVI, lorsqu'il est combiné avec le NDRE dans des modèles de régression multi-indices, améliore considérablement la précision de la prédiction du rendement du maïs, en particulier aux stades de pré-floraison.

3. EVI (Indice de végétation amélioré)

L'EVI améliore le NDVI en intégrant la bande bleue et en appliquant des coefficients de correction atmosphérique : EVI = 2,5 × [(NIR − Rouge) / (NIR + 6 × Rouge − 7,5 × Bleu + 1)]. Cette formule réduit simultanément le bruit atmosphérique et les interférences du fond du sol, rendant l'EVI plus sensible que le NDVI dans des conditions de canopée dense où le NDVI sature.

L'EVI est l'indice de référence pour le suivi de la structure du couvert végétal du maïs, de l'épiaison jusqu'au début du remplissage des grains, lorsque la couverture végétale est quasi complète. Indice fondamental des produits satellitaires MODIS, il est largement utilisé pour la surveillance du maïs à l'échelle régionale.

Une étude sur Agriculture (2024) utilisant les données MODIS MOD09A1 sur la province de Jilin, en Chine, ont constaté que La combinaison de plusieurs indices de végétation, dont l'EVI, avec un modèle de forme a considérablement amélioré la précision de la détection des stades phénologiques. sur l'ensemble des principales périodes de croissance du maïs par rapport aux approches à indice unique.

Pour la surveillance des cultures à grande échelle à l'échelle régionale, la fusion de l'EVI avec d'autres indices dans des modèles de séries chronologiques offre un suivi phénologique plus fiable que n'importe quel indice pris individuellement.

4. SAVI (Indice de végétation ajusté au sol)

SAVI introduit un facteur de correction de la luminosité du sol (L) dans la formule NDVI : SAVI = [(NIR − Rouge) / (NIR + Rouge + L)] × (1 + L), où L = 0,5 pour des conditions de sol typiques. En atténuant la contribution de la réflectance du sol nu, SAVI produit des mesures de canopée plus précises aux premiers stades de croissance du maïs lorsque la couverture du sol est inférieure à 50%. C'est la méthode de référence pour le suivi de l'implantation, de l'homogénéité du peuplement et de la vigueur en début de saison, de la levée jusqu'au stade V4.

5. NDRE (Différence normalisée du bord rouge)

NDRE utilise les bandes du rouge lointain et du proche infrarouge : NDRE = (NIR − Bord rouge) / (NIR + Bord rouge). La bande rouge périphérique se situe dans une région spectrale où de petites variations de la concentration en chlorophylle produisent d'importantes variations de réflectance, ce qui rend l'indice NDRE plus sensible que l'indice NDVI aux variations de chlorophylle induites par l'azote.

Une étude publiée dans Capteurs (2024) L'utilisation de la photogrammétrie par drone dans une station de recherche du LSU AgCenter a permis de constater que L'estimation du rendement en grains de maïs (NDRE) 87 jours après la plantation a permis de prédire ce rendement avec un coefficient de détermination (R²) de 0,9097., une relation exceptionnellement forte qui souligne la valeur de NDRE pour la gestion de l'azote en fin de saison et la prévision des rendements.

6. MSAVI (Indice de végétation ajusté au sol modifié)

MSAVI améliore SAVI en rendant le facteur L dynamique plutôt que fixe, ce qui lui permet de s'adapter automatiquement au degré de couverture végétale : MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Rouge))] / 2.

Cette auto-ajustement rend l'indice MSAVI plus précis que l'indice SAVI pour l'ensemble du développement du couvert végétal, depuis la levée en sol nu jusqu'à la couverture complète à l'épiaison. Il ne nécessite aucune hypothèse sur la luminosité du sol, ce qui le rend plus facilement applicable à différentes conditions de terrain et types de sols.

7. VARI (Indice de résistance atmosphérique visible)

VARI utilise uniquement des bandes visibles (rouge, vert, bleu) : VARI = (Vert − Rouge) / (Vert + Rouge − Bleu). Son intérêt réside dans sa capacité à être calculé à partir de caméras RGB standard — le type de caméra embarquée par la plupart des drones commerciaux à faible coût.

Bien que VARI ne possède pas la sensibilité à l'azote et à la biomasse des indices multispectraux, il fournit une première évaluation utilisable de la verdure du couvert végétal, le rendant accessible aux agriculteurs qui ne disposent pas encore de capteurs multispectraux.

Recherche publiée dans ScienceDirect (2025) ont confirmé que VARI était l'une des entrées VI utiles dans les modèles d'apprentissage automatique pour la prédiction du rendement du maïs dans divers environnements de culture.

8. OSAVI (Indice de végétation ajusté au sol optimisé)

OSAVI est une version simplifiée de SAVI avec une valeur L fixe de 0,16, optimisée pour les conditions de couverture végétale partielle : OSAVI = (NIR − Rouge) / (NIR + Rouge + 0,16).

Cette valeur L spécifique a été déterminée empiriquement afin de minimiser les effets du fond du sol pour une large gamme de densités de végétation. OSAVI offre de bonnes performances de la version 2 à la version 6, comblant l'écart entre l'utilité de SAVI en début de saison et la précision de NDVI en pleine saison.

9. Vert CI (Indice de Chlorophylle Vert)

CI Green estime la teneur en chlorophylle directement à partir de la réflectance : CI Vert = (NIR / Vert) − 1. La chlorophylle étant le principal pigment de stockage de l'azote dans les feuilles, CI Green suit l'état de l'azote du couvert végétal sans nécessiter la bande rouge périphérique.

Cela le rend précieux lorsqu'une seule bande verte standard est disponible, comme celle des images Sentinel-2, et il fonctionne de manière fiable du stade V6 jusqu'à la floraison pour les décisions de gestion de l'azote en milieu de saison.

10. CI Bord Rouge (Indice de Chlorophylle Bord Rouge)

CI Red Edge remplace la bande verte par une bande rouge : CI Bord rouge = (NIR / Bord rouge) − 1. Cette substitution le rend nettement plus sensible aux variations de chlorophylle que l'indice CI Green, notamment aux stades végétatifs moyens et tardifs, lorsque le couvert végétal est suffisamment dense pour que le signal de la bande verte commence à saturer. L'indice CI Red Edge est l'un des plus performants pour détecter les gradients d'azote subtils dans les différentes zones de gestion des cultures de maïs.

Comparaison des indices de végétation pour le suivi du maïs

1. Meilleur indice pour la croissance précoce

Les indices SAVI et MSAVI surpassent systématiquement les indices NDVI et EVI au début du développement du maïs (de la levée au stade V4) car ils réduisent le bruit de fond du sol qui, autrement, dominerait le signal de l'indice lorsque la couverture végétale est inférieure à 40%. L'indice OSAVI constitue une option intermédiaire utile lorsque les conditions du sol sont variables au sein d'une même parcelle.

2. Meilleur indice pour la détection de l'azote

L'indice NDRE et l'indice CI Red Edge sont les plus performants pour détecter une carence en azote chez le maïs. Ils exploitent tous deux la grande sensibilité de la bande rouge du spectre à la concentration en chlorophylle. Aux stades V6 à V10 – période critique pour les décisions d'apport d'azote – ces indices détectent la carence 7 à 14 jours avant que l'indice NDVI ne présente une réponse mesurable, offrant ainsi un délai important pour la mise en œuvre de mesures correctives.

3. Meilleur indice pour l'estimation de la biomasse

L'indice NDVI et l'indice EVI sont les plus validés pour l'estimation de la biomasse sèche aérienne du maïs. Des recherches utilisant l'imagerie multispectrale par drone combinée aux caractéristiques de texture dans PMC (2023) ont constaté que les indices de végétation basés sur les bandes rouge (650 nm), rouge-bord (705 nm) et NIR (842 nm) présentaient les corrélations les plus élevées avec le LAI — un proxy étroitement lié à l'accumulation de biomasse pendant la période végétative.

4. Meilleur indice pour les canopées denses

L'indice EVI est privilégié lorsque le couvert végétal du maïs est complètement fermé, généralement de la floraison mâle jusqu'au début du remplissage des grains. Alors que l'indice NDVI sature au-delà d'un LAI d'environ 3, l'indice EVI continue de réagir aux variations de surface foliaire et de chlorophylle, car ses corrections atmosphériques et pédologiques empêchent la saturation du signal à des niveaux de biomasse élevés.

5. Meilleur indice de stress hydrique

L'indice NDWI (indice d'eau basé sur les spectres NIR et SWIR) et l'indice NDVI, utilisés conjointement, constituent la combinaison la plus efficace pour la détection du stress hydrique chez le maïs. Le NDWI suit directement les variations de la teneur en eau des tissus, tandis que le NDVI capture l'effet secondaire du stress hydrique sur la verdure du couvert végétal. Les capteurs multispectraux intégrant la technologie SWIR apportent une valeur ajoutée considérable, bien qu'ils restent plus coûteux que les systèmes multispectraux standard à cinq bandes.

Applications des indices de végétation dans la production de maïs

Un indice de végétation n'est utile que dans la mesure où il permet de prendre une décision ; l'objectif est toujours de convertir les données spectrales en une action concrète sur le terrain qui améliore le rendement, réduit les coûts, ou les deux.

1. Estimation de la biomasse

Les valeurs NDVI et EVI sont fortement corrélées à la biomasse sèche aérienne tout au long de la période végétative du maïs. Des vols de drones ou des survols de satellites répétés à intervalles de deux semaines permettent de générer des courbes d'accumulation de biomasse qui indiquent si une parcelle se rapproche de son potentiel de rendement ou s'il accuse un retard par rapport à la trajectoire de croissance prévue pour une saison donnée.

2. Mesure de la chlorophylle

CI Green et CI Red Edge fournissent des estimations non destructives de la teneur en chlorophylle au niveau du couvert végétal, permettant de suivre la capacité photosynthétique de la culture. Recherche publiée dans PMC (2024) L'utilisation de l'estimation SPAD (lecture du chlorophylle) par drone sur le maïs a confirmé que l'indice modifié du rapport de bord rouge atteignait un R² de 0,87 pour prédire la teneur en chlorophylle des feuilles au stade de croissance intermédiaire, démontrant ainsi la précision pratique que les indices de bord rouge offrent pour cette application.

3. Évaluation du statut azoté

L’azote est l’élément nutritif qui limite le plus directement le rendement du maïs, et sa disponibilité fluctue tout au long de la saison en fonction des besoins de la culture. Une étude de 2025 publiée dans Frontières de la science végétale Ils ont intégré des images du satellite Sentinel-2A, des données multispectrales de drones et des observations au sol sur quatre stades de croissance du maïs en 2024 et ont développé un nouveau modèle d'inversion de la teneur en azote à l'échelle régionale utilisant plusieurs indices de végétation combinés à une correction de bande.

Le cadre a atteint une précision de validation élevée sur 48 points d'échantillonnage indépendants, démontrant comment la fusion satellite-UAV étend l'évolutivité de la gestion de l'azote basée sur l'IV au-delà des champs individuels pour atteindre les échelles de l'exploitation et de la région.

4. Détection du stress hydrique

Chez le maïs, le stress hydrique réduit d'abord la conductance stomatique, puis la teneur en eau des feuilles, et enfin la biomasse verte — trois processus qui affectent successivement différentes bandes spectrales. Les premiers signes de stress hydrique sont visibles dans les données de la bande thermique et les indices basés sur l'infrarouge à ondes courtes (SWIR) avant même la diminution de l'indice NDVI.

Le suivi combiné des indices NDWI et NDVI tout au long de la période de remplissage des grains — lorsque le stress hydrique a le plus grand impact sur le rendement — permet de baser la planification de l'irrigation sur les besoins réels des cultures plutôt que sur des règles calendaires.

5. Surveillance des maladies

Les maladies fongiques comme la brûlure des feuilles du maïs et la tache grise modifient la signature spectrale des feuilles infectées avant même que des lésions importantes ne soient visibles à l'œil nu. Les tissus infectés présentent une chute caractéristique de la réflectance dans le proche infrarouge et un décalage de la position du bord rouge.

La surveillance multi-temporelle de l'indice de végétation permet la détection d'anomalies spectrales localisées indiquant une pression pathogène émergente, permettant une application ciblée de fongicides plutôt qu'une pulvérisation à l'échelle du champ.

6. Détection des dommages causés par les ravageurs

La défoliation causée par l'alimentation des ravageurs réduit l'indice de surface foliaire (LAI), ce qui diminue directement les valeurs de NDVI et d'EVI dans les zones touchées. Les infestations de légionnaires d'automne, par exemple, créent des schémas spatiaux caractéristiques de diminution des indices, détectables par imagerie drone avant que l'infestation ne se propage aux parcelles voisines.

Les vols de drones à haute résolution (distance d'échantillonnage au sol inférieure à 5 cm) fournissent les détails spatiaux nécessaires pour distinguer les dommages causés par les insectes des autres causes de variation de la canopée.

7. Estimation du rendement

Les valeurs de l'indice de végétation mesurées à des stades de croissance critiques spécifiques — notamment V12, VT et R3 — sont des indicateurs fiables du rendement final en grains lorsqu'elles sont combinées aux cartes de rendement historiques et aux données météorologiques. Les approches de fusion multi-indices surpassent systématiquement les modèles à indice unique.

La combinaison des indices GNDVI, NDRE et SCCCI (Simplified Canopy Chlorophyll Content Index) autour de la période pré-floraison a démontré une précision particulièrement élevée dans les prévisions de rendement du maïs, comme l'ont montré des études publiées à partir de [référence manquante]. ScienceDirect (2026).

Des recherches menées sur deux saisons de croissance en Hongrie ont révélé des coefficients de corrélation de 0,638 et 0,634 entre l'indice NDVI après la floraison et le rendement final en grains. Les modèles multi-indices intégrant les indices NDRE et GNDVI permettent d'améliorer encore la précision des prédictions.

8. Application d'engrais à dose variable

Les cartes de canopée basées sur l'indice de végétation (IV) et générées à partir de vols de drones servent directement à élaborer des cartes de prescription pour les épandeurs d'azote à dose variable. Les parcelles sont divisées en zones de gestion selon les valeurs de l'indice, et chaque zone reçoit une dose d'azote adaptée aux besoins spécifiques de sa culture.

La télédétection et la technologie à taux variable ont permis de représenter ensemble 58% de parts de marché des technologies d'agriculture de précision en 2025 (Precedence Research, 2026), ce qui témoigne de l'importance que ce processus a prise dans la production commerciale de maïs.

Une étude de 2025 sur Agriculture (MDPI) a constaté que des doses modérées d'azote 120–180 kg ha⁻¹ a fourni le niveau nutritionnel optimal pour le maïs, augmentant le rendement jusqu'à 5,086 t ha⁻¹ par rapport aux témoins non fertilisés, la surveillance basée sur l'indice NDVI s'est avérée efficace non seulement pour l'optimisation du rendement, mais aussi spécifiquement pour orienter les stratégies de fertilisation spécifiques au site.

La gestion de l'azote basée sur l'indice NDVI au stade post-floraison (lorsque la corrélation VI-rendement atteint son maximum) peut remplacer les approches traditionnelles de fertilisation basées uniquement sur l'analyse du sol et améliorer considérablement l'efficacité des intrants et le rendement en grains.

Plateformes utilisées pour collecter les données d'indice de végétation

1. Imagerie satellite

Des satellites comme Sentinel-2 (résolution de 10 m, revisite tous les 5 jours) et les satellites Planet Labs (résolution de 3 m, revisite quotidienne) fournissent des données spectrales cohérentes, dans les limites des conditions météorologiques, sur de vastes zones à un faible coût par hectare.

L'inclusion par Sentinel-2 des bandes spectrales du rouge lointain (B5, B6 et B7 à 705, 740 et 783 nm) le rend particulièrement précieux pour les calculs NDRE et CI du rouge lointain dans le cadre des programmes régionaux de surveillance du maïs. Sa principale limite réside dans la couverture nuageuse : une période nuageuse durant une phase critique de croissance peut engendrer des lacunes dans les données et interrompre le suivi temporel.

2. Télédétection par drone

Les drones à voilure fixe et multirotors équipés de caméras multispectrales fournissent des images à l'échelle du champ avec une résolution de 2 à 10 cm par pixel. Ce niveau de détail permet de distinguer les rangs de plantes individuels et de mesurer les variations de santé du couvert végétal au sein d'un même rang.

Les relevés par drone peuvent être programmés à la demande, indépendamment du moment du passage des satellites, ce qui les rend idéaux pour la collecte de données à des points de décision agronomiques précis, tels que l'application d'azote en couverture ou les fenêtres de planification de l'irrigation.

3. Caméras multispectrales pour drones

Les caméras multispectrales telles que la MicaSense RedEdge, la Parrot Sequoia et la DJI Zenmuse P1 capturent simultanément des images dans cinq bandes spectrales étroites ou plus, notamment le rouge, le vert, le bleu, le rouge lointain et le proche infrarouge.

Ces systèmes comprennent un panneau de réflectance calibré et un capteur d'ensoleillement pour normaliser les données en fonction des variations de luminosité pendant un vol, ce qui est essentiel pour produire des valeurs d'indice précises et reproductibles plutôt que des comparaisons relatives.

4. Capteurs de culture portables

Les capteurs optiques actifs comme le GreenSeeker et le CropCircle émettent leur propre source lumineuse et mesurent la réflectance des plantes individuelles à courte distance, éliminant ainsi l'effet de la lumière solaire variable.

Ces capteurs permettent une évaluation rapide et in situ de la teneur en azote à des points d'échantillonnage précis. Leurs données complètent les images de drones et de satellites en fournissant des mesures de terrain qui valident les valeurs des indices de télédétection à des emplacements connus.

5. Capteurs montés sur tracteur

Les capteurs actifs montés sur tracteur, tels que le John Deere Hagie et le Trimble GreenSeeker RT, analysent en continu le couvert végétal du maïs pendant le déplacement du tracteur dans le champ et transmettent en temps réel les données NDVI à un régulateur de dose variable. Ce système en boucle fermée permet d'ajuster la dose d'engrais en temps réel, en fonction de l'état de la culture, sans étape de traitement supplémentaire entre la mesure et l'application.

Facteurs affectant la précision de l'indice de végétation dans les champs de maïs

1. Contexte du sol

Le sol nu possède sa propre signature spectrale qui se mélange au signal du couvert végétal, notamment lorsque la couverture est inférieure à 50%. Les indices ajustés au sol (SAVI, MSAVI, OSAVI) sont conçus pour minimiser cet effet, mais la couleur, l'humidité et la teneur en matière organique du sol influencent toujours les valeurs des indices sur les images de début de saison. L'étalonnage des seuils d'indice pour les différents types de sols d'une région améliore la précision de l'interprétation.

2. Couverture nuageuse

Les nuages bloquent le rayonnement solaire et provoquent des ombres variables au sol, ce qui rend les mesures de réflectance peu fiables pour les capteurs passifs embarqués sur les satellites et les drones.

Les capteurs actifs sont insensibles à la couverture nuageuse car ils produisent leur propre éclairage. La couverture nuageuse est le principal facteur limitant l'utilité de la surveillance de l'indice de végétation par satellite dans les régions à forte nébulosité durant la saison de croissance.

3. Angle du soleil

L'angle bas du soleil augmente la fraction d'ombre sous la canopée, ce qui diminue artificiellement la réflectance NIR et fausse les valeurs de l'indice. Les vols de drones effectués entre 10 h et 14 h, heure solaire locale, minimisent les effets d'ombre et produisent des données plus cohérentes. La constance des horaires de vol lors de relevés répétés est aussi importante que l'heure exacte, car elle permet une comparaison pertinente entre les dates.

4. Densité des cultures

La densité de peuplement influe directement sur la fermeture du couvert végétal et, par conséquent, sur la vitesse à laquelle les valeurs de l'indice de végétation (IV) augmentent entre la plantation et la fermeture complète du couvert. Les parcelles à faible densité de peuplement présentent une fermeture du couvert plus tardive, ce qui prolonge la période durant laquelle le fond du sol perturbe les mesures de l'indice. Les cartes de densité de peuplement obtenues à partir d'images de levée permettent d'ajuster les seuils de l'IV en fonction des variations locales de densité.

5. Stade de croissance

Une même valeur d'indice de végétation (VI) peut avoir des significations différentes selon les stades de croissance. Un NDVI de 0,5 au stade V6 peut indiquer une canopée saine et bien développée, tandis qu'un NDVI de 0,5 au stade VT signalerait un stress important.

L'interprétation des valeurs de l'indice de végétation sans tenir compte du stade de croissance conduit à une classification erronée de l'état de la culture. L'analyse des séries chronologiques, qui compare les valeurs actuelles aux courbes saisonnières attendues, corrige ce problème en replaçant chaque mesure dans le contexte de la trajectoire de développement de la culture.

6. Résolution du capteur

Les capteurs à résolution plus grossière mélangent les signaux spectraux des cultures, du sol et des bordures de champ au sein d'un seul pixel — un problème appelé “ pixels mixtes ”. À la résolution de 10 m de Sentinel-2, un seul pixel couvre 100 m² de terrain, ce qui inclut souvent plusieurs rangs de cultures et le sol entre les rangs.

L'imagerie par drone à plus haute résolution (5 cm par pixel) élimine les pixels mixtes et fournit un signal spectral de la canopée beaucoup plus pur, au prix d'un volume de données et d'un temps de traitement accrus.

Limites des indices de végétation pour le suivi du maïs

1. Saturation dans les couverts denses

L'indice NDVI, le plus utilisé, atteint un seuil de saturation pour des valeurs d'indice de surface foliaire (LAI) supérieures à environ 3 m²/m², valeur généralement atteinte par le maïs au stade V10. Au-delà de ce seuil, toute augmentation supplémentaire de la verdure du couvert végétal ou de la biomasse n'entraîne que des variations négligeables de l'indice NDVI. Les indices EVI, GNDVI et NDRE visent à pallier cette limitation, mais nécessitent davantage de bandes spectrales que l'indice NDVI et ne sont pas toujours disponibles avec les capteurs les moins coûteux.

2. Dépendance aux conditions météorologiques

Les systèmes de télédétection passive dépendent d'un ensoleillement constant. La couverture nuageuse, la brume et les aérosols atmosphériques absorbent et diffusent le rayonnement solaire incident avant qu'il n'atteigne la culture, puis à nouveau lors de son retour vers le capteur, ce qui fausse les valeurs de réflectance.

Les algorithmes de correction atmosphérique appliqués lors du traitement des données atténuent cet effet, sans toutefois l'éliminer complètement. Dans les régions tropicales de production de maïs connaissant de longues saisons nuageuses, les lacunes dans les données peuvent être suffisamment fréquentes pour compromettre le suivi des séries temporelles.

3. Pixels mixtes

À basse résolution spatiale, les pixels captent des signaux provenant à la fois du couvert végétal et du sol, des routes, du matériel d'irrigation ou des bordures de champ. La réflectance résultante de ces pixels mixtes produit des valeurs d'indice qui ne représentent pas uniquement le couvert végétal. Le masquage des limites de champ et l'utilisation du capteur offrant la plus haute résolution spatiale possible sont des pratiques courantes pour minimiser cette erreur.

4. Exigences d'étalonnage

L'obtention de valeurs d'indice précises et reproductibles nécessite un étalonnage radiométrique du capteur, une correction des effets atmosphériques et une normalisation pour tenir compte des variations d'éclairage lors des vols de drones. Omettre ces étapes produit des cartes d'indice de végétation relatives qui ne sont pas comparables entre les dates ou les parcelles, ce qui limite leur utilité pour le suivi temporel et l'évaluation comparative multi-parcelles.

5. Nécessité d'une validation sur le terrain

Les indices de végétation sont des mesures indirectes. Ils estiment les propriétés des cultures (chlorophylle, azote, biomasse) en corrélant les profils spectraux avec des variables biologiques plutôt qu'en les mesurant directement.

Chaque évaluation des cultures basée sur l'indice de végétation bénéficie d'une validation sur le terrain : mesures physiques de l'azote foliaire, relevés de chlorophylle ou prélèvements de biomasse destructifs effectués sur un sous-ensemble représentatif de sites répartis dans la parcelle. Ces données de terrain permettent d'ancrer l'interprétation des données de télédétection et d'éviter les erreurs de diagnostic.

Meilleures pratiques d'utilisation des indices de végétation dans les champs de maïs

1. Choisir le bon indice

Le choix de l'indice doit être adapté à l'objectif du suivi et au capteur disponible. Pour l'évaluation de l'azote, privilégiez NDRE ou CI Red Edge si une bande spectrale rouge est disponible. Pour l'évaluation du peuplement en début de saison, utilisez SAVI ou MSAVI.

Pour le suivi du couvert végétal et la prévision des rendements en pleine saison, utilisez l'EVI ou le NDVI combinés au GNDVI ou au NDRE. Évitez d'utiliser le NDVI seul en début de saison ou en cas de forte densité de couvert végétal ; ses limites dans ces deux situations sont bien établies.

2. Choisir le bon stade de croissance

Le calendrier de collecte des données, adapté aux points de décision agronomiques, optimise la valeur de gestion des données de l'indice de végétation. Un programme de suivi pratique pour le maïs comprendrait :

1. V2–V4 (contrôle de l’émergence) : Utilisez SAVI ou MSAVI pour évaluer l’uniformité du peuplement et identifier les zones de replantation.
2. V6 (décision concernant l'apport d'azote en surface) : Utilisez NDRE ou CI Red Edge pour cartographier l'état de l'azote et générer une prescription à taux variable.
3. V10–V12 (fermeture de la canopée) : Utilisez le NDVI et l'EVI pour évaluer la biomasse et signaler les zones de gestion sous-performantes.
4. VT (tasseling) : Utilisez le NDVI et le GNDVI pour évaluer le pic de la canopée et identifier les zones à risque de stress pendant la pollinisation.
5. R3 (stade laitier) : Utiliser le NDVI et le NDWI pour détecter le stress hydrique et évaluer la progression du remplissage des grains.
6. R6 (maturité) : Utiliser les données d'indice pour corréler la trajectoire saisonnière de l'indice VI avec le rendement de la récolte pour l'étalonnage du modèle.

3. Combinaison de plusieurs indices

Aucun indice ne permet à lui seul de saisir toute la complexité de l'état des cultures de maïs. La combinaison de deux indices ou plus, ciblant différents signaux biologiques, permet d'obtenir des cartes diagnostiques plus complètes. L'association de l'indice NDRE (état azoté), de l'indice NDVI (biomasse totale) et de l'indice NDWI (teneur en eau) couvre les trois principaux facteurs limitants de la production de maïs. La fusion de plusieurs indices au sein de modèles d'apprentissage automatique offre une précision de prédiction du rendement nettement supérieure à celle de toute approche basée sur un seul indice.

4. Intégration des observations au sol

Les cartes d'indice de végétation (IV) doivent toujours être interprétées en complément des observations de terrain. Lorsqu'une anomalie d'IV apparaît sur une carte obtenue par drone, une visite sur le terrain permet de confirmer si le signal spectral reflète un réel problème agronomique (carence en azote, compaction, engorgement, dégâts causés par les ravageurs) ou un artefact dû au bruit du capteur, à l'ombre ou à la variabilité du sol. Les observations au sol fournissent également les données d'apprentissage nécessaires au calibrage des seuils d'IV locaux pour des hybrides, des sols et des systèmes de gestion spécifiques.

5. Utilisation de l'analyse des séries chronologiques

Une image unique de l'indice de végétation (IV) est un instantané. Une série d'images, de l'émergence à la maturité, raconte une histoire. La représentation graphique des valeurs de l'indice au fil du temps révèle des trajectoires de croissance qui permettent d'identifier les épisodes de stress : date, intensité et durée. Ces données chronologiques permettent également de comparer la saison actuelle aux données historiques, offrant ainsi un contexte qu'une image prise à une date unique ne peut fournir.

Tendances futures du suivi de la croissance du maïs

1. Intelligence artificielle

Les algorithmes d'intelligence artificielle sont de plus en plus utilisés pour analyser les données d'indices de végétation et automatiser les tâches d'interprétation qui nécessitent actuellement l'expertise d'un agronome. Les modèles d'apprentissage profond, entraînés sur de vastes ensembles de données d'indices de végétation, peuvent classifier en quelques secondes le type de stress, sa gravité et son étendue spatiale à partir d'images multispectrales, signalant ainsi les zones nécessitant une intervention pour examen par un agronome, évitant ainsi une analyse manuelle complète de chaque image.

Le marché de l'IA dans l'agriculture était évalué à Ce marché s'élevait à 2,1 milliards de dollars en 2023 et devrait croître à un TCAC de plus de 241 000 milliards de dollars jusqu'en 2032. (GMI, 2025), ce qui témoigne de la rapidité avec laquelle cette capacité est commercialisée.

2. Modèles d'apprentissage automatique

Les méthodes Random Forest, XGBoost et les réseaux neuronaux convolutifs (CNN) appliqués à des ensembles de données multi-index et multi-temporels surpassent systématiquement les modèles VI traditionnels basés sur la régression.

Des recherches utilisant GBM (Gradient Boosting Machines) pour la prédiction du rendement du maïs ont été réalisées. Valeurs de R² de 0,78 lors de l'intégration de séries temporelles VI avec des données météorologiques, surpassant les approches de régression plus simples.

Ces modèles apprennent des relations complexes et non linéaires entre les profils spectraux et les résultats agronomiques que les modèles linéaires ne peuvent pas saisir.

3. Imagerie hyperspectrale

Les capteurs hyperspectraux capturent simultanément des données de réflectance sur des centaines de bandes spectrales étroites, contre cinq à dix pour les caméras multispectrales classiques. Cette densité spectrale permet la détection de signaux de stress des cultures situés dans des fenêtres spectrales étroites, invisibles pour les capteurs à large bande.

Les indices hyperspectraux pour la détection des maladies, le stress lié aux métaux lourds et les carences en micronutriments sont activement validés pour le maïs, les systèmes hyperspectraux commerciaux par drone devenant de plus en plus abordables.

4. Surveillance des cultures en temps réel

La combinaison de la miniaturisation des capteurs, de l'expansion des constellations de satellites et de la connectivité 5G favorise la surveillance en temps réel de l'état des cultures, où les données VI sont disponibles en continu pendant la saison de croissance plutôt que de manière hebdomadaire ou bihebdomadaire.

Le taux de revisite quotidien des satellites de Planet Labs et le déploiement de capteurs de terrain compatibles avec l'Internet des objets (IoT) qui transmettent des données à des plateformes cloud offrent déjà une capacité de surveillance quasi en temps réel aux premiers utilisateurs.

Les systèmes de télédétection par drones de DJI ont signalé 67.78% réduction des volumes d'entrée de produits chimiques lorsque les cartes de prescription dérivées des données VI alimentent les systèmes de pulvérisation à taux variable (Mordor Intelligence, 2026).

5. Intégration aux systèmes d'agriculture de précision

La prochaine étape du suivi des cultures de maïs consiste à intégrer de manière transparente la collecte, le traitement et l'interprétation des données, ainsi que leur mise en œuvre sur le terrain. Les plateformes de gestion agricole basées sur le cloud connectent déjà directement les flux d'images satellites et de drones aux logiciels de contrôle de la dose variable, réduisant ainsi le délai entre la collecte des données et l'intervention sur le terrain de plusieurs jours à quelques heures.

À mesure que les API entre les fournisseurs d'images, les logiciels agronomiques et les équipements agricoles se standardisent, le flux de travail allant du “ vol de drone ” à “ l'application d'une prescription à taux variable ” deviendra accessible aux producteurs de toutes tailles.

Questions fréquemment posées

Quel indice de végétation est le plus adapté au maïs ?
Aucun indice n'est universellement optimal. L'indice NDRE est le plus performant pour l'évaluation de l'azote, l'indice SAVI pour le suivi précoce, l'indice EVI pour les conditions de couvert végétal dense et l'indice NDVI pour la corrélation générale entre biomasse et rendement. La combinaison de deux ou trois indices adaptés à l'objectif de suivi offre systématiquement de meilleurs résultats que n'importe quel indice unique.

À quelle fréquence faut-il surveiller les indices de végétation ?
Pour une gestion optimale du maïs tout au long de la saison, un suivi tous les 7 à 14 jours est recommandé entre les stades V4 et R3. Les périodes de décision critiques (V6 pour l'apport d'azote, VT pour l'évaluation du stress hydrique, R3 pour l'irrigation) justifient des vols de reconnaissance ou l'acquisition de données satellitaires, indépendamment du calendrier de suivi standard.

Quel indice de végétation est le plus performant au début de la croissance du maïs ?
SAVI et MSAVI fonctionnent mieux de l'émergence jusqu'à V4 car ils réduisent l'influence du sol exposé sur la valeur de l'indice, produisant des mesures de canopée significatives même lorsque la couverture du sol est inférieure à 30%.

Les indices de végétation peuvent-ils détecter une maladie avant l'apparition des symptômes ?
Les recherches indiquent que les maladies foliaires modifient la signature spectrale des feuilles infectées avant même l'apparition de lésions visibles. Les indices basés sur la bande rouge sont les plus sensibles pour la détection précoce de la maladie, car ils réagissent à la dégradation de la chlorophylle dans les tissus infectés. Le délai de détection dépend du type et de la gravité de la maladie, mais une détection précoce de 5 à 10 jours avant l'apparition des symptômes visuels a été démontrée dans des études contrôlées.

Conclusion

Les indices de végétation pour le suivi de la croissance du maïs ne relèvent plus seulement de la recherche. Ce sont désormais des outils pratiques, éprouvés sur le terrain, qui permettent aux agriculteurs et aux agronomes de détecter le stress hydrique, les carences en azote et les facteurs limitant le rendement plusieurs semaines avant que ces problèmes ne soient visibles et n'entraînent des pertes de rendement irréversibles. Choisir le bon indice pour chaque stade de croissance n'est pas un détail technique mineur ; c'est ce qui fait la différence entre détecter un problème réel et générer des données trompeuses. La combinaison de plusieurs indices – NDRE pour l'azote, EVI pour la biomasse du couvert dense, NDWI pour l'état hydrique – offre un diagnostic complet qu'aucune mesure isolée ne peut fournir. L'intégration de ce profil spectral aux observations physiques de terrain ancre les données dans la réalité agronomique et évite les erreurs d'interprétation liées à une utilisation exclusive de la télédétection.