Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada.

Shang, J., Liu, J., Ma, B.-L., Zhao, T., Jiao, X., Geng, X.Y., Huffman, E.C., Kovacs, J.M., et Walters, D. (2015). « Mapping spatial variability of crop growth conditions using RapidEye data in Northern Ontario, Canada. », Remote Sensing of Environment, 168, p. 113-125. doi : 10.1016/j.rse.2015.06.024  Accès au texte intégral (en anglais seulement)

Résumé

Il est important de disposer d’information sur la variabilité spatiale et temporelle de la croissance des cultures pour bien comprendre l’interaction entre les plantes et les conditions environnementales. Dans le contexte de l’agriculture de précision, les données recueillies à une échelle plus fine que celle du champ sont particulièrement importantes pour qu’on puisse détecter et remédier aux facteurs limitant le rendement à l’intérieur du champ. Les capteurs satellites optiques à haute résolution sont des outils pratiques permettant de recueillir les données nécessaires à cet égard. Dans le cadre de la présente étude, nous avons utilisé les données multitemporelles RapidEye pour déterminer l’indice PAI effectif (green effective plant area index) et la teneur en chlorophylle des feuilles de deux plantes de grande culture, le blé de printemps (Triticum aestivum L.) et le canola (Brassica napus L.), en vue d’évaluer l’efficacité de l’imagerie RapidEye pour la détection de la variabilité des conditions de croissance à l’intérieur du champ. Nous avons mené des expériences au champ dans le nord de l’Ontario durant deux années consécutives (2012 et 2013). Nous avons sélectionné plusieurs indices de végétation mesurés à partir des données RapidEye, puis les avons mis en corrélation avec l’indice PAI mesuré au moyen de photographies hémisphériques numériques ainsi qu’avec l’indice de teneur en chlorophylle des feuilles (CCI) mesuré au moyen d’un chlorophylle-mètre CCM-200. Nos résultats montrent que, dans le cas des deux plantes, les indices présentant la plus forte corrélation avec l’indice PAI effectif étaient différents de ceux présentant la plus forte corrélation avec l’indice CCI effectif. Dans le cas de l’indice PAI effectif, l’indice MTVI2 (modified triangular vegetation index 2) a donné les meilleurs résultats pour le blé de printemps (R2 = 0,74, EQM = 0,72 et n = 200), tandis que l’indice NDVIRE (red-edge normalized difference vegetation index) a donné les meilleurs résultats pour le canola (R2 = 0,83, EQM = 0,49 et n = 147). Dans le cas de l’indice CCI, l’indice CVI (chlorophyll vegetation index) a donné les meilleurs résultats pour le blé de printemps (R2 = 0,78, EQM = 4,1 et n = 128), alors que l’indice CIRE (red-edge chlorophyll index) a donné les meilleurs résultats pour le canola (R2 = 0,33, EQM = 6,4 et n = 88). En outre, l’étude a confirmé que la combinaison TCARI/OSAVI (combined transformed chlorophyll absorption reflectance index/optimized soil adjusted vegetation index) donnait des résultats satisfaisants pour l’estimation de la teneur en chlorophylle des feuilles du blé de printemps lorsque la culture n’est pas clairsemée. Dans le cas de certains indices de végétation, les données RapidEye peuvent être utilisées pour cartographier la variabilité des conditions de culture à l’intérieur du champ, ce qui serait utile dans le domaine de l’agriculture de précision. La réflectance dans la bordure rouge ou les bandes vertes est utile pour la cartographie de la variabilité de la teneur en chlorophylle des feuilles de la culture.

Date de modification :