🌾 Prédicteur de Rendement Agricole — Le NDVI Satellite Rencontre la Météo

Le NDVI (indice de végétation par différence normalisée) est calculé à partir de la réflectance satellite comme (NIR − Rouge) / (NIR + Rouge). Les feuilles saines et riches en chlorophylle absorbent fortement la lumière rouge pour la photosynthèse tout en réfléchissant fortement le proche infrarouge, si bien qu'une canopée dense et saine produit des valeurs de NDVI proches de 0,7–0,9. Le sol nu, l'eau et la végétation stressée ou clairsemée réfléchissent le rouge et le proche infrarouge de façon plus similaire, produisant des valeurs proches de 0, voire négatives. Comme le NDVI suit la surface foliaire verte et la teneur en chlorophylle, deux grandeurs étroitement liées à la quantité de lumière solaire qu'une culture peut capter pour la photosynthèse, c'est l'une des données d'entrée les plus utilisées dans les systèmes opérationnels de prévision de rendement à travers le monde.

Le modèle LUE (Monteith, 1972) énonce que l'accumulation de biomasse sur une période donnée est égale à l'APAR (rayonnement photosynthétiquement actif absorbé) multiplié par un coefficient d'efficacité d'utilisation de la lumière, puis réduit par des facteurs de stress environnemental : Biomasse = APAR × LUE × stress. L'APAR lui-même est le FPAR (la fraction du rayonnement entrant absorbée par la canopée, estimée à partir du NDVI) multiplié par le rayonnement solaire entrant. Cette simulation calcule le FPAR à partir du NDVI par une simple relation linéaire, dérive l'APAR chaque semaine, et le multiplie par un coefficient LUE fixe ainsi que par des multiplicateurs de stress hydrique et thermique avant de l'accumuler en biomasse totale, laquelle est ensuite convertie en rendement de grain à l'aide d'un indice de récolte.

La température agit sur deux plans : les degrés-jours de croissance (GDD), qui s'accumulent selon max(0, température hebdomadaire − température de base) et déterminent l'avancement du développement de la canopée de la culture sur une courbe de croissance logistique, et l'évapotranspiration (ET), qui retire de l'eau du réservoir d'humidité du sol. Les précipitations ajoutent de l'eau à ce même réservoir. Le rapport entre l'humidité et la capacité de rétention d'eau du sol produit un facteur de stress hydrique compris entre 0 et 1 qui freine à la fois la croissance de la canopée et l'accumulation de biomasse ; des températures très supérieures ou inférieures à l'optimum de la culture appliquent une pénalité supplémentaire de stress thermique. Déplacer les curseurs de précipitations et de température régénère toute la trajectoire météorologique de la saison ainsi que le réservoir d'humidité du sol, ce qui explique pourquoi la carte thermique du champ et la courbe de rendement changent immédiatement après une réinitialisation.

Cette bande provient d'un ensemble de Monte-Carlo à 24 membres recalculé chaque semaine : chaque membre rejoue la météo réelle déjà observée jusqu'à cette semaine, puis tire une nouvelle trajectoire météorologique aléatoire (ainsi que son propre bruit fixe d'efficacité d'utilisation de la lumière et d'indice de récolte) pour les semaines restantes non observées. En début de saison, presque toute la saison reste inconnue, mais la biomasse accumulée est minime, donc l'écart absolu en tonnes/hectare commence petit. À mesure que la saison avance, le cumul du bruit d'efficacité de chaque membre par rapport à une base de biomasse accumulée plus importante élargit l'écart absolu, même si le nombre de semaines futures encore incertaines diminue. Près de la récolte, il ne reste presque plus de semaines inconnues à retirer au hasard, si bien que l'ensemble se rassemble à nouveau vers un résultat unique réalisé — produisant cette forme d'élargissement puis de resserrement. Cela reflète fidèlement le comportement des véritables prévisions saisonnières de récolte, qui se conditionnent sur la météo déjà réalisée et sur un ensemble de météo future.

Chaque cellule de la grille 10×10 partage exactement la même trajectoire de précipitations et de température (la météo est commune à tout le champ), mais chaque cellule possède son propre multiplicateur de qualité de sol généré aléatoirement, qui met à l'échelle sa capacité de rétention d'eau et son humidité de départ. Les cellules à qualité de sol plus élevée se drainent plus lentement et restent plus longtemps au-dessus du seuil de stress hydrique pendant les périodes sèches, ce qui leur permet de maintenir un NDVI plus élevé et d'accumuler davantage de biomasse. C'est exactement pour cette raison que les vraies plateformes d'agriculture de précision superposent le NDVI satellite aux cartes de sol : la même météo produit une mosaïque de résultats sur un seul champ parce que c'est le sol, et pas seulement la météo, qui détermine combien de cette météo une plante peut réellement utiliser.

Un degré-jour de croissance s'accumule chaque fois que la température moyenne dépasse une température de base propre à la culture (8 °C ici) ; une semaine à 20 °C de moyenne apporte 7 × (20−8) = 84 GDD. Le développement de la culture — germination, expansion foliaire, fermeture de la canopée, sénescence — suit les GDD cumulés de façon bien plus fiable que le temps calendaire, ce qui explique pourquoi les agronomes planifient les semis, les traitements et les fenêtres de récolte en fonction des GDD plutôt que des dates. Une courbe logistique est utilisée pour la croissance potentielle de la canopée (NDVI) car le développement réel de la canopée est lent à la levée, s'accélère durant le stade végétatif, puis sature une fois que la canopée se ferme complètement et ne peut plus absorber de lumière supplémentaire — une trajectoire en forme de S, et non linéaire, qu'une fonction logistique capture avec un seul paramètre de point d'inflexion.

Des systèmes tels que NASA Harvest, le système MARS de prévision des rendements agricoles de l'UE et des plateformes commerciales comme les produits de santé des cultures de Planet combinent de vrais passages satellite multispectraux (Sentinel-2, Landsat, MODIS), des données météo en grille ou de station, et des bases de données de sols, puis les associent à des modèles de rendement statistiques ou d'apprentissage automatique entraînés sur des années d'archives de récoltes historiques par région. Cette simulation reproduit le même schéma conceptuel — indice de végétation, stress dicté par la météo, accumulation de biomasse par efficacité d'utilisation de la lumière, incertitude d'ensemble — mais avec une imagerie synthétique, des coefficients fixés à la main (et non ajustés) et sans calibration historique réelle ; elle doit donc être lue comme une démonstration du mécanisme plutôt que comme un outil de prévision opérationnel.

Les curseurs fixent la moyenne du processus aléatoire de génération météo pour une saison entière, et non la valeur d'une seule semaine ; les modifier en cours de saison réécrirait donc silencieusement une histoire que le modèle a déjà « observée » — ce qui est physiquement incohérent (on ne peut pas changer rétroactivement la quantité de pluie déjà tombée). Cette simulation traite plutôt chaque changement de curseur comme la définition d'un nouveau scénario hypothétique : cliquez sur réinitialiser (ou déplacez un curseur puis réinitialisez) pour rééchantillonner une saison entièrement nouvelle, avec sa propre trajectoire météo, son historique d'humidité du sol et sa bande de prévision d'ensemble, à partir de la semaine zéro.