=>
La variabilité climatique a un fort impact sur le rendement du maïs. Par exemple, les fortes sécheresses de 2016 ont conduit, même pour les parcelles irriguées, à une baisse des rendements à travers la France. Les estimations des rendements présentent un enjeu stratégique et économique important. La télédétection à haute résolution spatiale et temporelle est un outil précieux pour l’estimation à large échelle de ces rendements.
Dans une étude récente (Battude et al. 2016) basée sur des séries temporelles d’images optiques (combinaison d’images Formosat-2, Landsat-8, SPOT4-Take5 et Deimos-1, environ deux images par mois), les chercheurs du CESBIO ont mis en place une nouvelle méthode d’estimation du rendement de mais. Une nouvelle formulation du modèle agro-météorologique SAFY prenant en compte la variation saisonnière observée de la surface spécifique foliaire (SLA) et de l’efficience de conversion de la lumière (ELUE) a été proposée.
Les résultats montrent que ces modifications améliorent les estimations de la biomasse à l’échelle locale.
 |
 |
Comparaison de la biomasse (DAM pour Dry Aboveground Mass) simulée et mesurée avec à gauche la version d’origine du modèle SAFY et à droite la nouvelle version proposée.
Les estimations de rendement sont comparées à des valeurs statistiques annuelles (Agreste) sur deux départements du Sud-ouest de la France : le Gers et la Haute-Garonne. Les résultats montrent que le modèle reproduit bien les rendements (R = 0.96; RRMSE = 4.6%), même s’il surestime parfois les valeurs pour les parcelles non irriguées.
 |
 |
Comparaison du rendement simulé et des données Agreste [t.ha-1] pour les départements du Gers et de la Haute-Garonne en 2013 (à gauche) et en 2014 (à droite), avec la distinction entre les parcelles irriguées et non irriguées. L’erreur standard associée aux valeurs simulées est reportée.
Le GAI s’avère donc être un bon indicateur pour l’estimation du rendement du maïs irrigué à l’échelle régionale. Pour les parcelles non irriguées, le couplage de SAFY avec un module de bilan hydrique simulant le contenu en eau du sol pourrait permettre d’améliorer les estimations de rendement. La mission Sentinel-2 offre de nouvelles perspectives et les données devraient permettre d’améliorer les estimations du modèle.
Référence : Battude M., Al Bitar A., Morin D., Cros J., Huc M., Marais Sicre C., Le Dantec V., Demarez V. (2016) Estimating maize biomass and yield over large area using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment184, 668-681 DOI: 10.1016/j.rse.2016.07.030