Les indices de végétation issus de la télédétection transforment les prévisions de rendement de la pomme de terre

La pomme de terre est l'une des cultures vivrières les plus importantes au monde, constituant un aliment de base pour des millions de personnes. Tout d'abord, la connaissance de la croissance des plants de pommes de terre et la capacité de prévoir leur rendement permettent aux agriculteurs de gérer plus efficacement l'irrigation, la fertilisation et la lutte antiparasitaire.

Deuxièmement, les entreprises de transformation alimentaire et les installations de stockage peuvent mieux planifier la logistique et la main-d'œuvre lorsqu'elles disposent d'estimations de rendement fiables. Cependant, les méthodes traditionnelles, telles que l'inspection visuelle des champs et la mesure manuelle des plantes, sont chronophages et sujettes à l'erreur humaine.

C’est pourquoi les scientifiques se sont tournés vers la télédétection, qui utilise des caméras et des capteurs embarqués sur des satellites, des drones ou des appareils portables, pour surveiller la croissance des pommes de terre et prévoir les rendements plus rapidement et avec plus de précision.

Comprendre les prévisions de rendement des pommes de terre

Au cours des deux dernières décennies, l'intérêt pour l'application de la télédétection à la recherche sur la pomme de terre a considérablement augmenté. En effet, une revue systématique a recensé 79 études publiées entre 2000 et 2022 sur ce sujet, parmi 482 articles initialement sélectionnés.

Pour garantir la transparence et la reproductibilité, les auteurs ont suivi les directives établies (Kitchenham & Charters 2007 ; cadre PRISMA), en effectuant des recherches dans huit bases de données majeures — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis et SpringerLink — en utilisant des termes comme “ prédiction du rendement de la pomme de terre ” ET “ télédétection ”.”

Par conséquent, seules les recherches originales en anglais utilisant des données de télédétection pour le suivi de la croissance ou l'estimation du rendement ont été incluses. De plus, les données de chaque article sélectionné ont été extraites en fonction de quatre questions clés :

• Quelle plateforme de détection a été utilisée (satellite, drone ou au sol) ?
• Quels indices de végétation ou caractéristiques spectrales ont été évalués ?
• Quels paramètres des cultures ont été suivis (biomasse, surface foliaire, chlorophylle, azote) ?
• Avec quelle précision le rendement final en tubercules pourrait-il être prédit (coefficient de détermination, R²) ?

Ces questions ont aidé les examinateurs à dresser un état des lieux et à identifier les lacunes sur lesquelles les recherches futures pourraient se concentrer.

Plateformes de télédétection et indices de végétation

Les chercheurs ont utilisé trois principaux types de plateformes de télédétection, chacune présentant ses propres avantages et limitations. Premièrement, les satellites optiques tels que Sentinel-2 (résolution spatiale de 10 m, revisite tous les 5 jours) et Landsat 5 à 8 (30 m, revisite tous les 16 jours) offrent une large couverture et souvent un accès gratuit aux données.

Deuxièmement, les satellites comme MODIS/TERRA/Aqua (250–1000 m, revisite quotidienne à 2 jours) et les systèmes commerciaux comme PlanetScope (3 m, quotidiennement, coûtant environ $218 par 100 km²) permettent une surveillance plus fréquente ou à plus haute résolution, bien que les coûts puissent être un facteur.

Troisièmement, les véhicules aériens sans pilote (UAV) transportant des caméras multispectrales ou hyperspectrales offrent une très haute résolution (jusqu'à quelques centimètres par pixel) et peuvent être pilotés à la demande, mais ils couvrent des zones plus petites et nécessitent une logistique plus importante.

Enfin, les capteurs au sol, tels que les appareils de mesure NDVI portables et les chlorophylle-mètres SPAD, fournissent des mesures ponctuelles très précises, bien qu'elles soient chronophages lorsqu'elles sont utilisées sur de grands champs.

Les indices de végétation (IV) permettent de convertir les valeurs brutes de réflectance en estimations pertinentes des caractéristiques des plantes. Les indices les plus couramment utilisés dans les études sur la pomme de terre sont les suivants :

• NDVI (Indice de végétation par différence normalisée) : (NIR – Rouge) / (NIR + Rouge)
• GNDVI (Indice de végétation par différence de vert) : (NIR – Vert) / (NIR + Vert)
• NDRE (Différence normalisée du bord rouge) : (NIR – Bord rouge) / (NIR + Bord rouge)
• OSAVI (Indice de végétation ajusté au sol optimisé) : 1,16 × (NIR – Rouge) / (NIR + Rouge + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen, et plus encore. .

Ces indices sont choisis en fonction de leur sensibilité à la couverture végétale, à la teneur en chlorophylle et aux caractéristiques du sol. Ils servent ainsi de base à l'estimation de la santé des plantes et à la prédiction des rendements.

Surveillance de la croissance et prévision du rendement des pommes de terre

Grâce à la télédétection, les chercheurs surveillent les principales caractéristiques des cultures de pommes de terre — la biomasse aérienne (AGB), l'indice de surface foliaire (LAI), la teneur en chlorophylle du couvert (CCC) et l'état de l'azote foliaire — et les relient ensuite au rendement final en tubercules.

Premièrement, l'estimation de la biomasse aérienne à l'aide des seuls indices de végétation peut s'avérer difficile lorsque la couverture végétale est dense, car de nombreux indices atteignent la saturation ; par conséquent, la combinaison des indices de végétation avec la hauteur des plantes ou les caractéristiques de texture dans les modèles d'apprentissage automatique améliore souvent la précision.

Deuxièmement, l’évaluation de l’indice LAI (surface foliaire totale unilatérale par unité de surface au sol) a atteint des valeurs R² allant jusqu’à 0,84 en utilisant des données de séries temporelles provenant à la fois de capteurs hyperspectraux UAV et de capteurs multispectraux satellitaires.

Troisièmement, les estimations de CCC, dérivées d'indices comme CIred‑edge, CIgreen, TCARI/OSAVI et TCARI + OSAVI, ont atteint R² ≈ 0,85 pendant la phase végétative, indiquant une forte corrélation avec la chlorophylle mesurée en laboratoire.

Enfin, l’état de l’azote foliaire, essentiel à une croissance saine, a été prédit avec un R² allant de 0,52 à 0,95 en utilisant des capteurs au sol plus des modèles de régression ou de forêt aléatoire.

En matière de prévision du rendement des tubercules, deux principales approches de modélisation se distinguent :

Modèles de régression empiriques : Dans ce type de modèle, un seul indice de végétation (le plus souvent NDVI, GNDVI ou NDRE) est ajusté aux données de rendement réelles. Les valeurs de R² rapportées pour le NDVI par rapport au rendement varient de 0,23 à 0,84 (médiane ≈ 0,67), tandis que les corrélations NDRE-rendement varient de 0,12 à 0,85 (médiane ≈ 0,61).

Modèles d'apprentissage automatique : Ces modèles, tels que les forêts aléatoires, les machines à vecteurs de support et les réseaux de neurones, combinent plusieurs indices de végétation, bandes spectrales et facteurs non spectraux comme les conditions météorologiques, le sol et les pratiques de gestion. Dans certaines études, ces modèles ont permis d'atteindre un coefficient de détermination (R²) de 0,93.

De plus, le moment de la collecte des données influe considérablement sur la précision des prédictions. Dans plusieurs études, les mesures de l'indice de végétation (IV) effectuées entre 36 et 55 jours après la plantation (JAP) ont donné les corrélations les plus élevées avec le rendement final en tubercules.

Ce stade coïncide avec une couverture du sol maximale et le début de la tubérisation, ce qui rend la structure de la plante particulièrement révélatrice du rendement final. Voici quelques statistiques clés :

• 79 études (2000–2022) répondaient aux critères de sélection, sur 482 identifiées.
• Domaines d'intérêt : prédiction du rendement (37 %), statut N des feuilles (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Plateformes satellitaires les plus utilisées : Sentinel‑2, Landsat, MODIS ; commerciale : PlanetScope.
• Plages de R² : NDVI–rendement (0,23–0,84), NDRE–rendement (0,12–0,85), GNDVI–rendement (0,26–0,75).

Recommandations pour la prévision du rendement des pommes de terre

À la lumière de ces résultats, les praticiens doivent d'abord choisir la plateforme la plus adaptée à leurs objectifs. Pour les prévisions de rendement à l'échelle régionale, les données Sentinel-2 gratuites offrent une couverture fiable avec une résolution de 10 m et une période de revisite de 5 jours.

Pour affiner les estimations locales, des vols de drones programmés environ 36 à 55 jours après la plantation permettent de saisir la dynamique du couvert végétal et d'améliorer le calibrage des modèles satellitaires. Les capteurs au sol sont surtout utiles pour les vérifications ponctuelles et pour calibrer les observations à distance, notamment lorsqu'ils combinent des données spectrales avec des mesures de terrain.

En ce qui concerne les indices de végétation, les praticiens devraient privilégier le NDVI, le NDRE et le CI _red-edge pour prédire le rendement final, car ceux-ci présentent systématiquement de fortes corrélations.

Pour estimer les teneurs en chlorophylle et en azote, la combinaison des indices de la limite rouge avec des indices de végétation ajustés au sol (comme TCARI/OSAVI) donne les résultats les plus précis. Pour l'estimation de la biomasse, l'intégration des indices de végétation avec la hauteur des plantes ou la texture du sol dans des modèles d'apprentissage automatique améliore encore la précision.

En matière de modélisation, les régressions linéaires ou non linéaires simples utilisant un seul indice sont efficaces lorsque les données de terrain sont limitées. Cependant, lorsque plusieurs indices et des données auxiliaires (météo, sol, gestion) sont disponibles, les méthodes d'apprentissage automatique telles que les forêts aléatoires ou les réseaux de neurones offrent des performances supérieures. Il est important de noter que l'acquisition d'images entre 36 et 55 jours après la plantation est cruciale, car cette période permet d'obtenir systématiquement la meilleure précision de prédiction.

Conclusion

En conclusion, la télédétection offre un ensemble d'outils rapides, flexibles et précis pour le suivi de la croissance des pommes de terre et la prévision des rendements en tubercules. En choisissant la plateforme appropriée, en sélectionnant les indices de végétation les plus pertinents, en programmant la collecte des données entre 36 et 55 jours après la plantation (JAP) et en appliquant des techniques de modélisation adéquates, les chercheurs et les praticiens peuvent améliorer significativement les prévisions de rendement.

Cette approche permet non seulement de gagner du temps, mais aussi de prendre des décisions de gestion plus judicieuses, ce qui profite en fin de compte aux agriculteurs, aux agronomes et à l'ensemble de la filière pomme de terre.

Référence: Mukiibi, A., Machakaire, ATB, Franke, AC. et al. Une revue systématique des indices de végétation pour le suivi de la croissance des pommes de terre et la prédiction du rendement des tubercules à partir de la télédétection. Réserve de pommes de terre. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7