Toute perturbation importante de l'approvisionnement en riz, qu'elle soit due \u00e0 la s\u00e9cheresse, aux inondations, \u00e0 une infestation de ravageurs ou \u00e0 une d\u00e9faillance politique, d\u00e9clenche des chocs rapides sur les prix alimentaires qui affectent de mani\u00e8re disproportionn\u00e9e les m\u00e9nages les plus pauvres du monde.<\/p>\n
Garantir la s\u00e9curit\u00e9 alimentaire \u00e0 cette \u00e9chelle exige bien plus que la simple production de riz. Il est indispensable de conna\u00eetre pr\u00e9cis\u00e9ment les lieux de culture, la fr\u00e9quence de r\u00e9colte annuelle de chaque parcelle et les pratiques agricoles mises en \u0153uvre. Les gouvernements ont besoin de ces donn\u00e9es pour allouer les infrastructures d'irrigation, subventionner les intrants et constituer des r\u00e9serves d'urgence.<\/p>\n
Le probl\u00e8me, c'est que le riz est cultiv\u00e9 dans des paysages extraordinairement fragment\u00e9s, allant des collines en terrasses des Philippines aux vastes plaines irrigu\u00e9es de Chine, ce qui rend les enqu\u00eates classiques champ par champ logistiquement et financi\u00e8rement impraticables \u00e0 l'\u00e9chelle nationale ou r\u00e9gionale.<\/p>\n
2. La n\u00e9cessit\u00e9 d'un suivi syst\u00e9matique des syst\u00e8mes de riziculture<\/h3>\n
Les syst\u00e8mes de riziculture, c'est-\u00e0-dire le nombre de saisons de culture par an et leur r\u00e9partition sur le territoire, \u00e9voluent constamment. La variabilit\u00e9 climatique raccourcit les p\u00e9riodes de culture dans certaines r\u00e9gions et les allonge dans d'autres. Les facteurs \u00e9conomiques incitent les agriculteurs \u00e0 passer d'une seule culture \u00e0 une double culture lorsque la disponibilit\u00e9 en eau et les prix du march\u00e9 sont compatibles.<\/p>\n
En l'absence de suivi syst\u00e9matique, les planificateurs s'appuient sur des donn\u00e9es de recensement qui peuvent \u00eatre obsol\u00e8tes de cinq ans, voire plus, ce qui entra\u00eene une mauvaise r\u00e9partition chronique de l'eau, des subventions aux engrais et du cr\u00e9dit rural. La t\u00e9l\u00e9d\u00e9tection offre une solution \u00e0 ce manque de suivi en fournissant des observations coh\u00e9rentes et reproductibles \u00e0 l'\u00e9chelle nationale en quelques jours seulement.<\/p>\n
Plut\u00f4t que de s'appuyer sur les d\u00e9clarations des agriculteurs ou sur des enqu\u00eates men\u00e9es par des recenseurs, les syst\u00e8mes satellitaires observent directement le paysage, capturant comment les rizi\u00e8res \u00e9voluent au fil des inondations, des transplantations, de la croissance v\u00e9g\u00e9tative et des r\u00e9coltes, et ce, \u00e0 chaque saison de l'ann\u00e9e.<\/p>\n
3. Apports de la t\u00e9l\u00e9d\u00e9tection \u00e0 la cartographie agricole<\/h3>\n
La t\u00e9l\u00e9d\u00e9tection est la science qui consiste \u00e0 acqu\u00e9rir des informations sur des objets ou des zones \u00e0 distance, g\u00e9n\u00e9ralement \u00e0 l'aide de capteurs embarqu\u00e9s sur des satellites, des a\u00e9ronefs ou des drones. En agriculture, ces capteurs mesurent l'\u00e9nergie r\u00e9fl\u00e9chie ou \u00e9mise par les cultures, le sol et l'eau \u00e0 diff\u00e9rentes longueurs d'onde du spectre \u00e9lectromagn\u00e9tique.<\/p>\n
Comme les diff\u00e9rents types de couverture terrestre r\u00e9fl\u00e9chissent l'\u00e9nergie diff\u00e9remment selon les stades de croissance, l'imagerie satellitaire permet de distinguer une rizi\u00e8re d'un champ de ma\u00efs, et une parcelle de riz repiqu\u00e9e inond\u00e9e d'une parcelle sem\u00e9e directement en sec, avec une pr\u00e9cision qui s'accro\u00eet gr\u00e2ce aux progr\u00e8s technologiques des capteurs. La cartographie des syst\u00e8mes de culture du riz par t\u00e9l\u00e9d\u00e9tection poursuit quatre objectifs interd\u00e9pendants.<\/p>\n
- \n
- Premi\u00e8rement, il produit des inventaires spatialement explicites des lieux de culture du riz \u00e0 l'\u00e9chelle saisonni\u00e8re et annuelle.<\/li>\n
- Deuxi\u00e8mement, elle classe le nombre de cycles de culture qui se produisent par an dans chaque zone cartographi\u00e9e, en distinguant les syst\u00e8mes \u00e0 culture unique, double et triple.<\/li>\n
- Troisi\u00e8mement, il identifie les pratiques culturales utilis\u00e9es, par exemple si un champ est transplant\u00e9 ou sem\u00e9 directement, ou si la gestion de l'eau est contr\u00f4l\u00e9e ou pluviale.<\/li>\n
- Quatri\u00e8mement, il g\u00e9n\u00e8re des donn\u00e9es de r\u00e9f\u00e9rence qui alimentent les pr\u00e9visions de production, la gestion de l'eau, la planification de l'adaptation au changement climatique et les syst\u00e8mes d'agriculture de pr\u00e9cision.<\/li>\n<\/ul>\n
Comprendre les syst\u00e8mes de riziculture et les types culturels<\/h2>\n
1. Que signifie r\u00e9ellement un mod\u00e8le de culture du riz ?<\/h3>\n
Un mod\u00e8le de riziculture d\u00e9crit l'organisation temporelle de la culture du riz au cours d'une ann\u00e9e civile \u00e0 un endroit donn\u00e9. Il indique non seulement si le riz est cultiv\u00e9, mais aussi la fr\u00e9quence des cultures, les dates de d\u00e9but et de fin de chaque saison, et les cultures qui pr\u00e9c\u00e8dent ou suivent le riz sur la m\u00eame parcelle. La cartographie de ces mod\u00e8les \u00e0 l'\u00e9chelle r\u00e9gionale offre aux am\u00e9nageurs du territoire une vision dynamique de l'intensit\u00e9 d'utilisation des terres et des besoins en ressources, une vision qu'une simple observation ponctuelle ne saurait fournir.<\/p>\n
2. Syst\u00e8mes de riziculture monoculture<\/h3>\n
Dans les syst\u00e8mes de monoculture, les agriculteurs cultivent une seule saison de riz par an, g\u00e9n\u00e9ralement en lien avec la saison des pluies de mousson ou un cycle d'irrigation unique et contr\u00f4l\u00e9. Ces syst\u00e8mes pr\u00e9dominent dans les r\u00e9gions o\u00f9 la disponibilit\u00e9 en eau, la main-d'\u0153uvre ou le climat limitent la possibilit\u00e9 d'une seconde saison.<\/p>\n
![\"Comprendre](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Understanding-Rice-Cropping-Systems-and-Cultural-Types.png?resize=563%2C563&ssl=1\")
<\/p>\nLes syst\u00e8mes de monoculture ont tendance \u00e0 avoir des p\u00e9riodes de croissance plus longues par saison, souvent avec des vari\u00e9t\u00e9s traditionnelles ou am\u00e9lior\u00e9es \u00e0 longue dur\u00e9e, et ils sont disproportionnellement d\u00e9pendants des pr\u00e9cipitations, ce qui les rend tr\u00e8s sensibles au calendrier et \u00e0 la r\u00e9partition des pluies.<\/p>\n
3. Syst\u00e8mes de riziculture \u00e0 double culture<\/h3>\n
Les syst\u00e8mes de double culture permettent de produire deux r\u00e9coltes de riz par an sur la m\u00eame parcelle. Ils sont tr\u00e8s r\u00e9pandus en Asie du Sud-Est et du Sud, notamment dans le delta du fleuve Rouge au Vietnam, les plaines inondables du Bangladesh et les districts irrigu\u00e9s du Pendjab en Inde.<\/p>\n
L'intervalle temporel entre les deux saisons est faible, souvent inf\u00e9rieur \u00e0 30 jours ; l'identification des zones \u00e0 double culture \u00e0 partir de donn\u00e9es satellitaires n\u00e9cessite donc des observations en s\u00e9ries chronologiques denses pour d\u00e9tecter deux cycles ph\u00e9nologiques complets au cours d'une seule ann\u00e9e.<\/p>\n
4. Syst\u00e8mes de riziculture \u00e0 triple culture<\/h3>\n
La triple culture, avec trois r\u00e9coltes de riz par an, est pratiqu\u00e9e dans des zones limit\u00e9es o\u00f9 la disponibilit\u00e9 en eau et les temp\u00e9ratures restent favorables toute l'ann\u00e9e. Le delta du M\u00e9kong, au sud du Vietnam, et certaines parties de la province du Guangdong, dans le sud de la Chine, sont des r\u00e9gions o\u00f9 ce syst\u00e8me de triple culture est r\u00e9pandu.<\/p>\n
Bien qu'ils optimisent l'utilisation des terres, les syst\u00e8mes de triple culture pr\u00e9sentent d'importants d\u00e9fis en mati\u00e8re de fertilit\u00e9 des sols et de gestion des ravageurs. L'identification \u00e0 distance de ces parcelles est techniquement complexe, car les courtes p\u00e9riodes de jach\u00e8re entre les cultures compriment les signaux ph\u00e9nologiques sur de courtes p\u00e9riodes.<\/p>\n
5. Culture du riz pluvial<\/h3>\n
Le riz pluvial, cultiv\u00e9 exclusivement gr\u00e2ce aux pr\u00e9cipitations sans apport d'eau artificiel, repr\u00e9sente environ 451\u00a0000 tonnes de la superficie rizicole mondiale, selon l'Institut international de recherche sur le riz (IRRI). Il s'agit du syst\u00e8me dominant en Afrique subsaharienne, dans les zones montagneuses d'Asie du Sud et du Sud-Est, ainsi que dans les plaines inondables d\u00e9pendantes des pr\u00e9cipitations.<\/p>\n
Les syst\u00e8mes de culture pluviale sont tr\u00e8s sensibles \u00e0 la variabilit\u00e9 des pr\u00e9cipitations, ce qui se traduit par des fluctuations de rendement de 30 \u00e0 50 tonnes entre les ann\u00e9es humides et s\u00e8ches dans certaines r\u00e9gions. Du point de vue de la t\u00e9l\u00e9d\u00e9tection, la cartographie du riz pluvial est plus complexe car le signal d'inondation y est plus faible et plus irr\u00e9gulier que dans les rizi\u00e8res irrigu\u00e9es.<\/p>\n
6. Culture du riz irrigu\u00e9<\/h3>\n
Les syst\u00e8mes de riziculture irrigu\u00e9e re\u00e7oivent l'eau par des canaux, des pompes ou des r\u00e9servoirs am\u00e9nag\u00e9s, permettant aux agriculteurs de contr\u00f4ler avec une grande pr\u00e9cision les dates de semis et de r\u00e9colte. La riziculture irrigu\u00e9e n'occupe actuellement qu'environ 551\u00a0000 tonnes de la superficie mondiale, mais contribue \u00e0 hauteur de 751\u00a0000 tonnes \u00e0 la production totale de riz, ce qui t\u00e9moigne de l'avantage en termes de rendement li\u00e9 \u00e0 la s\u00e9curit\u00e9 hydrique.<\/p>\n
L'inondation d\u00e9lib\u00e9r\u00e9e des rizi\u00e8res irrigu\u00e9es cr\u00e9e une signature de r\u00e9trodiffusion radar forte et constante que les capteurs satellitaires d\u00e9tectent de mani\u00e8re fiable, faisant du riz irrigu\u00e9 l'une des cultures les plus pr\u00e9cis\u00e9ment cartographi\u00e9es au monde.<\/p>\n
7. Syst\u00e8mes de riziculture de montagne et de plaine<\/h3>\n
Le riz pluvial est cultiv\u00e9 sur des sols non inond\u00e9s et bien drain\u00e9s, souvent \u00e0 flanc de colline ou en terrasses en Asie et en Afrique. Ces rizi\u00e8res n'\u00e9tant jamais inond\u00e9es intentionnellement, elles ne pr\u00e9sentent pas le signal d'eau qui permet d'identifier le riz pluvial par radar, obligeant les chercheurs \u00e0 se fier uniquement aux spectres de la v\u00e9g\u00e9tation.<\/p>\n
Le riz de plaine, en revanche, est cultiv\u00e9 dans des rizi\u00e8res plates ou peu profondes o\u00f9 l'eau s'accumule naturellement ou gr\u00e2ce \u00e0 l'irrigation. Les syst\u00e8mes de riziculture de plaine dominent les greniers \u00e0 riz d'Asie et constituent la principale cible de la plupart des projets de cartographie \u00e0 grande \u00e9chelle.<\/p>\n
Le contraste morphologique entre les champs de hautes terres et de basses terres, notamment la forme du champ, la position topographique et la structure de la canop\u00e9e, fournit des indices spatiaux suppl\u00e9mentaires que l'analyse d'images bas\u00e9e sur les objets peut exploiter efficacement.<\/p>\n
8. Riz sem\u00e9 directement vs riz transplant\u00e9<\/h3>\n
Le riz repiqu\u00e9 consiste \u00e0 cultiver les jeunes plants en p\u00e9pini\u00e8re pendant 25 \u00e0 30 jours, puis \u00e0 les d\u00e9placer manuellement ou m\u00e9caniquement vers la pleine terre. Le riz sem\u00e9 directement, en revanche, consiste \u00e0 semer les graines \u00e0 la vol\u00e9e ou au semoir directement dans le champ pr\u00e9par\u00e9, sans \u00e9tape de p\u00e9pini\u00e8re.<\/p>\n
Ces deux m\u00e9thodes produisent des signatures temporelles sensiblement diff\u00e9rentes dans les donn\u00e9es satellitaires\u00a0: les parcelles transplant\u00e9es pr\u00e9sentent un reverdissement rapide et synchronis\u00e9 environ trois semaines apr\u00e8s l\u2019inondation, tandis que les parcelles sem\u00e9es directement montrent un d\u00e9veloppement du couvert v\u00e9g\u00e9tal plus progressif d\u00e8s le jour du semis. Cette diff\u00e9rence ph\u00e9nologique, subtile mais r\u00e9elle, est d\u00e9tectable par une analyse fine des s\u00e9ries temporelles des indices de v\u00e9g\u00e9tation.<\/p>\n
Outils et technologies de t\u00e9l\u00e9d\u00e9tection pour la cartographie du riz<\/h2>\n
1. Principe physique de la t\u00e9l\u00e9d\u00e9tection<\/h3>\n
Chaque plante r\u00e9fl\u00e9chit, absorbe et transmet le rayonnement solaire selon des sch\u00e9mas d\u00e9termin\u00e9s par la biochimie de ses feuilles, la structure de son couvert v\u00e9g\u00e9tal et sa teneur en eau. Les feuilles vertes absorbent fortement la lumi\u00e8re rouge pour la photosynth\u00e8se tout en r\u00e9fl\u00e9chissant une grande partie de l'\u00e9nergie du proche infrarouge (NIR). \u00c0 l'inverse, les sols inond\u00e9s absorbent la quasi-totalit\u00e9 du rayonnement incident.<\/p>\n
Ces r\u00e9ponses contrast\u00e9es cr\u00e9ent des signatures spectrales pr\u00e9visibles que les capteurs embarqu\u00e9s sur les satellites peuvent enregistrer avec une synchronisation constante, permettant ainsi aux analystes de suivre l'\u00e9tat des cultures, leur stade de croissance et les d\u00e9cisions de gestion au niveau des parcelles sans jamais se rendre sur le terrain.<\/p>\n
2. T\u00e9l\u00e9d\u00e9tection optique<\/h3>\n
Les capteurs optiques d\u00e9tectent le rayonnement solaire r\u00e9fl\u00e9chi, produisant des images qui ressemblent fortement \u00e0 ce que l'\u0153il humain percevrait si elles \u00e9taient \u00e9tendues aux longueurs d'onde infrarouges. Trois plateformes optiques dominent la recherche en cartographie des rizi\u00e8res.<\/p>\n
Landsat<\/strong> La s\u00e9rie de satellites OCEA (exploit\u00e9e par la NASA et l'USGS depuis 1972) fournit des images \u00e0 une r\u00e9solution spatiale de 30 m\u00e8tres avec un cycle de revisite de 16 jours. Son important enregistrement temporel la rend indispensable pour les \u00e9tudes de l'\u00e9volution des surfaces rizicoles sur plusieurs d\u00e9cennies. Cependant, ce cycle de revisite de 16 jours implique que certains \u00e9v\u00e9nements ph\u00e9nologiques survenant au cours d'une courte saison de croissance peuvent ne pas \u00eatre observ\u00e9s entre deux relev\u00e9s.<\/p>\n
Sentinelle-2<\/strong> Exploit\u00e9 par l'Agence spatiale europ\u00e9enne et lanc\u00e9 en 2015 et 2017 sous forme de constellation de deux satellites, Sentinel-2 offre une r\u00e9solution de 10 \u00e0 20 m\u00e8tres et un cycle de revisite de 5 jours \u00e0 l'\u00e9quateur, surpassant ainsi Landsat. Ces deux am\u00e9liorations permettent une d\u00e9limitation plus pr\u00e9cise des parcelles et un meilleur \u00e9chantillonnage ph\u00e9nologique. La plupart des \u00e9tudes r\u00e9centes de cartographie du riz de haute pr\u00e9cision, notamment celles publi\u00e9es dans l'ISPRS Journal of Photogrammetry and Remote Sensing en 2024, utilisent Sentinel-2 comme principale source de donn\u00e9es optiques.<\/p>\n
MODIS<\/strong> Le spectrom\u00e8tre imageur \u00e0 r\u00e9solution moyenne (MODIS), embarqu\u00e9 \u00e0 bord des satellites Terra et Aqua de la NASA, offre une r\u00e9solution de 250 \u00e0 500 m\u00e8tres avec une capacit\u00e9 de revisite quotidienne. Bien que sa r\u00e9solution spatiale soit insuffisante pour la cartographie de parcelles individuelles, MODIS demeure un outil pr\u00e9cieux pour les \u00e9valuations de l'intensit\u00e9 des cultures \u00e0 l'\u00e9chelle nationale et continentale, o\u00f9 la densit\u00e9 temporelle prime sur la r\u00e9solution spatiale.<\/p>\n
3. T\u00e9l\u00e9d\u00e9tection radar<\/h3>\n
Radar \u00e0 synth\u00e8se d'ouverture (SAR)<\/strong> Le radar \u00e0 synth\u00e8se d'ouverture (SAR) est une technologie qui utilise des impulsions micro-ondes pour \u00e9mettre vers la surface terrestre et mesurer l'\u00e9nergie renvoy\u00e9e vers le capteur. Contrairement aux capteurs optiques, le SAR fonctionne ind\u00e9pendamment de la couverture nuageuse et de l'ensoleillement, ce qui signifie qu'il acquiert des donn\u00e9es aussi bien par une nuit nuageuse de mousson que par une journ\u00e9e claire de saison s\u00e8che.<\/p>\n
Cette propri\u00e9t\u00e9 est d'une importance capitale pour la cartographie du riz en Asie tropicale, o\u00f9 les capteurs optiques perdent r\u00e9guli\u00e8rement des semaines de saison de croissance \u00e0 cause de l'obstruction par les nuages.<\/p>\n
Sentinelle-1<\/strong> L'ESA \u00e9met des micro-ondes en bande C (longueur d'onde d'environ 5,6 cm) et fournit gratuitement des donn\u00e9es SAR globales avec une r\u00e9solution de 10 m\u00e8tres et un cycle de r\u00e9p\u00e9tition de 6 \u00e0 12 jours. Les rizi\u00e8res interagissent avec les signaux SAR de mani\u00e8re particuli\u00e8re\u00a0:<\/p>\n
- \n
- Les champs inond\u00e9s agissent comme un miroir quasi parfait, r\u00e9fl\u00e9chissant la majeure partie de l'\u00e9nergie radar loin du capteur (produisant de faibles valeurs de r\u00e9trodiffusion), tandis que<\/li>\n
- La canop\u00e9e croissante du riz renvoie de plus en plus d'\u00e9nergie vers le capteur \u00e0 mesure que la densit\u00e9 des plantes et la surface foliaire augmentent.<\/li>\n<\/ul>\n
Cette trajectoire de r\u00e9trodiffusion au fil du temps, faible pendant l'inondation et la transplantation, augmentant au cours des stades v\u00e9g\u00e9tatifs, puis diminuant \u00e0 nouveau apr\u00e8s l'\u00e9piaison, forme une signature ph\u00e9nologique radar unique au riz.<\/p>\n
Nguyen et al. (T\u00e9l\u00e9d\u00e9tection de l'environnement, 2023) ont constat\u00e9 que la classification des s\u00e9ries temporelles SAR de Sentinel-1 permettait d'obtenir Pr\u00e9cision globale de 92,3%<\/strong> dans la cartographie des saisons de culture du riz dans trois provinces du delta du M\u00e9kong au Vietnam, y compris des zones de triple culture o\u00f9 les donn\u00e9es optiques \u00e9taient indisponibles pendant plus de 60% de la p\u00e9riode de croissance en raison de la couverture nuageuse.<\/p>\n
Dans les r\u00e9gions tropicales de culture du riz, les m\u00e9thodes bas\u00e9es sur l'imagerie SAR ne sont pas simplement une alternative \u00e0 la t\u00e9l\u00e9d\u00e9tection optique, elles constituent souvent la seule option fiable pour la cartographie saisonni\u00e8re pendant les mois de mousson.<\/p>\n
4. Int\u00e9gration de donn\u00e9es multi-capteurs<\/h3>\n
Aucun capteur n'offre \u00e0 lui seul la combinaison id\u00e9ale de r\u00e9solution spatiale, de densit\u00e9 temporelle et de capacit\u00e9 \u00e0 traverser les nuages. C'est pourquoi les syst\u00e8mes de cartographie du riz les plus pr\u00e9cis int\u00e8grent plusieurs types de capteurs au sein d'un m\u00eame cadre d'analyse.<\/p>\n
Une architecture commune associe les donn\u00e9es SAR de Sentinel-1 pour le suivi temporel sans nuages aux donn\u00e9es optiques de Sentinel-2 pour la richesse spectrale pendant les p\u00e9riodes claires, et utilise MODIS comme point d'ancrage \u00e0 r\u00e9solution grossi\u00e8re pour la d\u00e9tection des mod\u00e8les ph\u00e9nologiques \u00e0 l'\u00e9chelle r\u00e9gionale.<\/p>\n
Lorsque ces flux de donn\u00e9es sont fusionn\u00e9s algorithmiquement, l'ensemble de donn\u00e9es combin\u00e9 permet de d\u00e9terminer les limites des cultures, de d\u00e9tecter les dates de transplantation et d'attribuer des classifications de types culturaux avec un niveau de certitude qu'aucun capteur unique ne peut atteindre.<\/p>\n
Identification des sch\u00e9mas de culture du riz \u00e0 partir de donn\u00e9es satellitaires<\/h2>\n
1. Signatures temporelles des stades de croissance du riz<\/h3>\n
Le riz passe par une s\u00e9quence bien d\u00e9finie d'\u00e9tapes de croissance\u00a0: pr\u00e9paration et inondation des terres, repiquage ou semis, tallage (d\u00e9veloppement de plusieurs tiges \u00e0 partir d'une seule plante), initiation de la panicule, \u00e9piaison (apparition de l'inflorescence portant les grains) et r\u00e9colte.<\/p>\n
Chaque \u00e9tape induit une modification mesurable des caract\u00e9ristiques optiques et radar du champ. Les analystes utilisent ces signatures sp\u00e9cifiques \u00e0 chaque \u00e9tape, enregistr\u00e9es sous forme de s\u00e9ries temporelles d'indices spectraux ou de r\u00e9trodiffusion SAR, pour reconstituer le d\u00e9roulement et le calendrier des \u00e9v\u00e9nements dans chaque champ, sans aucune information pr\u00e9alable de l'agriculteur.<\/p>\n
2. Cartographie du riz bas\u00e9e sur la ph\u00e9nologie<\/h3>\n
Cartographie bas\u00e9e sur la ph\u00e9nologie<\/strong> L'utilisation du calendrier des \u00e9v\u00e9nements biologiques pour classer les cultures est l'approche dominante pour la d\u00e9tection du riz sur de grandes surfaces. Cette m\u00e9thode consiste \u00e0 ajuster des courbes math\u00e9matiques \u00e0 des donn\u00e9es de s\u00e9ries temporelles, puis \u00e0 identifier les parcelles o\u00f9 le profil temporel correspond \u00e0 la courbe de croissance caract\u00e9ristique du riz. Les dates des \u00e9v\u00e9nements cl\u00e9s extraites de ce processus d'ajustement comprennent\u00a0:<\/p>\n
- \n
- le d\u00e9but de la saison de croissance (g\u00e9n\u00e9ralement identifi\u00e9 par une forte augmentation des valeurs de l'indice de v\u00e9g\u00e9tation suite aux inondations),<\/li>\n
- le pic de la saison de croissance (indice de surface foliaire maximal), et<\/li>\n
- la fin de la saison (d\u00e9clin rapide \u00e0 la r\u00e9colte).<\/li>\n<\/ul>\n
Le nombre de cycles de ce type d\u00e9tect\u00e9s au cours d'une ann\u00e9e civile d\u00e9termine directement si un champ est class\u00e9 comme \u00e9tant \u00e0 culture simple, double ou triple.<\/p>\n
3. \u00c9valuation de l'intensit\u00e9 des cultures<\/h3>\n
L'intensit\u00e9 culturale, soit le nombre de cycles de culture effectu\u00e9s par an sur une unit\u00e9 de surface, est l'un des indicateurs les plus pertinents pour les politiques publiques en mati\u00e8re de cartographie des syst\u00e8mes de riziculture. Une m\u00e9thode simple mais efficace consiste \u00e0 calculer la fr\u00e9quence d'apparition d'un pic spectral ou de r\u00e9trodiffusion caract\u00e9ristique du riz dans la s\u00e9rie temporelle annuelle d'un pixel.<\/p>\n
Combin\u00e9s \u00e0 des filtres spatiaux pour \u00e9liminer les d\u00e9tections erron\u00e9es dues aux zones humides, aux plans d'eau ou aux inondations saisonni\u00e8res, ces comptages cycliques produisent des cartes de riz \u00e0 une, deux et trois r\u00e9coltes qui peuvent \u00eatre valid\u00e9es par rapport aux enqu\u00eates de terrain et aux statistiques r\u00e9gionales.<\/p>\n
4. Cartographie de la distribution saisonni\u00e8re et annuelle du riz<\/h3>\n
Les cartes saisonni\u00e8res (une carte par saison de culture et par an) indiquent non seulement o\u00f9 le riz est cultiv\u00e9, mais aussi quand il pousse dans chaque lieu. L'accumulation annuelle de ces cartes r\u00e9v\u00e8le ensuite le calendrier agricole complet d'une r\u00e9gion, notamment la r\u00e9partition spatiale du riz de saison pr\u00e9coce et du riz de saison tardive, ce qui a des cons\u00e9quences directes sur la gestion de l'irrigation, la lutte contre les ravageurs et la logistique des r\u00e9coltes.<\/p>\n
5. D\u00e9tection des rotations culturales incluant le riz<\/h3>\n
Dans de nombreux syst\u00e8mes rizicoles asiatiques, les agriculteurs alternent la culture du riz avec celle du bl\u00e9, des l\u00e9gumes, des l\u00e9gumineuses ou des p\u00e9riodes de jach\u00e8re sur une m\u00eame parcelle, et ce, de saison en saison. La t\u00e9l\u00e9d\u00e9tection permet de d\u00e9tecter ces rotations en analysant la s\u00e9rie chronologique annuelle compl\u00e8te plut\u00f4t qu'une seule saison isol\u00e9ment.<\/p>\n
Un champ class\u00e9 comme rizi\u00e8re en saison humide et comme champ de bl\u00e9 en saison s\u00e8che pr\u00e9sente un profil temporel distinct \u00e0 deux pics dans les donn\u00e9es d'indice de v\u00e9g\u00e9tation, les caract\u00e9ristiques spectrales de chaque pic permettant d'identifier le type de culture correspondant. La cartographie de ces rotations est importante pour l'\u00e9valuation de la sant\u00e9 des sols, la mod\u00e9lisation des besoins en irrigation et les programmes de diversification des revenus.<\/p>\n
Comment GeoPard permet la cartographie des syst\u00e8mes de culture du riz<\/h2>\n
La cartographie des syst\u00e8mes de culture du riz exige une observation continue et multisource tout au long de la saison de croissance, et c'est pr\u00e9cis\u00e9ment ce que propose GeoPard. En combinant les images Landsat-8, Sentinel-2 et Planet sur une plateforme unique, GeoPard surveille les rizi\u00e8res tous les deux jours avec une r\u00e9solution allant jusqu'\u00e0 3 m\u00e8tres, garantissant ainsi que les \u00e9tapes cruciales de la culture du riz, telles que les inondations avant la transplantation, le d\u00e9bourrement et la r\u00e9colte, ne soient jamais manqu\u00e9es en raison d'\u00e9claircies nuageuses.<\/p>\n
La fusion multi-capteurs de la plateforme a d\u00e9montr\u00e9 une am\u00e9lioration de la pr\u00e9cision de 4% par rapport aux approches \u00e0 capteur unique, ce qui accentue directement la s\u00e9paration entre les syst\u00e8mes de riz \u00e0 une seule culture, \u00e0 deux cultures et \u00e0 trois cultures.<\/p>\n
![\"Comment](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/How-GeoPard-Powers-the-Mapping-of-Rice-Cropping-Patterns.webp?resize=810%2C439&ssl=1\")
<\/p>\nPour l'identification du type de culture, la suite d'indices de v\u00e9g\u00e9tation de GeoPard, comprenant le NDWI pour la d\u00e9tection des inondations de surface, l'EVI2 pour le calendrier de la biomasse de la canop\u00e9e et le LAI pour la densit\u00e9 de la canop\u00e9e, capture la biographie spectrale qui distingue le riz transplant\u00e9 irrigu\u00e9 des syst\u00e8mes pluviaux ou sem\u00e9s directement.<\/p>\n
Lors des journ\u00e9es nuageuses de mousson o\u00f9 l'imagerie optique est totalement inefficace, la couche de donn\u00e9es radar int\u00e9gr\u00e9e de GeoPard assure un suivi ininterrompu de la v\u00e9g\u00e9tation, en lisant le creux de r\u00e9trodiffusion SAR qui est la signature d\u00e9finitive d'une rizi\u00e8re inond\u00e9e au moment de la transplantation.<\/p>\n
L'outil Compare Layers permet aux agronomes de placer jusqu'\u00e0 quatre couches de donn\u00e9es synchronis\u00e9es c\u00f4te \u00e0 c\u00f4te, ce qui facilite la distinction des types de riziculture en comparant les signaux d'inondation NDWI aux tendances pluriannuelles de la v\u00e9g\u00e9tation et aux cartes de productivit\u00e9 des sols.<\/p>\n
S\u2019appuyant sur plus de 30 ans d\u2019imagerie satellitaire, la plateforme r\u00e9v\u00e8le les tendances d\u2019intensit\u00e9 culturale \u00e0 long terme \u00e0 l\u2019\u00e9chelle de la parcelle. Ces donn\u00e9es sont ensuite directement int\u00e9gr\u00e9es aux cartes d\u2019application \u00e0 dose variable d\u2019engrais, de semences et de produits phytosanitaires, transformant ainsi les cartes des types de culture du riz en prescriptions de gestion concr\u00e8tes et adapt\u00e9es \u00e0 chaque parcelle.<\/p>\n
Cartographie des types de riziculture par t\u00e9l\u00e9d\u00e9tection<\/h2>\n
1. Caract\u00e9ristiques spectrales de diff\u00e9rentes pratiques culturelles<\/h3>\n
Le type de culture, c'est-\u00e0-dire la combinaison sp\u00e9cifique de pratiques de gestion appliqu\u00e9es \u00e0 une rizi\u00e8re, influence l'\u00e9volution temporelle de sa signature spectrale. Le riz repiqu\u00e9 inond\u00e9, par exemple, d\u00e9bute la saison avec une r\u00e9ponse optique domin\u00e9e par l'eau (faible r\u00e9flectance sur toutes les bandes visibles), suivie d'un changement brutal lorsque le couvert v\u00e9g\u00e9tal s'\u00e9tablit.<\/p>\n
Le riz sem\u00e9 directement dans un lit de semences non inond\u00e9 pr\u00e9sente une augmentation plus progressive du signal de v\u00e9g\u00e9tation d\u00e8s le d\u00e9but de la germination, sans la p\u00e9riode d'inondation initiale que les capteurs optiques et SAR d\u00e9tectent facilement.<\/p>\n
2. Distinguer le riz irrigu\u00e9 du riz pluvial<\/h3>\n
Les rizi\u00e8res irrigu\u00e9es et pluviales diff\u00e8rent par deux aspects observables\u00a0: le calendrier et la r\u00e9gularit\u00e9 des inondations, et la constance de leur ph\u00e9nologie saisonni\u00e8re. Les rizi\u00e8res irrigu\u00e9es sont g\u00e9n\u00e9ralement inond\u00e9es selon un calendrier pr\u00e9cis, pr\u00e9sentent une moindre variabilit\u00e9 interannuelle des dates de repiquage et maintiennent une densit\u00e9 de couvert v\u00e9g\u00e9tal constante gr\u00e2ce \u00e0 une gestion ma\u00eetris\u00e9e de l\u2019eau.<\/p>\n
Les champs non irrigu\u00e9s pr\u00e9sentent une plus grande variabilit\u00e9 temporelle d'une ann\u00e9e \u00e0 l'autre, peuvent subir un stress hydrique en milieu de saison d\u00e9tectable par des baisses anormales des valeurs de l'indice de v\u00e9g\u00e9tation, et parfois ne parviennent pas \u00e0 achever une saison de croissance compl\u00e8te pendant les ann\u00e9es de s\u00e9cheresse.<\/p>\n
L'analyse de s\u00e9ries chronologiques pluriannuelles capture cette structure de variabilit\u00e9, permettant aux algorithmes de classification de s\u00e9parer les zones irrigu\u00e9es des zones pluviales avec des pr\u00e9cisions d\u00e9passant g\u00e9n\u00e9ralement 85% dans les syst\u00e8mes bien calibr\u00e9s.<\/p>\n
3. Cartographie du riz transplant\u00e9 et du riz sem\u00e9 directement<\/h3>\n
L'indicateur le plus fiable pour distinguer le riz transplant\u00e9 du riz sem\u00e9 directement dans les donn\u00e9es SAR est le moment et la dur\u00e9e de la p\u00e9riode initiale d'inondation \u00e0 faible r\u00e9trodiffusion.<\/p>\n
Les rizi\u00e8res transplant\u00e9es sont inond\u00e9es pendant 2 \u00e0 4 semaines avant le transfert des jeunes plants, cr\u00e9ant ainsi une p\u00e9riode d'obscurit\u00e9 radar prolong\u00e9e en d\u00e9but de saison.<\/p>\n
Les champs sem\u00e9s directement ne pr\u00e9sentent aucune p\u00e9riode d'inondation (semis \u00e0 sec) ou une p\u00e9riode tr\u00e8s br\u00e8ve (semis humide), et la mont\u00e9e du signal de r\u00e9trodiffusion est \u00e0 la fois plus pr\u00e9coce par rapport \u00e0 la date de semis et structurellement diff\u00e9rente en termes de pente. Ces caract\u00e9ristiques temporelles peuvent \u00eatre extraites automatiquement \u00e0 l'aide d'algorithmes appliqu\u00e9s \u00e0 des s\u00e9ries temporelles SAR denses.<\/p>\n
4. D\u00e9tection des pratiques de gestion par t\u00e9l\u00e9d\u00e9tection<\/h3>\n
Au-del\u00e0 de la m\u00e9thode de transplantation et du r\u00e9gime hydrique, la t\u00e9l\u00e9d\u00e9tection peut d\u00e9tecter certaines pratiques de gestion de l'eau, telles que l'alternance d'humidification et de s\u00e9chage (AWD), une technique utilis\u00e9e pour r\u00e9duire les \u00e9missions de m\u00e9thane et la consommation d'eau en drainant de mani\u00e8re intermittente les rizi\u00e8res.<\/p>\n
Les parcelles cultiv\u00e9es selon le syst\u00e8me AWD pr\u00e9sentent des profils de r\u00e9trodiffusion SAR oscillants durant la p\u00e9riode v\u00e9g\u00e9tative, refl\u00e9tant des cycles r\u00e9p\u00e9t\u00e9s d'inondation et de drainage, tandis que les parcelles continuellement inond\u00e9es affichent une trajectoire de r\u00e9trodiffusion plus stable. Cette caract\u00e9ristique est particuli\u00e8rement pr\u00e9cieuse pour le suivi de l'adoption de pratiques rizicoles climato-intelligentes dans les inventaires nationaux de gaz \u00e0 effet de serre.<\/p>\n
5. Indicateurs de gestion de l'eau dans les rizi\u00e8res<\/h3>\n
La d\u00e9tection de l'eau en surface par radar \u00e0 synth\u00e8se d'ouverture (SAR) est extr\u00eamement sensible et permet d'identifier les zones d'eau stagnante \u00e0 quelques centim\u00e8tres seulement sous le couvert du riz. Cette sensibilit\u00e9 permet aux analystes de cartographier l'\u00e9tat d'inondation parcelle par parcelle \u00e0 des moments cl\u00e9s de la saison de croissance, facilitant ainsi la planification de l'irrigation et l'\u00e9valuation pr\u00e9coce des d\u00e9g\u00e2ts caus\u00e9s par les inondations.<\/p>\n
Lorsque des cartes de surface d'eau provenant de plusieurs dates sont superpos\u00e9es temporellement, elles produisent une signature dynamique de gestion de l'eau pour chaque champ, qui constitue un \u00e9l\u00e9ment d'entr\u00e9e de grande valeur pour les mod\u00e8les de classification des types culturels.<\/p>\n
Techniques et m\u00e9thodes : des indices \u00e0 l'apprentissage profond<\/h2>\n
1. Indices de v\u00e9g\u00e9tation pour le suivi du riz<\/h3>\n
Les indices de v\u00e9g\u00e9tation sont des combinaisons math\u00e9matiques des valeurs de r\u00e9flectance \u00e0 diff\u00e9rentes longueurs d'onde, con\u00e7ues pour amplifier le signal de la biomasse et de la sant\u00e9 des plantes tout en r\u00e9duisant le bruit provenant du sol, des effets atmosph\u00e9riques et de la g\u00e9om\u00e9trie de l'\u00e9clairage. Trois indices sont essentiels \u00e0 la cartographie des rizi\u00e8res.<\/p>\n
i. NDVI (Indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e)<\/strong> L'indice de verdure est calcul\u00e9 comme suit\u00a0: (NIR \u2013 Rouge) \/ (NIR + Rouge). C'est l'indice le plus utilis\u00e9 pour le suivi de la croissance du riz. Il permet de suivre la verdure du couvert v\u00e9g\u00e9tal depuis l'\u00e9tablissement des plantules jusqu'\u00e0 la s\u00e9nescence, ses valeurs passant g\u00e9n\u00e9ralement de presque z\u00e9ro lors de la transplantation \u00e0 0,6-0,8 au pic de croissance v\u00e9g\u00e9tative.<\/p>\n
ii. EVI (Indice de v\u00e9g\u00e9tation am\u00e9lior\u00e9)<\/strong> Il corrige plus efficacement les effets des a\u00e9rosols atmosph\u00e9riques et le bruit de fond du sol que l'indice NDVI, ce qui le rend pr\u00e9f\u00e9rable dans les environnements \u00e0 forte charge d'a\u00e9rosols, comme pendant les saisons de br\u00fblage de biomasse fr\u00e9quentes en Asie tropicale.<\/p>\n
iii. LSWI (Indice d'eau de surface terrestre)<\/strong> Elle int\u00e8gre la r\u00e9flectance infrarouge \u00e0 ondes courtes pour d\u00e9tecter la teneur en eau \u00e0 la fois dans la canop\u00e9e v\u00e9g\u00e9tale et \u00e0 la surface du sol, ce qui la rend tr\u00e8s sensible aux \u00e9pisodes d'inondation qui caract\u00e9risent la riziculture en plaine et fournit un signal robuste pour d\u00e9tecter le d\u00e9but de la saison de croissance.<\/p>\n
2. Analyse des s\u00e9ries chronologiques<\/h3>\n
Une simple image satellite capture l'\u00e9tat d'une rizi\u00e8re \u00e0 un instant pr\u00e9cis, mais l'histoire de cette rizi\u00e8re s'\u00e9crit \u00e0 travers la succession de ces instants. L'analyse de s\u00e9ries temporelles encha\u00eene de nombreuses observations, g\u00e9n\u00e9ralement une image tous les 5 \u00e0 16 jours pendant une ann\u00e9e enti\u00e8re, et en extrait des indicateurs temporels tels que la date de d\u00e9but de saison, le pic de l'indice NDVI, le taux de reverdissement et la date de r\u00e9colte.<\/p>\n
![\"Techniques](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Techniques-and-Methods-From-Indices-to-Deep-Learning.png?resize=810%2C810&ssl=1\")
<\/p>\nCes indicateurs d\u00e9crivent collectivement le comportement ph\u00e9nologique complet de la parcelle et sont bien plus pertinents pour l'identification du type de culture qu'une observation ponctuelle. Des m\u00e9thodes statistiques telles que la r\u00e9gression harmonique et l'alignement temporel dynamique (DTW) sont couramment utilis\u00e9es pour aligner et comparer les donn\u00e9es de s\u00e9ries chronologiques entre diff\u00e9rentes ann\u00e9es et r\u00e9gions.<\/p>\n
3. Apprentissage automatique pour la classification du riz<\/h3>\n
L'apprentissage automatique a transform\u00e9 l'\u00e9chelle et la pr\u00e9cision de la cartographie des mod\u00e8les de riziculture en automatisant l'identification des relations complexes et non lin\u00e9aires entre les donn\u00e9es spectrales-temporelles et les conditions sur le terrain.<\/p>\n
i. For\u00eat al\u00e9atoire (RF)<\/strong> Cette m\u00e9thode d'ensemble construit des centaines d'arbres de d\u00e9cision ind\u00e9pendants, chacun entra\u00een\u00e9 sur un sous-ensemble al\u00e9atoire de caract\u00e9ristiques, et agr\u00e8ge leurs votes pour obtenir une classification finale. Elle est robuste aux donn\u00e9es d'entra\u00eenement bruit\u00e9es, g\u00e8re efficacement les espaces de caract\u00e9ristiques de grande dimension et fournit des scores d'importance variables qui aident les analystes \u00e0 comprendre quelles caract\u00e9ristiques temporelles ou spectrales influencent les d\u00e9cisions de classification.<\/p>\n
ii. Machine \u00e0 vecteurs de support (SVM)<\/strong> L'algorithme SVM d\u00e9termine la fronti\u00e8re de s\u00e9paration optimale entre les classes dans un espace de caract\u00e9ristiques de grande dimension. Il est performant lorsque les donn\u00e9es d'entra\u00eenement sont limit\u00e9es, ce qui le rend utile dans les r\u00e9gions o\u00f9 les donn\u00e9es sont rares et o\u00f9 la collecte de donn\u00e9es de r\u00e9f\u00e9rence est co\u00fbteuse.<\/p>\n
iii. Apprentissage profond<\/strong>, Les r\u00e9seaux de neurones convolutifs (CNN) et r\u00e9currents (RNN), notamment les architectures LSTM (Long Short-Term Memory), peuvent apprendre simultan\u00e9ment les motifs spatiaux au sein d'images individuelles et les motifs temporels au sein de s\u00e9quences d'images. Les classificateurs bas\u00e9s sur LSTM, appliqu\u00e9s aux s\u00e9ries temporelles satellitaires, ont atteint une pr\u00e9cision de pointe pour la cartographie des rizi\u00e8res, plusieurs \u00e9tudes faisant \u00e9tat de pr\u00e9cisions globales sup\u00e9rieures \u00e0 90% \u00e0 l'\u00e9chelle r\u00e9gionale.<\/p>\n
Xiao et al. (International Journal of Applied Earth Observation and Geoinformation, 2025) ont d\u00e9montr\u00e9 qu'un mod\u00e8le d'apprentissage profond LSTM entra\u00een\u00e9 sur des donn\u00e9es de s\u00e9ries temporelles fusionn\u00e9es Sentinel-1 et Sentinel-2 permettait de cartographier les types de cultures de riz dans trois pays d'Asie du Sud. une pr\u00e9cision globale de 91,7% et un coefficient kappa de 0,89<\/strong>, surpassant Random Forest de 6,4 points de pourcentage dans les m\u00eames conditions de donn\u00e9es d'entra\u00eenement.<\/p>\n
Pour la cartographie des types de riziculture \u00e0 grande \u00e9chelle o\u00f9 la collecte de donn\u00e9es d'entra\u00eenement est possible, les classificateurs d'apprentissage profond bas\u00e9s sur LSTM sont d\u00e9sormais la m\u00e9thode de r\u00e9f\u00e9rence et devraient \u00eatre le choix par d\u00e9faut pour les nouveaux programmes nationaux de cartographie.<\/p>\n
4. Analyse d'images bas\u00e9e sur les objets (OBIA)<\/h3>\n
Analyse d'images bas\u00e9e sur les objets (OBIA)<\/strong> fonctionne en regroupant les pixels voisins ayant des caract\u00e9ristiques spectrales et spatiales similaires en objets (segments) avant de les classer, plut\u00f4t que de classer chaque pixel ind\u00e9pendamment.<\/p>\n
En cartographie des rizi\u00e8res, l'OBIA est pr\u00e9cieuse car elle peut int\u00e9grer la forme, la texture et le contexte dans la classification, distinguant une rizi\u00e8re d'un plan d'eau de couleur similaire en fonction de la g\u00e9om\u00e9trie rectangulaire r\u00e9guli\u00e8re de la rizi\u00e8re.<\/p>\n
L'OBIA est particuli\u00e8rement efficace \u00e0 tr\u00e8s haute r\u00e9solution spatiale, comme les donn\u00e9es provenant de satellites commerciaux d'une r\u00e9solution de 1 \u00e0 5 m\u00e8tres ou les images de drones.<\/p>\n
5. Techniques de d\u00e9tection des changements<\/h3>\n
La d\u00e9tection des changements permet d'identifier les zones o\u00f9 l'utilisation des terres a \u00e9volu\u00e9 entre deux dates ou plus. Dans le cadre du suivi des syst\u00e8mes rizicoles, elle remplit deux objectifs\u00a0: suivre l'expansion ou la contraction annuelle des surfaces rizicoles en fonction des facteurs climatiques ou \u00e9conomiques, et identifier les changements survenant en cours de saison, tels que les mauvaises r\u00e9coltes, l'abandon des cultures ou les inondations impr\u00e9vues.<\/p>\n
La d\u00e9tection des changements bi-temporels (comparaison directe de deux dates) est simple mais sensible aux diff\u00e9rences ph\u00e9nologiques interannuelles. La d\u00e9tection des changements multi-temporels sur des s\u00e9ries chronologiques annuelles compl\u00e8tes est plus robuste et permet de distinguer les v\u00e9ritables changements d'utilisation des terres des variations ph\u00e9nologiques saisonni\u00e8res.<\/p>\n
\u00c9valuation et validation de la pr\u00e9cision<\/h2>\n
1. Collecte des donn\u00e9es de r\u00e9f\u00e9rence<\/h3>\n
Chaque produit de cartographie du riz n\u00e9cessite une validation par des observations de terrain collect\u00e9es ind\u00e9pendamment. Les donn\u00e9es de terrain comprennent g\u00e9n\u00e9ralement des visites g\u00e9or\u00e9f\u00e9renc\u00e9es (GPS) au cours desquelles des enqu\u00eateurs form\u00e9s recensent le type de culture, le stade de croissance, le mode de gestion de l'eau et la m\u00e9thode d'implantation sur un \u00e9chantillon statistiquement repr\u00e9sentatif de sites. Ces observations sont collect\u00e9es simultan\u00e9ment aux acquisitions satellitaires et sont exclues du processus d'apprentissage du mod\u00e8le, servant exclusivement \u00e0 l'\u00e9valuation de sa pr\u00e9cision.<\/p>\n
2. M\u00e9triques de pr\u00e9cision de la classification<\/h3>\n
Pour les applications sp\u00e9cifiques au riz, le score F1, qui \u00e9quilibre la pr\u00e9cision du producteur et celle de l'utilisateur pour chaque classe, est de plus en plus souvent utilis\u00e9 conjointement avec le coefficient Kappa comme un indicateur de performance unique et plus informatif. Les m\u00e9triques standard pour \u00e9valuer la pr\u00e9cision des cartes comprennent\u00a0:<\/p>\n
- \n
- pr\u00e9cision globale (le pourcentage de tous les points de validation correctement class\u00e9s),<\/li>\n
- pr\u00e9cision du producteur (la probabilit\u00e9 qu'un champ d'une classe r\u00e9elle donn\u00e9e soit correctement mapp\u00e9, analogue au rappel),<\/li>\n
- l'exactitude de l'utilisateur (la probabilit\u00e9 qu'un champ associ\u00e9 \u00e0 une classe donn\u00e9e soit effectivement de cette classe, analogue \u00e0 la pr\u00e9cision), et<\/li>\n
- le coefficient Kappa (une mesure de l'accord corrig\u00e9e du hasard, o\u00f9 les valeurs sup\u00e9rieures \u00e0 0,80 indiquent un accord fort).<\/li>\n<\/ul>\n
3. Validation des cartes des syst\u00e8mes de culture et des types de cultures<\/h3>\n
La validation des cartes de mod\u00e8les de culture n\u00e9cessite des donn\u00e9es de terrain multitemporelles, avec des visites sur le terrain \u00e0 plusieurs moments du calendrier agricole afin de confirmer le nombre de saisons r\u00e9ellement r\u00e9colt\u00e9es par an sur chaque site de validation.<\/p>\n
La validation du type de culture, qui consiste \u00e0 distinguer les cultures transplant\u00e9es des cultures sem\u00e9es directement ou les cultures irrigu\u00e9es des cultures pluviales, est plus exigeante car ces distinctions ne sont pas toujours \u00e9videntes visuellement sur le terrain et n\u00e9cessitent des entretiens avec les agriculteurs ou une observation directe des pratiques culturales pendant des p\u00e9riodes sensibles de la saison de croissance.<\/p>\n
Les statistiques agricoles nationales, bien que souvent agr\u00e9g\u00e9es au niveau provincial ou de district, fournissent un niveau de validation suppl\u00e9mentaire pour les estimations de superficie, permettant de recouper les totaux cartographiques avec les chiffres officiels.<\/p>\n
Applications dans l'ensemble du syst\u00e8me agricole<\/h2>\n
1. Planification et \u00e9laboration de politiques agricoles<\/h3>\n
Les cartes des syst\u00e8mes de culture du riz, \u00e9tablies par t\u00e9l\u00e9d\u00e9tection, offrent aux minist\u00e8res de l'Agriculture la r\u00e9solution spatiale n\u00e9cessaire \u00e0 la conception d'interventions cibl\u00e9es. Les r\u00e9gions identifi\u00e9es comme monocultures pluviales peuvent \u00eatre prioritaires pour le d\u00e9veloppement de l'irrigation \u00e0 petite \u00e9chelle\u00a0; les zones de triple culture dont les rendements sont en baisse peuvent faire l'objet d'enqu\u00eates visant \u00e0 d\u00e9tecter une d\u00e9gradation des sols ou un abaissement de la nappe phr\u00e9atique.<\/p>\n
2. Estimation de la production de riz<\/h3>\n
La combinaison de cartes des zones rizicoles issues de la t\u00e9l\u00e9d\u00e9tection avec des mod\u00e8les d'estimation des rendements, tels que des simulations de croissance des cultures bas\u00e9es sur des donn\u00e9es m\u00e9t\u00e9orologiques, permet de produire des pr\u00e9visions de production infranationales et nationales des semaines ou des mois avant la r\u00e9colte.<\/p>\n
Le tableau de bord de la s\u00e9curit\u00e9 alimentaire de la Banque asiatique de d\u00e9veloppement et le Syst\u00e8me mondial d'information et d'alerte rapide (GIEWS) de la FAO int\u00e8grent tous deux des donn\u00e9es satellitaires sur les superficies rizicoles pour g\u00e9n\u00e9rer des estimations de production avant r\u00e9colte avec des gains de pr\u00e9cision d\u00e9montr\u00e9s par rapport aux approches bas\u00e9es sur des enqu\u00eates.<\/p>\n
3. Gestion des ressources en eau<\/h3>\n
La riziculture irrigu\u00e9e est le plus grand consommateur d'eau douce en Asie, repr\u00e9sentant environ 401 TP3 T de pr\u00e9l\u00e8vements totaux d'eau agricole dans des pays comme l'Inde et le Bangladesh.<\/p>\n
Le principal atout de la cartographie satellitaire des rizi\u00e8res n'est pas la carte elle-m\u00eame, mais la d\u00e9cision qu'elle permet de prendre, qu'il s'agisse de construire un canal, de fermer un puits ou de r\u00e9orienter une subvention.<\/p><\/blockquote>\n
Le fait de savoir pr\u00e9cis\u00e9ment o\u00f9 est cultiv\u00e9 le riz irrigu\u00e9, combien de saisons il est irrigu\u00e9 et quels champs utilisent des pratiques de gestion de l'eau efficaces telles que l'irrigation altern\u00e9e contribue directement \u00e0 la planification des bassins hydrographiques, \u00e0 la programmation de l'exploitation des r\u00e9servoirs et aux \u00e9valuations de la durabilit\u00e9 des eaux souterraines.<\/p>\n
4. Surveillance de la s\u00e9curit\u00e9 alimentaire<\/h3>\n
Les syst\u00e8mes d'alerte pr\u00e9coce \u00e0 l'ins\u00e9curit\u00e9 alimentaire reposent sur la d\u00e9tection rapide des mauvaises r\u00e9coltes. Lorsque les rizi\u00e8res ne parviennent pas \u00e0 achever leur cycle de croissance, la surveillance par satellite d\u00e9tecte l'anomalie par l'absence ou la bri\u00e8vet\u00e9 du pic ph\u00e9nologique pendant la p\u00e9riode saisonni\u00e8re attendue. Le FEWS NET (R\u00e9seau de syst\u00e8mes d'alerte pr\u00e9coce \u00e0 la famine), soutenu par l'USAID, utilise des donn\u00e9es satellitaires sur la v\u00e9g\u00e9tation, notamment une surveillance sp\u00e9cifique des rizi\u00e8res, pour g\u00e9n\u00e9rer des alertes \u00e0 la s\u00e9curit\u00e9 alimentaire en Asie et en Afrique.<\/p>\n
5. \u00c9valuation de l'impact des changements climatiques<\/h3>\n
Les archives \u00e0 long terme de cartes de riziculture, couvrant 20 ans ou plus de donn\u00e9es Landsat, r\u00e9v\u00e8lent comment les surfaces cultiv\u00e9es, les saisons et les rendements du riz ont \u00e9volu\u00e9 en r\u00e9ponse aux changements des r\u00e9gimes de temp\u00e9rature et de pr\u00e9cipitations. Ces cartes de tendances historiques apportent des preuves empiriques des impacts du changement climatique sur les syst\u00e8mes rizicoles et servent de donn\u00e9es d'entr\u00e9e pour la projection des risques agricoles futurs dans diff\u00e9rents sc\u00e9narios de r\u00e9chauffement.<\/p>\n
7. Applications de l'agriculture de pr\u00e9cision<\/h3>\n
\u00c0 l'\u00e9chelle de l'exploitation, la cartographie des types de riziculture par drone, combin\u00e9e aux donn\u00e9es p\u00e9dologiques et hydriques parcellaires, favorise des d\u00e9cisions de gestion de pr\u00e9cision telles que l'application d'engrais \u00e0 dose variable, la surveillance cibl\u00e9e des ravageurs et l'optimisation des dates de semis. Ces applications connaissent actuellement un d\u00e9veloppement rapide au Japon, en Cor\u00e9e du Sud et dans certaines r\u00e9gions de Chine, o\u00f9 la riziculture est fortement m\u00e9canis\u00e9e et o\u00f9 l'infrastructure de donn\u00e9es permet de relier les donn\u00e9es de t\u00e9l\u00e9d\u00e9tection aux syst\u00e8mes de gestion agricole.<\/p>\n
D\u00e9fis et limites qui entravent la cartographie des rizi\u00e8res<\/h2>\n
1. Couverture nuageuse et disponibilit\u00e9 des donn\u00e9es<\/h3>\n
La couverture nuageuse persistante durant la mousson, p\u00e9riode de culture majeure du riz en Asie, limite fortement le nombre d'observations optiques exploitables. Dans certaines r\u00e9gions, la pr\u00e9sence de nuages r\u00e9duit \u00e0 moins de deux par mois le nombre d'observations Sentinel-2 disponibles pendant la phase critique de repiquage et de d\u00e9but de croissance v\u00e9g\u00e9tative. Les donn\u00e9es SAR att\u00e9nuent ce probl\u00e8me sans toutefois l'\u00e9liminer compl\u00e8tement, car de fortes pluies peuvent saturer temporairement le signal radar.<\/p>\n
2. Pixels mixtes et petites tailles de champ<\/h3>\n
Dans les r\u00e9gions o\u00f9 les rizi\u00e8res sont plus petites que la r\u00e9solution spatiale du capteur, un seul pixel capture un m\u00e9lange de rizi\u00e8res et d'autres types de couverture v\u00e9g\u00e9tale, ce qui rend la classification ambigu\u00eb. Les syst\u00e8mes de riziculture pluviale en terrain vallonn\u00e9 et les petites rizi\u00e8res de certaines r\u00e9gions d'Indon\u00e9sie et des Philippines produisent r\u00e9guli\u00e8rement des pixels mixtes, m\u00eame \u00e0 la r\u00e9solution de 10 m\u00e8tres de Sentinel-2, ce qui limite l'utilisation des m\u00e9thodes bas\u00e9es sur les pixels dans ces environnements.<\/p>\n
3. Similitudes spectrales et temporelles entre les types de cultures<\/h3>\n
Certaines cultures, notamment la canne \u00e0 sucre, le jute et certaines prairies, pr\u00e9sentent des courbes ph\u00e9nologiques similaires \u00e0 celles du riz dans les s\u00e9ries temporelles NDVI ou EVI, ce qui peut entra\u00eener des erreurs de classification. La d\u00e9tection des inondations par SAR r\u00e9duit ces erreurs pour le riz de plaine, mais les syst\u00e8mes rizicoles de montagne sans rizi\u00e8res inond\u00e9es restent difficiles \u00e0 distinguer des cultures spectralement similaires sans donn\u00e9es de terrain suppl\u00e9mentaires ni informations g\u00e9ographiques compl\u00e9mentaires.<\/p>\n
4. Contraintes de r\u00e9solution temporelle<\/h3>\n
La cartographie des syst\u00e8mes de culture du riz par t\u00e9l\u00e9d\u00e9tection exige un \u00e9chantillonnage temporel dense, id\u00e9alement au moins une observation tous les 8 \u00e0 10 jours pendant toute la saison de croissance. Lorsque la couverture nuageuse ou les interruptions de l'orbite satellitaire r\u00e9duisent cette densit\u00e9 temporelle, les algorithmes de d\u00e9tection automatis\u00e9s peuvent ne pas d\u00e9tecter les vari\u00e9t\u00e9s de riz \u00e0 cycle court ou les cycles de trois r\u00e9coltes rapides.<\/p>\n
5. Limitations des donn\u00e9es au sol<\/h3>\n
L\u2019obtention de donn\u00e9es d\u2019entra\u00eenement \u00e9tiquet\u00e9es de haute qualit\u00e9, d\u2019observations de terrain associ\u00e9es \u00e0 des types de cultures et \u00e0 des pratiques de gestion connus, demeure co\u00fbteuse et complexe sur le plan logistique \u00e0 l\u2019\u00e9chelle requise pour l\u2019entra\u00eenement et la validation des syst\u00e8mes cartographiques nationaux. Dans de nombreux pays rizicoles \u00e0 faible revenu, les capacit\u00e9s humaines et financi\u00e8res n\u00e9cessaires \u00e0 la collecte syst\u00e9matique de donn\u00e9es de terrain constituent le principal obstacle \u00e0 l\u2019am\u00e9lioration de la pr\u00e9cision cartographique.<\/p>\n
Tendances \u00e9mergentes et avenir du suivi du riz<\/h2>\n
1. Surveillance des rizi\u00e8res par drones et UAV<\/h3>\n
Les drones \u00e9quip\u00e9s de capteurs multispectraux et thermiques fournissent d\u00e9sormais des images centim\u00e9triques des exploitations agricoles, permettant de distinguer les limites des parcelles, les rangs de cultures et m\u00eame l'\u00e9tat sanitaire de chaque plante. Ils font le lien entre la cartographie satellitaire et l'observation individuelle des plantes, fournissant les donn\u00e9es de terrain \u00e0 tr\u00e8s haute r\u00e9solution n\u00e9cessaires \u00e0 l'entra\u00eenement et \u00e0 la validation des mod\u00e8les satellitaires dans des paysages fragment\u00e9s.<\/p>\n
2. IA et apprentissage profond pour la classification du riz<\/h3>\n
Les r\u00e9seaux neuronaux convolutifs appliqu\u00e9s aux s\u00e9ries temporelles d'images satellites, combin\u00e9s \u00e0 des architectures de transformateurs adapt\u00e9es du traitement automatique du langage naturel, atteignent actuellement les plus hauts niveaux de pr\u00e9cision de classification du riz jamais enregistr\u00e9s.<\/p>\n
Le cadre PRISM (Phenology-based Rice crop Identification System using Multisource data) publi\u00e9 par des chercheurs de l'Universit\u00e9 de Wageningen en 2024 a d\u00e9montr\u00e9 que l'apprentissage auto-supervis\u00e9 sur des archives satellitaires non \u00e9tiquet\u00e9es pouvait pr\u00e9-entra\u00eener des mod\u00e8les de classification du riz ne n\u00e9cessitant que des donn\u00e9es au sol \u00e9tiquet\u00e9es minimales pour le r\u00e9glage fin, r\u00e9duisant consid\u00e9rablement la charge de travail li\u00e9e aux enqu\u00eates sur le terrain.<\/p>\n
3. Syst\u00e8mes de surveillance du riz en temps quasi r\u00e9el<\/h3>\n
Les syst\u00e8mes op\u00e9rationnels de surveillance du riz en quasi temps r\u00e9el traitent automatiquement les donn\u00e9es satellitaires entrantes, mettent \u00e0 jour les cartes des rizi\u00e8res \u00e0 intervalles de 10 \u00e0 16 jours et transmettent des alertes sur les dates de plantation, les \u00e9pisodes de stress hydrique et le calendrier des r\u00e9coltes directement aux tableaux de bord gouvernementaux ou aux applications mobiles utilis\u00e9es par les agriculteurs et les agents de vulgarisation.<\/p>\n
Le d\u00e9partement du riz de Tha\u00eflande et le minist\u00e8re de l'Agriculture du Vietnam exploitent tous deux des syst\u00e8mes prototypes de ce type, et l'Institut international de recherche sur le riz soutient le d\u00e9veloppement de capacit\u00e9s similaires au Bangladesh et au Cambodge.<\/p>\n
4. Int\u00e9gration des donn\u00e9es satellitaires et de l'Internet des objets<\/h3>\n
Les capteurs de l'Internet des objets (IoT) d\u00e9ploy\u00e9s dans les rizi\u00e8res, mesurant l'humidit\u00e9 du sol, le niveau d'eau, la temp\u00e9rature et le microclimat de la canop\u00e9e, g\u00e9n\u00e8rent des observations continues au niveau du sol qui compl\u00e8tent et calibrent les donn\u00e9es de t\u00e9l\u00e9d\u00e9tection par satellite.<\/p>\n
Lorsque les r\u00e9seaux de capteurs IoT et les observations satellitaires sont combin\u00e9s dans des cadres de fusion de donn\u00e9es, le syst\u00e8me de surveillance qui en r\u00e9sulte peut d\u00e9tecter le stress hydrique, le d\u00e9but des inondations et la pression des maladies avec une plus grande confiance et un d\u00e9lai d'alerte plus court que ne le permet chaque source prise individuellement.<\/p>\n
5. Agriculture num\u00e9rique et agriculture intelligente<\/h3>\n
La convergence de la cartographie satellitaire des rizi\u00e8res, de la d\u00e9tection IoT et de l'aide \u00e0 la d\u00e9cision bas\u00e9e sur l'IA cr\u00e9e les fondements d'une riziculture intelligente, o\u00f9 les d\u00e9cisions de gestion, du calendrier d'irrigation \u00e0 l'application d'engrais, sont \u00e9clair\u00e9es par des flux de donn\u00e9es spatialement explicites et quasi en temps r\u00e9el plut\u00f4t que par des r\u00e8gles empiriques bas\u00e9es sur un calendrier.<\/p>\n
Des programmes pilotes men\u00e9s dans la pr\u00e9fecture de Niigata au Japon et dans la province du Heilongjiang en Chine ont d\u00e9montr\u00e9 que la gestion de pr\u00e9cision des rizi\u00e8res, guid\u00e9e par la t\u00e9l\u00e9d\u00e9tection, peut r\u00e9duire les co\u00fbts des intrants de 15-25%<\/strong> tout en maintenant ou en am\u00e9liorant les rendements, selon les rapports pr\u00e9liminaires d'essais en plein champ de 2024.<\/p>\n
Conclusion<\/h2>\n
La cartographie des syst\u00e8mes de riziculture et des types de cultures par t\u00e9l\u00e9d\u00e9tection est pass\u00e9e du statut de discipline de recherche acad\u00e9mique \u00e0 celui d'outil op\u00e9rationnel utilis\u00e9 par les gouvernements, les agences internationales et les plateformes agritech en Asie et au-del\u00e0. Les approches multisensorielles de s\u00e9ries temporelles, combinant donn\u00e9es optiques et SAR et trait\u00e9es par apprentissage automatique et apprentissage profond, permettent d\u00e9sormais de produire couramment des cartes des surfaces rizicoles \u00e0 l'\u00e9chelle nationale avec une pr\u00e9cision globale sup\u00e9rieure \u00e0 85-90\u00a0\u00b5T\u00b3. Ces cartes indiquent non seulement o\u00f9 le riz est cultiv\u00e9, mais aussi la fr\u00e9quence de culture annuelle, le r\u00e9gime hydrique et la m\u00e9thode d'implantation.<\/p>\n
Passer d'une simple cartographie des rizi\u00e8res \u00e0 une classification des types de culture transforme un produit d'occupation des sols en un outil pr\u00e9cieux d'intelligence agricole. Savoir qu'une r\u00e9gion est pass\u00e9e du riz repiqu\u00e9 au riz sem\u00e9 directement en une d\u00e9cennie r\u00e9v\u00e8le simultan\u00e9ment des changements sur le march\u00e9 du travail et un abaissement des nappes phr\u00e9atiques. Conna\u00eetre les zones pluviales les plus vuln\u00e9rables aux s\u00e9cheresses pr\u00e9coces, identifi\u00e9es par leurs profils spectraux temporels, permet d'anticiper les besoins en cas de s\u00e9cheresse plut\u00f4t que d'intervenir en situation de catastrophe. La t\u00e9l\u00e9d\u00e9tection rend ce niveau d'intelligence spatiale accessible \u00e0 un co\u00fbt bien inf\u00e9rieur \u00e0 celui des campagnes de relev\u00e9s de terrain \u00e9quivalentes.<\/p>","protected":false},"excerpt":{"rendered":"
Le riz nourrit plus de 3,5 milliards de personnes dans le monde, pourtant moins de 601 000 milliards de rizi\u00e8res disposent de cartes de culture pr\u00e9cises et \u00e0 jour, selon l'Organisation internationale pour le riz\u2026<\/p>","protected":false},"author":210157960,"featured_media":13326,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13324","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\n
Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/fr\/blog\/cartographie-des-systemes-de-culture-du-riz-et-des-types-de-riziculture-par-teledetection\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Rice feeds more than 3.5 billion people globally, yet less than 60% of rice-growing areas have accurate, up-to-date cultivation maps, according to the International Rice...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/fr\/blog\/cartographie-des-systemes-de-culture-du-riz-et-des-types-de-riziculture-par-teledetection\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-31T18:21:25+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-05-31T18:47:12+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"26 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing\",\"datePublished\":\"2026-05-31T18:21:25+00:00\",\"dateModified\":\"2026-05-31T18:47:12+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"},\"wordCount\":5536,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Remote Sensing\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\",\"name\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-05-31T18:21:25+00:00\",\"dateModified\":\"2026-05-31T18:47:12+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Mapping Rice-Cropping Pattern and Cultural Type Using Remote Sensing\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"width\":200,\"height\":200,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"},\"url\":\"#\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Cartographie des syst\u00e8mes de culture du riz et des types de riziculture par t\u00e9l\u00e9d\u00e9tection - GeoPard Agriculture","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/fr\/blog\/cartographie-des-systemes-de-culture-du-riz-et-des-types-de-riziculture-par-teledetection\/","og_locale":"fr_FR","og_type":"article","og_title":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture","og_description":"Rice feeds more than 3.5 billion people globally, yet less than 60% of rice-growing areas have accurate, up-to-date cultivation maps, according to the International Rice...","og_url":"https:\/\/geopard.tech\/fr\/blog\/cartographie-des-systemes-de-culture-du-riz-et-des-types-de-riziculture-par-teledetection\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-05-31T18:21:25+00:00","article_modified_time":"2026-05-31T18:47:12+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing-1024x576.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"\u00c9crit par":"dementievgeopard","Dur\u00e9e de lecture estim\u00e9e":"26 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing","datePublished":"2026-05-31T18:21:25+00:00","dateModified":"2026-05-31T18:47:12+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"},"wordCount":5536,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","articleSection":["Remote Sensing"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","url":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","name":"Cartographie des syst\u00e8mes de culture du riz et des types de riziculture par t\u00e9l\u00e9d\u00e9tection - GeoPard Agriculture","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","datePublished":"2026-05-31T18:21:25+00:00","dateModified":"2026-05-31T18:47:12+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Mapping Rice-Cropping Pattern and Cultural Type Using Remote Sensing"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - Logiciel d'agriculture de pr\u00e9cision","description":"Logiciel de cartographie pour l'agriculture de pr\u00e9cision","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Agriculture","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","width":200,"height":200,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"l'ours d\u00e9mentiel","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"},"url":"#"}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3sU","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts\/13324","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/comments?post=13324"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts\/13324\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/media\/13326"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/media?parent=13324"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/categories?post=13324"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/tags?post=13324"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}