UNIVERSITÉ DU QUÉBEC À CHICOUTIMI

MÉMOIRE

PRÉSENTÉ À

L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI

COMME EXIGENCE PARTIELLE

DE LA MAITRISE EN RESSOURCES RENOUVELABLES

PAR

HANANE AITOUDA

B.Sc (GÉOLOGIE)

ESTIMATION DES VARIABLES BIOPHYSIQUES DES CULTURES ET ÉTUDE

DE L'EFFET DU CHANGEMENT D'ÉCHELLE SUR LEUR VARIABILITÉ

SPATIALE

FEVRIER 2012
 11

RESUME
 Ill

Un grand nombre d'études se consacrent au développement de méthodes d'estimation

des paramètres biophysiques du couvert végétal à partir des données de télédétection. Dans

les domaines du visible et du proche infrarouge, parmi les paramètres recherchés, on trouve

le taux de couverture, la biomasse, et l'indice de surface foliaire (LAI). Ces derniers jouent

un rôle important dans les processus de photosynthèse et de fonctionnement des

écosystèmes. Les techniques habituelles pour mesurer ces paramètres de croissance

végétale en conditions de champs sont longues et fastidieuses. Le but de cette recherche

consiste à estimer ces variables biophysiques à partir de données de télédétection

hyperspectrale, et à évaluer l'effet du changement d'échelle sur leur variabilité spatiale.

Pour ce faire, des indices de végétation ont été calculés à partir de réflectances spectrales

mesurées au sol, durant un cycle végétatif, à la ferme expérimentale de L'Acadie

appartenant au Centre de Recherche et de Développement en Horticulture (CRDH)

d'Agriculture et Agroalimentaire Canada à Saint-Jean-sur-Richelieu (Québec). L'utilisation

de modèles de régression simple a permis l'obtention de relations significatives

interprétables entre les indices spectraux (NDVI, Green NDVI, RDVI, MSR, SAVI,

MS A VI, OS AVI, SAVI, EVI, MTVI1 et MTVI2) et les variables mesurées au sol. Des

analyses statistiques ont prouvé que les indices de végétation ci-dessus étaient plus ou

moins affectés par la saturation aux niveaux élevés des variables biophysiques. Les indices

OSAVI, MSAVI et MTVI2 calculés par simulations sur des bandes multispectrales (TM) se

sont avérés les meilleurs estimateurs des variables biophysiques (LAI, taux de couverture et

biomasse). L'équation de prédiction de chaque variable biophysique a été appliquée aux

données CASI {Compact Airborne Spectrographic Imager) de différentes résolutions :

 IV

1 m, 2 m, 4 m? 10 m, 15 m et 20 m. Les statistiques qui sont extraites des images générées

démontrent Une concordance entre les prédictions à partir des images CASI et les mesures

au sol. Enfin, on a remarqué que le coefficient de variation, qui est un indicateur de la

variabilité, diminue avec les images à plus faibles résolutions (10 m, 15 m et 20 m) pour les

trois variables biophysiques. Les données hyperspectrales CASI à haute résolution spatiale

(1 m, 2 m et 4 m) présentent donc un grand potentiel de détection de l'hétérogénéité

spatiale des variables biophysiques au niveau de champs agricoles de petites dimensions.

REMERCIEMENTS
 VI

Je tiens sincèrement à remercier Dr. Driss Haboudane, mon directeur de recherche,

ainsi que Dr. Nicolas Tremblay, mon co-directeur de recherche, pour leur encadrement, leur

aide et leur appui précieux à la réalisation de ce projet de recherche. Ce travail a été réalisé

grâce au soutien financier du Conseil de Recherches en Sciences et Génie (CRNG)

(subvention Dr. Driss Haboudane) et d'agriculture et Agroalimentaire Canada (fonds de Dr.

Nicolas Tremblay). À ces organismes, j'adresse mes vifs remerciements pour leurs

contributions essentielles.

Je voudrais aussi témoigner de mes remerciements à M. Philippe Vigneault du Centre

de recherche et développement en horticulture CRDH d'agriculture et Agroalimentaire

Canada qui m'a aidé dans mes recherches et qui m'a chaleureusement reçu pour me fournir

des renseignements précieux pendant la phase expérimentale.

En terminant, je souhaite faire part de ma reconnaissance à Mme Edith Fallon du

CRDH. De même, je m'en voudrais de passer sous silence l'encouragement et le support

moral de la part de mon père, ma mère, mon mari et les membres de ma famille.

Merci beaucoup!
 Vil

TABLE DES MATIÈRES

 Vlll

RESUME ii

REMERCIEMENTS v

TABLE DES MATIÈRES vii

LISTE DES FIGURES xi

LISTE DES TABLEAUX xiv

CHAPITRE 1: INTRODUCTION 1

1.1 Contexte scientifique Erreur ! Signet non défini.

1.2 Problématique Erreur ! Signet non défini.

1.3 objectifs de la recherche 6

1.4 Plan du mémoire 7

CHAPITRE 2: REVUE DE LITTÉRATURE 9

2.1 Introduction Erreur ! Signet non défini.

2.2 Indices de végétation Erreur ! Signet non défini.

2.3 Variables biophysiques Erreur ! Signet non défini.

2.3.1 LAI Erreur ! Signet non défini.

2.3.2 Biomasse Erreur ! Signet non défini.

2.3.3 Taux de

couverture Erreur ! Signet non

défini.
 IX

CHAPITRE 3: MATÉRIEL ET METHODES Erreur ! Signet non défini.

RÉSUMÉ ii

REMERCIEMENTS v

TABLE DES MATIÈRES vii

CHAPITRE 4: RELATIONS EMPIRIQUES BASÉES SUR LES MESURES AU

SOL 49

ix

LISTE DES FIGURES xi

Figure 15 ': Les trois champs échantillonnés.

74 xiii

LISTE DES TABLEAUX xiv

CHAPITRE 4: RELATIONS EMPIRIQUES BASÉES SUR LES MESURES AU

SOL 49

4.1 Introduction 50

4.2 Relations entre les indices de végétation et le LAI Erreur ! Signet non défini.

4.3 Relations entre les indices de végétation et le taux de couverture 58

4.4 Relations entre les indices de végétation et la biomasse 65

4.5

Conclusions Erreu

r ! Signet non défini.

RÉSUMÉ ii

REMERCIEMENTS v

TABLE DES MATIÈRES vii

CHAPITRE 4: RELATIONS EMPIRIQUES BASÉES SUR LES MESURES AU

SOL 49

ix

LISTE DES FIGURES xi

. Figure 15 : Les trois champs échantillonnés

74 xiii

LISTE DES TABLEAUX xiv

CHAPITRE 6: CONCLUSIONS 94

RÉFÉRENCES 97

ANNEXE 111
 XI

LISTE DES FIGURES

 Xll

Figure 1 : Organigramme méthodologique 32

Figure 2 : Image CASI de la ferme expérimentale à l'Acadie 34

Figure 3 : Localisation des champs agricoles étudiés 35

Figure 4 : Prise de mesures de réflectance à l'aide d'un spectroradiomètre 38

Figure 5 : Appareil LAI-2000 ....41

Figure 6 : Relation entre les indices spectraux calculés (NDVI, GNDVI, RDVI et MSR) et
le LAI 53

Figure 7 : Relation entre les indices spectraux calculés (SAVI, MSAVI, OSAVI et
EVI)et le LAI 54

Figure 8 : Relation entre les indices spectraux calculés (MTVI1 et MTVI2) et le LAI
55

Figure 9 : Relation entre les indices spectraux calculés (NDVI, GreenNDVI, RDVI et
MSR) et le taux de couverture (%C) tout au long du développement des cultures
63

Figure 10 : Relation entre les indices spectraux calculés (SAVI, MSAVI, OSAVI et EVI)
et le taux de couverture (%C) tout au long du développement des cultures
64

Figure 11 : Relation entre les indices spectraux calculés (MTVI1 et MTVI2) et le taux de
couverture (%C) tout au long du développement des cultures 65

Figure 12 : Relations entre les indices (NDVI, GNDVI, RDVI et MSR) et la biomasse
68

Figure 13 : Relations entre les indices spectraux (SAVI, MSAVI, OSAVI et EVI) et la
biomasse 69
 Xlll

Figure 14 : Relations entre les indices spectraux (MTVI1 et MTVI2) et la

biomasse 70

Figure 15 : Les trois champs échantillonnés 74

Figure 16 : Carte du LAI à lm de résolution 75

Figure 17 : Carte de la biomasse à 1 m de résolution 78

Figure 18: Carte du taux de couverture à lm de résolution 80

Figure 19 : Images CASI de 1 m à 20 m de résolution 84

Figure 20 : Cartes du LAI de 1 m à 20 m de résolution et la variation du R2 et RMSE en

fonction de la résolution 87

Figure 21 : Cartes de la biomasse de 1 m à 20 m de résolution et la variation du R2 et

RMSE en fonction de la résolution. 88

Figure 22 : Cartes du taux de couverture de 1 m à 20 m de résolution et la variation du R2 et

RMSE en fonction de la résolution spatiale 89

Figure 23 : Variation du coefficient de variation du LAI en fonction de la résolution

spatiale 91

Figure 24 : Variation du coefficient de variation du taux de couverture en fonction de la

résolution spatiale 91

Figure 25 : Variation du coefficient de variation de la biomasse en fonction la résolution

spatiale 92
 XIV

LISTE DES TABLEAUX

 XV

Tableau I : Description des parcelles expérimentales de L'Acadie 35

Tableau II: Indices de végétation calculés. 47

Tableau III : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre le

taux de couverture et les indices de végétation 60

Tableau IV : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre le

LAI mesuré et le LAI estimé 77

Tableau V : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre la

biomasse observée et la biomasse estimée 79

Tableau VI : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre le

taux de couverture observé et le taux de couverture estimé 81
XVI
 CHAPITRE 1

INTRODUCTION
1.1 Contexte scientifique

Pour la très grande majorité des pays, le secteur agricole constitue aujourd'hui un

domaine d'intérêt particulièrement sensible, tant du point de vue social qu'économique ou

environnemental (Bouman, 1991). Dans ce contexte, la cartographie et le suivi des

espaces cultivés ont des applications dans divers domaines : inventaires des surfaces

agricoles annuelles (grandes cultures) et pérennes (vergers, vignes, etc.), prévision de

récolte (gestion des stocks, sécurité alimentaire), gestion des pratiques agricoles à la

parcelle, ou contrôle et suivi des mesures d'aides agricoles dans un cadre réglementé

(Dejean, 2002).

Au Canada, environ 16% du produit intérieur brut du pays a été généré par le secteur

de l'agriculture en 2001 (Statistique Canada, 2001). Cette industrie représente en outre un

domaine privilégié de l'économie canadienne grâce à ses produits qui répondent à un

besoin vital des humains (Guénette, 2003). Historiquement, la productivité de l'agriculture

canadienne a été véhiculée par un système de recherche et d'éducation largement financé

par le secteur public (Agriculture et Agroalimentaire Canada, 2001). Récemment, les

dirigeants parlent plus d'agriculture durable, inscrite dans un cadre de développement

durable (Guénette, 2003). « L'agriculture durable assure la disponibilité des ressources

naturelles, préserve la qualité des sols, de Veau et de Vair, protège la biodiversité, concourt

au bien-être économique et social de tous les Canadiens, garantit un approvisionnement en

produits agricoles sains et de première qualité, protège le gagne-pain et le bien-être des

travailleurs agricoles et agroalimentaires et de leurs familles » (Agriculture et

Agroalimentaire Canada 2001).

Le grand territoire qui est couvert par les activités de l'agriculture rend ce domaine

propice à l'usage de données de télédétection. En effet, les méthodes traditionnelles pour

mesurer les caractéristiques de croissance végétale en conditions de champs sont longues et

fastidieuses. Les grandes surfaces agricoles ne sont gérées et exploitées que par peu de

personnes et les caractéristiques des cultures (biomasse, taux de couverture, etc.) y sont en

constante évolution dans le temps, ce qui fait de la télédétection une source d'information

privilégiée dans ce milieu (Moran et al 1994).

L'utilisation de la télédétection pour l'agriculture a jusqu'à présent principalement

intéressé les organismes responsables de la gestion de l'agriculture à l'échelle régionale,

nationale, voire mondiale. Il s'agissait principalement (Baret, 1999):

• de l'occupation du sol;

• de l'évaluation de l'importance et de l'extension de dégâts liés aux impacts climatiques

tels que le gel, la sécheresse ou les inondations;

• de l'évaluation de la productivité, principalement à des échelles larges;

• Aussi pour l'évaluation de l'impact d'un surdosage des intrants sur l'environnement.

Ces dernières années, les avancées dans le domaine du machinisme agricole, alliées à

une pression économique mais aussi environnementale grandissante, ont vu se développer

des techniques de conduite de culture prenant en compte explicitement la variabilité à

l'intérieur des parcelles. On est arrivé ainsi à l'idée de moduler les techniques culturales à

l'intérieur de la parcelle de manière à optimiser la quantité d'intrants nécessaire pour

chaque zone de la parcelle (Baret, 1999). Ainsi, et depuis quelques années, une nouvelle

approche dénommée « agriculture de précision » tente de remédier aux problèmes associés

à l'agriculture traditionnelle. Elle préconise la prise en compte de la capacité productive de

chaque type de sol à l'intérieur d'un champ afin d'y adapter les pratiques culturales

(Murphy et a/., 1995). Cela revient à quantifier la variabilité spatiale du champ en

subdivisant celui-ci en plusieurs unités homogènes pouvant être gérées individuellement et

efficacement. Cette approche a pour but d'augmenter la production agricole et d'optimiser

l'utilisation des intrants à la ferme.

Cette nouvelle approche permet au producteur de gérer ses champs comme s'ils

étaient composés d'un ensemble de petits champs. Son succès repose sur le développement

des technologies telles que les capteurs de rendement, les systèmes de positionnement

global (GPS), les systèmes d'information géographiques (SIG) et la télédétection (Yang et

al., 1998). La combinaison du capteur de rendement et du GPS est plus courante en

agriculture. Elle donne la possibilité de générer des cartes de rendement qui permettent de

localiser les endroits de faible et de forte productivité et de préciser l'amplitude de leurs

variations à l'intérieur du champ.

Les buts de l'agriculture de précision sont d'augmenter la rentabilité, réduire les

impacts sur le milieu naturel et améliorer la qualité de la production (Viau, 2000).

Aujourd'hui, l'agriculture de précision est un sujet de recherche répandu à l'échelle du

globe et l'estimation des caractéristiques de croissance végétale est l'une de ses

problématiques importantes (Auernhammer, 2001).

1.2 Problématique

Dans leur majorité, les champs agricoles ne sont pas homogènes. Ils présentent des

variations spatiales importantes dans leurs propriétés physico-chimiques. Celles-ci

induisent différentes conditions de fertilité qui occasionnent une croissance non uniforme

des cultures à l'intérieur d'un même champ. En dépit de cette hétérogénéité des champs, les

agriculteurs traitent l'ensemble de leurs champs de la même manière en y appliquant

uniformément la même quantité de fertilisant. Une telle pratique culturale entraîne une sur-

fertilisation des zones du champ qui présentent une faible demande en éléments nutritifs,

alors que les secteurs qui souffrent d'un déficit demeurent sous fertilisés. La conséquence

immédiate est la baisse des rendements, ainsi qu'une dépréciation de leur qualité (Baret,

1999).

En outre, la prédiction du rendement revêt une importance primordiale pour

l'ensemble des acteurs de la chaîne agro-alimentaire, des agriculteurs aux décideurs

politiques. La complexité du problème de prédiction des récoltes implique que l'on essaie

de tirer profit de toutes les sources d'information disponibles. Au côté des données de
terrain, topographiques et climatiques, dont l'utilisation est classique, les données issues de

la télédétection prennent une place de plus en plus importante.

Comme la télédétection fait appel à des techniques en évolution rapide dans un monde

en changement, ses possibilités d'applications sont en croissance constante et l'on découvre

de plus en plus de domaines où elle peut avantageusement remplacer des méthodes

traditionnelles d'investigation ou encore intervenir comme un outil complémentaire qui

améliore l'efficacité des méthodes conventionnelles éprouvées. Elle apporte aussi une

information nouvelle, et facilement localisable dans l'espace (Cayrol, 2000).

Pour pouvoir tirer profit des données de télédétection, celles-ci doivent être en

accord avec le phénomène étudié. Lorsqu'il s'agit du suivi de cultures, la croissance parfois

rapide de la plante nécessite des informations fréquentes. En outre, l'identification des

cultures nécessite une résolution spatiale relativement haute pour s'adapter à la taille des

parcelles agricoles. Toutefois, les données de télédétection, aussi pertinentes soient-elles, ne

suffisent pas à mener à bien une prédiction de production. Ces informations doivent être

utilisées soit dans un modèle statistique, soit en complément d'un modèle de simulation de

culture (Bacour, 2001).

1.3 Objectifs de la recherche

Cette recherche s'inscrit dans un cadre d'agriculture de précision. Son objectif général

est de contribuer au développement d'approches d'extraction d'information à partir de

l'imagerie de télédétection hyperspecrale en vue d'aider les producteurs à faire des choix de

gestion agricole permettant d'optimiser leurs rendements. Les objectifs principaux de cette

recherche sont :

- Estimer les variables biophysiques reliées aux cultures :

- l'indice de surface foliaire : LAI

- le taux de couverture

- la biomasse

- Étudier la variabilité spatiale des variables biophysiques des cultures

- Déterminer l'effet du changement d'échelle sur les variables biophysiques

- Chercher la résolution optimale qui va permettre d'avoir une information pertinente et

moins coûteuse.

1.4 Plan du mémoire

Afin d'atteindre nos objectifs, nous soulevons un certain nombre de questions

auxquelles nous nous efforcerons de répondre au travers des divers chapitres. Ce manuscrit

s'organise ainsi en six chapitres qui reprennent les étapes entreprises dans ce travail. Ils

sont très brièvement présentés ci-dessous.

Chapitre 1 : il s'agit d'une présentation du contexte de recherche dans lequel s'inscrit ce

travail. Il porte sur la formulation de la problématique et la définition des objectifs da la

recherche.
Chapitre 2 : Une revue bibliographique est effectuée concernant les divers concepts et

approches abordées dans ce mémoire : les variables biophysiques, les méthodes de leur

estimation, les indices de végétation et leur classification.

Chapitre 3 : II est consacré à la présentation de la zone d'étude et à la description des

données utilisées (mesures au sol et données de télédétection).

Chapitre 4 : Ce chapitre comprend l'analyse des résultats en se basant sur la réalité terrain.

Autrement dit, il consiste à évaluer la concordance entre les données obtenues à partir de

l'information spectrale et les mesures des variables biophysiques réalisées sur le terrain.

Chapitre 5 : Ce chapitre se focalise sur l'application des équations de prédiction de chaque

variable biophysique au niveau de l'imagerie aéroportée. L'analyse comprend à la fois une

comparaison avec la réalité terrain et l'appréciation de l'effet de la résolution sur la

variabilité spatiale des caractéristiques biophysiques (LAI, biomasse et taux de couverture).

Chapitre 6 : Ce manuscrit s'achève par des conclusions résumant les principaux résultats.

En plus, il apporte un regard critique sur les démarches méthodologiques utilisées et des

perspectives sont aussi proposées.

 CHAPITRE 2

REVUE DE LITTÉRATURE
 10

2.1 Introduction

Un grand nombre de chercheurs se consacrent au développement de méthodes

d'extraction de paramètres biophysiques à partir des données de télédétection. Les

paramètres recherchés sont par exemple le taux de couverture, permettant le suivi des

cultures, la biomasse, ou encore la surface foliaire, intervenant de manière importante dans

le processus de photosynthèse. La surveillance de ces paramètres à partir de mesures sur le

terrain, est impossible à grande échelle, compte tenu du travail que cela représente. La

télédétection spatiale, de par sa capacité à surveiller les scènes à des fréquences allant de

quelques heures à plusieurs dizaines de jours, peut apporter une solution, tout en reliant de

manière fiable ces paramètres biophysiques aux données satellitales (Estève et al., 1998).

L'estimation des propriétés biophysiques à partir de données de télédétection dans le

domaine optique a donné lieu à de nombreux travaux dès le lancement des premiers

satellites d'observation de la Terre en s'appuyant sur les indices de végétation qui exploitent

la différence de comportement de la végétation dans les divers domaines spectraux (Bariou

et al, 1985). Le suivi de la végétation à partir de l'espace a longtemps été limité par la

faible résolution temporelle, spectrale ou angulaire des capteurs. L'évolution des

techniques, la chute du coût des capteurs, et enfin une meilleure compréhension des

interactions entre le rayonnement électromagnétique et la végétation (absorption, réfraction

et diffusion) ont ouvert de nouvelles perspectives (Cayrol, 2000).

 11

2.2 Indices de végétation

Les indices de végétation sont basés sur la réflectance différentielle des tissus

végétaux vivants ou photosynthetiquement actifs dans les longueurs d'onde du rouge et du

proche infrarouge du spectre électromagnétique dans le domaine solaire (Tucker et al,

1985). En effet, les feuilles vertes réfléchissent une très faible proportion du rayonnement

incident dans la bande du rouge et une très forte proportion dans la bande du proche

infrarouge (Guyot, 1990). Différents indices, basés sur des combinaisons entre les

réflectances dans différents canaux, ont été proposés. Ils ont été utilisés pour estimer

diverses propriétés biophysiques liées directement à la productivité primaire et au taux de

couverture (Tucker et al, 1985; Benoit et al, 1988 ; Paruelo et al, 1991; Paruelo et al,

2000a,b), y compris le rayonnement photosynthetiquement actif (PAR) intercepté et le LAI

(Tucker, 1977; Asrar étal 1984).

Dans la littérature, un grand nombre d'indices de végétation ont été développés pour

différentes applications et dans des conditions bien spécifiques (Bannari et al., 1995). Dans

le but de réduire l'effet de facteurs externes sur les réflectances tels que le substratum

sousjacent, les conditions d'illumination (Bouman, 1991), ou les effets atmosphériques, les

réflectances spectrales ont été combinées de diverses façons en indices de végétation. De

nombreux indices de végétation ont ainsi été construits dans le but d'interpréter les mesures

de télédétection. Ils combinent les réflectances dans le visible et le proche infrarouge (PIR).

Baret et Guyot (1991) ont discuté de l'influence du le LAI, de l'inclinaison des feuilles ainsi
 12

que du substratum sous-jacent sur plusieurs indices de végétation. Ils ont montré qu'ils

peuvent être classés en trois groupes qui sont succinctement présentés dans cette section.

• Dans le premier groupe, les indices de densité qui sont très influencés par le sol lorsque la

végétation n'est pas totalement couvrante.

- L'indice de Végétation NDVI (Normalized Difference Vegetation Index) (Rouse et al.,

1974), variant entre -1 et 1, est un rapport normalisé entre le Proche infrarouge et le Rouge

(1) NDVI = (PIR - R)/ (PIR + R)

Avec : PIR = la réflectance dans le proche infrarouge,

R = la réflectance dans le rouge.

La jonction entre le domaine spectral du rouge et du proche infrarouge, utilisé dans

l'équation du NDVI, est un indicateur privilégié pour tout ce qui a trait à la concentration

en chlorophylle des végétaux (Guyot, 1989). Le déplacement de ce plateau ainsi que son

amplitude constitue un indicateur spectral important pour la détection des stress (Carter et

Miller, 1994).

Le NDVI présente aussi la particularité d'augmenter en présence de végétation. Il

est le plus souvent utilisé, et les raisons de sa « popularité » historique tiennent

principalement à sa simplicité de calcul, à son caractère normalisé et à sa réputation de

 13

moindre sensibilité (par rapport aux réflectances) via à vis de facteurs externes tels que, la

géométrie de l'éclairement ou les effets atmosphériques.

Cet indice est efficace pour quantifier la biomasse (Bariou et al, 1985) mais ne permet

pas de détecter les variations dans le type de couvert végétal ou la pigmentation

chlorophyllienne selon certains auteurs (Lichtenthaler et al., 1998) alors que d'autres études

montre son efficacité à discriminer l'état de santé des végétaux (Adams et ai, 2000).

Des études antérieurs ont montré que le NDVI est tout de même relativement sensible

aux positions respectives du capteur et du soleil (effets directionnels) (Goward et ai, 1994,

Roujean et ai, 1992), aux variations spatiales et temporelles de composition de

l'atmosphère (effets atmosphériques) (Tanré et al., 1992) et à la couleur de la strate sous

jacente comme le sol et la litière (Huete et al., 1985, Baret et Guyot, 1991). Malgré les

défauts cités ci-dessus, le NDVI est souvent le seul indice présent dans de nombreuses

bases de données multitemporelles (Los et al, 1994). De plus, il montre de raisonnables

corrélations avec des paramètres écologiques comme le LAI, le FPAR (Fraction of

Photosythetically Active Radiation) et donc continue à être utilisé comme indicateur des

paramètres de végétation (Elmore et al, 2000).

- RDVI (Renormalized Difference Vegetation Index) (Rougean and Breon, 1995)

(2) RDVI = (PIR - R) / (PIR + R)1/2

 14

Malgré son utilisation intensive, NDVI sature dans le cas d'une canopée dense et il

montre des relations non-linéaires avec les praramétres biophysiques tels que le LAI (Baret

et Guyot, 1991; Lillesaeter, 1982).Pour cette raison, des indices améliorés ont été

développés comme le RDVI (Rougean et Breon, 1995) afin d'avoir des relations linéaires

avec les variables biophysiques. Cet indice proposé combine les avantages de l'indice de

végétation différencié (DVI = NIR - R, Jordan, 1969) et le NDVI.

- Le MSR (Modified Simple Ratio) (Chen, 1996)

(3) MSR = (PIR/R -1)/(PIR/R +1) 1/2

Le MSR a été suggéré comme une amélioration du RDVI en termes de sa

sensibilité aux paramètres biophysiques de la végétation par sa combinaison avec le Simple

Ratio (SR = NIR/R, Jordan, 1969). Le MSR est supposé être linéairement lié aux

paramètres biophysiques (Chen, 1996).

• Le Green NDVI (Gitelson et Merzlyak, 1996)

(4) Green NDVI = (PIR - V) / (PIR + V)

Avec : V = la réflectance dans le vert

 15

Cet indice a été trouvé pour être beaucoup plus sensible à la concentration de la

chlorophylle. Il permet l'évaluation précise da la concentration des pigments puisqu'il

utilise la bande verte (520-630 nm) qui est sensible à la concentration de la chlorophylle a

(053 - 45 jig/cm2) (Gitelson et Merzlyak, 1997)

• Dans le second groupe, de nouveaux indices ont été proposés dans le but de diminuer

l'influence du couvert sous-jacent ou de l'atmosphère : le S AVI (Soil Adjusted Vegetation

Index) par Huete (1988), le TSAVI (TransformedSAVI) par Baret et Guyot (1991), l'ARVI

(Atmospherically Resistant Vegetation Index) et le SARVI, combinaison de SAVI et

d'ARVI, par Kaufman et Tanré (1992), le GEMI (Global Environment Monitoring Index)

par Pinty et Verstraete (1992), puis le MS AVI (Modified SAVI) par Qi et al (1994) ou

encore le MSARVI par Huete et Liu ( 1994).

- Le SAVI :

(5) SAVI = ( 1 + L) PIR - R / PIR + R + L

Le facteur L est ajusté de façon à prendre en compte les variations des propriétés spectrales

du sol nu, et le facteur (1 + L) ne sert qu'à préserver la dynamique de l'indice. Dans le cas

du SAVI, L = 0,5 ; et, dans le cas d'indices plus sophistiqués comme le MS AVI (Qi et al,

1994), L peut varier en fonction de la densité de la végétation. Cet indice prend en compte

la réflectance des sols sous-jacents. Il est en fonction du coefficient L (= 0,5) qui a été
 16

ajusté de façon à prendre en compte les variations des propriétés spectrales du sol nu. Il

permet un bon suivi de l'évolution de la végétation et du sol.

- Le MSAVI est conçu aussi dans le but de minimiser les effets extérieurs et pour mieux

rehausser le signal issu de la végétation. Or, bien que ces indices (SAVI et MSAVI) soient

basés sur des hypothèses plausibles pour minimiser les effets extérieurs, l'utilisation de l'un

ou de l'autre pour caractériser les couverts végétaux peut être limitée par un certain nombre

de facteurs d'ordre physique qui contrôlent le processus d'interactions entre le rayonnement

électromagnétique, l'atmosphère, le couvert végétal et le sol sous-jacent (Broge et Leblanc,

2000).

(6) MSAVI = PIR + 0.5 - [(PIR + 0.5)2 - 2(PIR - R)]1/2

- Le EVI a été développé pour être plus sensible à la biomasse en réduisant au minimum

l'effet d'aérosols (Justice et al., 1998). Le coefficient L est pour la correction du fond de la

canopée. Et Ci et C2 sont les coefficients de la limite des aérosols, ils emploient la bande

bleue pour corriger ces effets (Kaufman et Tanré, 1992).

(7) EVI = 2.5 (PIR-R) / (L + PIR + Ci R - C2 B )

Avec PIR = la réflectance dans le proche infraRouge

 17

R = la réflectance dans le rouge

B= la réflectance dans le bleu

L = l , C i = 6et C2 = 7.5

- Le OSAVI (Optimized SAVI, Rondeaux et al, 1996) est l'un des indices qui sont

développés pour réduire l'impact du sol. Rondeaux et al. (1996) l'ont développé en utilisant

la reflectance bidirectionnel dans les bandes infrarouge et rouge et en calculant un

coefficient d'ajustement des effets des sols (0.16). Ce coefficient a été choisi comme la

valeur optimale pour réduire au minimum l'effet des sols en milieu agricole.

(8) OSAVI = (1 + 0.16) (PIR - R) / (PIR + R + 0.16)

Tous ces indices sont fortement corrélés à l'indice foliaire (LAI) du couvert (Baret et

Guyot, 1991 ; Clevers et Verhoef, 1993), en particulier pendant la phase de croissance de la

végétation jusqu'à atteindre un niveau de saturation. Les relations entre LAI et indices de

végétation sont le plus souvent déterminées empiriquement. Les performances comparées

des indices notamment vis-à-vis des facteurs auxquels certains indices sont supposés

résistants (les conditions atmosphériques, les propriétés du sol sous-jacent, les propriétés

spectrales des éléments du feuillage, la géométrie du couvert et les effets de rangs) ont pu

être évaluées à l'aide d'expériences de sensibilité menées à partir de modèles de transfert

radiatif comme le modèle SAIL (Verhoef, 1984) couplés à des modèles de transfert radiatif

atmosphériques comme le modèle 6S (Vermote et ai, 1997). Ces études ont confirmé que
 18

les indices de type SAVI semblent les plus performants au moins pendant la phase de

croissance de la végétation. Cependant, un certain nombre d'indices de végétation (ex :

NDVI) ne sont utilisables que pour des couverts denses et chlorophylliens, sans mélange de

matière sèche sur pied avec la matière verte. Dans le cas d'un faible recouvrement par la

végétation chlorophyllienne, il faut utiliser des indices comme le SAVI (Girard et Girard,

1999).

• Le troisième groupe comprend des indices de reconnaissance de la végétation sèche.

NDI {Normalized Difference Index, McNairm et Protz, 1993) : semblable au NDVI où

la bande rouge est remplacée par la bande du moyen infrarouge. Cet indice a été

conçu dans le but de détecter les résidus de culture après la récolte.

(9) NDI = (PIR - MIR) / (PIR + MIR)

Où : PIR = la réflectance dans le proche infrarouge

MIR = la réflectance dans le moyen infrrouge

- SACRI (Soil Adjusted Corn Residue Index, Biard et al., 1995) : créé dans la même

optique que le NDI pour détecter les résidus, cet indice a subi une transformation semblable

au TSAVI proposée par Baret et al. (1989) dans laquelle on inclut dans l'algorithme les

paramètres de la droite des sols.

(10) SACRI = a (PIR - a MIR - b) / (MIR + PIR - ab)

 19

Où : a = pente de la droite des sols,

b = ordonnée de la droite des sols.

L'utilisation des bandes situés dans l'infrarouge moyen a permis de mettre sur pied de

nouveaux indices qui sont sensibles au contenu en eau des feuilles et du sol amenant ainsi

un nouveau paramètre de distinction des couverts (Me Nairn et Protz, 1993). Pour le choix

de la bande à utiliser dans le spectre de l'infrarouge moyen, plusieurs travaux favorisent la

bande TM5 par rapport à la bande TM7 du fait qu'elle est plus sensible aux propriétés

optiques du sol (Baret et al, 1988 ; Me Nairn et Protz, 1993). Cette sensibilité est accrue

lors de changement du taux d'humidité de la surface du sol.

• Dans le dernier groupe, les indices développés prennent en considération la concentration

en chlorophylle :

Le MTVI1 {Modified Triangular Vegetation Index 7, Haboudane et al., 2004) utilise

les longueurs d'ondes verte, rouge et infrarouge dont la réflectance est dépendante de la

structure de la feuille et de la canopée. Quant à l'indice MTVI2 {Modified Triangular

Vegetation Index 2, Haboudane et al., 2004), il incorpore un facteur d'ajustement pour

réduire les effets des sols.

(ll)MTVIl = 1.2 [1.2(PIR-V)-2.5 (R-V)]

 20

(12)MTVI2 =

1.5[1.2 (PIR- V) - 2.5 ( R - V)] / [(2PIR + l ) z - (6PIR- 5(R)1/Z) - 0.5

Le TCARI ( Transformed Chlorophyll Absorption in Reflectance, Haboudane et al.,

2002) est dérivé de l'indice MCARI ( Modified Chlorophyll Absorption Index, Daughtry et

al., 2000) qui lui l'est du CARI {Chlorophyll Absorption in Reflectance Index, Kim et al.,

1994). À l'origine l'indice CARI a été créé pour minimiser l'influence du matériel non-

photosynthétique dans les données de réflectance. Le MCARI est sensible aux variations

dans le taux de chlorophylle et résistant aux influences du matériel non-photosynthétique

mais il est fortement influencé par différents paramètres tel le LAI, la chlorophylle et

l'interaction LAI-chlorophylle. Certaines études ont en autres démontré que cet indice est

aussi sensible aux éléments non-photosynthétiques (Haboudane et al. 2002).

(13) TCARI - 3 [(IR - R) - 0,2 (IR -V) (IR / R)]

(14) MCARI = [(IR - R) - 0,2 (IR - V)] (IR / R)

Avec : IR — la réflectance à 700 nm,

R = la réflectance dans le rouge,

 21

V = la réflectance dans le vert.

Les longueurs d'onde approchant 550 nm et 700 nm s'avèrent être les plus sensibles à

une variation de chlorophylle selon certains auteurs (Lichtenthaler et al. 1998; Carter et

Knapp 2001). En fait, certaines études affirment que la réflectance à 550 nm est la longueur

d'onde la plus corrélée avec la chlorophylle (Thomas et Gausmann, 1977; Buschmann et

Nagel, 1993) alors que d'autres identifient 700 nm comme présentant une meilleure

corrélation (Carter et Knapp, 2001) ou encore que les deux longueurs d'onde sont aussi

sensibles une que l'autre (Blackmer et al, 1994; Schepers et al, 1996).

L'amplitude de pics ou de creux spécifiques dans les signatures spectrales sert, selon

leur positionna corréler la réflectance avec un état des végétaux. Les longueurs d'onde

d'absorption de la chlorophylle sont 680 nm pour la chlorophylle-a, 635 nm pour la

chlorophylle-b et se situent aux environs de 470 nm pour les pigments de caroténoïdes. La

réflectance à la longueur d'onde de 550 nm est la meilleure façon de discriminer les stress

azotés chez le maïs selon une étude menée par Blackmer et al en 1994. Les travaux de

Carter et Miller sur le soya montrent que les ratios de réflectance R694/R420; R600/R760

et R694/R760 permettent la discrimination des végétaux subissant un stress. De ces indices,

R694/R760 serait le plus efficace dans la discrimination hâtive (Carter et Miller, 1994).

Par ailleurs, inspiré par l'idée générale de CARI, Broge et Leblanc (2000) ont

développé l'indice triangulaire de végétation TVI {Triangular Vegetation Index), ce qui est

censé pour caractériser l'énergie radiante absorbée par les pigments de la feuille en termes
 22

de différence relative entre la réflectance dans le proche infrarouge et dans le rouge en

même temps que l'importance de la réflectance dans le vert. Le TVI est déterminé comme

la surface définie par les bandes d'absoption par le vert, le rouge et le proche infrarouge. Il

est formulé comme suit :

(15) TVI = 0,5 [120 (PIR - V) - 200 (R - V)]

L'idée générale derrière le TVI est basée sur le fait que la surface totale de la triangle

(vert, rouge et infrarouge) augmentera en raison de l'absorption de chlorophylle (diminution

de réflectance dans le rouge) et de l'abondance de tissu de feuille (augmentation de la

réflectance dans le proche-infrarouge) (Broge et Leblanc, 2000).

2.3 Variables biophysiques

Par télédétection dans le domaine spectral solaire, on peut accéder à certaines

caractéristiques du couvert végétal. Ce sont les caractéristiques qui influent le plus sur la

signature spectrale et/ou directionnelle de la végétation. Les caractéristiques biophysiques

observables les plus utilisées pour la compréhension du fonctionnement des écosystèmes

sont l'indice de surface foliaire (LAI), le contenu en chlorophylle, la fraction du

rayonnement photosynthétiquement actif absorbé par le couvert (fAPAR), le taux de

couverture (T.C), la biomasse et enfin l'albédo. Ici, on va aborder respectivement le LAI, la

biomasse et le taux de couverture.

 23

2.3.1 LAI

Le LAI est défini par la surface totale d'éléments de végétation verts (ne considérant

qu'un seul côté des feuilles) par unité de surface au sol horizontal (Privette et a/., 1996).

Chen et Black en 1992 l'ont défini comme la surface cumulée, sur toute la hauteur du

couvert, des faces supérieures des feuilles par unité de surface du sol. C'est donc une

fonction directe de l'espacement des plantes dans la parcelle et l'une des principales

déterminant le champ de rayonnement au sein du couvert (Chen, 1996). Le LAI est sans

doute l'élément observable par télédétection le plus important du couvert. En effet, comme

les feuilles sont considérées comme les principales interfaces avec l'atmosphère pour les

transferts de masse et d'énergie (Rosenberg et al, 1983). LE LAI décrit à la fois (Sellers et

al, 1986) :

- une quantification directe de la végétation verte et indirecte de la biomasse sur la surface

observée ;

- la potentialité de la photosynthèse disponible pour la production primaire ;

- une caractérisation de l'évapotranspiration (H2O) et des flux de carbone entre la

biosphère et l'atmosphère ;

- une mise en évidence des zones gravement affectées (zones stressées, attaquées par des

parasites, etc.).

L'indice de surface foliaire est en outre largement utilisé en écophysiologie pour

modéliser le fonctionnement des couverts, puisque ce sont essentiellement les feuilles qui

conditionnent l'évapotranspiration et les flux de carbone entre la biosphère et l'atmosphère

 24

(Rosenberg et al, 1983). Il constitue une donnée d'entrée importante pour les modèles

écologiques et de changement du climat (Running et Coughlan, 1988; Bonan, 1995).

Le LAI peut être mesuré directement au sol avec le LAI-2000 ou avec un planimètre

lorsque les plants sont petits. En outre, il peut être estimé à l'aide d'algorithmes appliqués

sur des images aéroportées ou satellitales à condition d'avoir des mesures au sol du LAI

pour l'étalonnage et la validation des données (Delécolle et Guérif, 1988). Il existe une

variété de méthodes pour l'estimation du LAI à partir du sol ou par télédétection et cette

situation peut entraîner une certaine confusion et une mesure d'incertitude quant à la

sélection des méthodes, du concept expérimental et de l'instrumentation (Bacour, 2001).

Le LAI peut être estimé à partir des mesures de réflectances des capteurs optiques

satellitaux. Les premiers travaux dans ce domaine ont été réalisés dans le cadre du projet

ISLSCP (International Satellite Land Surface Climatology Project) (Sellers et al., 1994).

L'algorithme de calcul reposait alors sur des relations empiriques avec l'indice de

végétation NDVI, établies pour chaque classe d'une carte d'occupation des sols. Depuis,

des méthodes plus sophistiquées ont été élaborées, utilisant des modèles de transfert radiatif

qui implémentent des tables de correspondance ou des réseaux de neurones (Bacour, 2001).
 25

Les modèles empiriques consistent à corréler, par des relations simples, les indices de

végétation au LAI. Ils ont l'avantage d'être rapides et faciles à mettre en œuvre (Kimes et

Kirchner 1982). Ils sont cependant très sensibles à un certain nombre de facteurs

perturbateurs tels que la contribution du sol, les effets atmosphériques et la géométrie de

visée. Pour améliorer la robustesse du LAI estimé en prenant en compte explicitement

l'influence de ces différents facteurs perturbateurs, on préfère souvent utiliser les modèles

physiques (Gastellu-Etchegorry et al9 1996). Ces modèles décrivent le transfert radiatif au

sein du couvert et permettent ainsi de relier le signal radiométrique fourni par les capteurs

aux caractéristiques du couvert. La détermination du LAI nécessite d'inverser ces modèles

à partir des données de télédétection. Le processus d'inversion consiste en une

minimisation de l'écart entre les réflectances simulées et mesurées afin de déterminer les

valeurs optimales (Camillo, 1991). Une bonne performance de l'algorithme d'inversion

requiert d'une part un modèle précis qui prend bien en compte la structure du couvert et

d'autre part une connaissance a priori de la distribution des variables du modèle qui

permettra de mieux contraindre l'inversion (Maas et a/., 1989).

2.3.2 Biomasse

La biomasse comprend toute matière organique aérienne ou souterraine, qu'elle soit

vivante ou morte. Le terme biomasse correspond à une définition commune de la biomasse

au-dessus du sol et de la biomasse souterraine. La biomasse au-dessus du sol comprend

toute la biomasse vivante au dessus du sol, y compris les tiges, les souches, les branches,
 26

l'écorce, les graines et le feuillage. Par contre, la biomasse souterraine correspond à toute la

biomasse de racines vivantes; les radicelles de moins de 2 mm de diamètre sont exclues, car

il est souvent difficile de les distinguer empiriquement de la matière organique du sol. La

biomasse sèche diffère de la verte du fait qu'elle est anhydre. La biomasse est une propriété

de base qui est associée à de nombreux processus puisqu'elle décrit la quantification de la

respiration des plantes sur la surface observée (Fallon, 2003). Elle est impliquée dans un

nombre de processus écologiques aussi bien en relation avec l'atmosphère qu'avec le

milieu terrestre (cycle du carbone, cycle de l'eau).

Des études scientifiques ont cherché, par le passé, à établir des méthodes précises,

économiques et rapides, pour estimer la biomasse. Si les coupes de biomasse constituent

une méthode simple à mettre en œuvre (par exemple Sims et al 1978 ; Sala et al 1988),

cette technique est limitée par sa lenteur, son coût, le caractère destructif des mesures, et

surtout par le nombre de mesures nécessaires pour produire une estimation fiable. Plusieurs

travaux démontrent l'existence de forts rapports entre information spectrale et biomasse ou

production primaire nette (PPN) (Goward et al, 1985; Box et al, 1989 ; Running, 1990;

Prince, 1991; Hobbs, 1995, Paruelo et al, 1997 ; Paruelo et al, 2000(a)).

Plusieurs travaux ont démontré l'existence de forts rapports entre l'information

spectrale et la biomasse ou la production primaire nette (PPN) (Goward et al, 1985; Box et

al, 1989; Running, 1990; Prince, 1991; Hobbs, 1995; Paruelo et al, 1997; Paruelo et al,

2000(a)). Ainsi, Plusieurs chercheurs ont récemment publié des résultats proposant que les
 27

réflectances dans le visible, le proche infrarouge et le moyen infrarouge peuvent être reliées

aux conditions de croissance. Ils ont montré que les régions spectrales du rouge et de

l'infrarouge sont fortement corrélées à la biomasse (Franklin, 1986; Roy et Ravan, 1996;

Jakubauskas et Price, 1997). Et beaucoup d'autres ont identifié le moyen infrarouge comme

étant la région spectrale la plus sensible au changement de la biomasse (Horler et Ahern,

1986; Spanner et al., 1990; Ripple et al., 1991 et Danson et Curran, 1993).

L'estimation de la biomasse peut se faire en termes de matière sèche ou d'indice

foliaire. Elle demeure un problème épineux, puisque il y'a un grand nombre de méthodes

d'estimations indirects (au sol et par télédétection optique) et qui donnent des résultats

divergents (Fischer et al, 1995). Un rapport statistique significatif a été découvert entre les

indices de végétation et la biomasse verte, mais d'autres études ont aussi annoncé peu ou

pas de lien entre eux (Anderson et Hanson, 1992; Anderson et a/., 1993). Les relations

entre les cumuls d'indice de végétation et la biomasse ou la productivité sont empiriques.

Ainsi pour estimer la biomasse, il faut décrire la conversion de l'énergie

photosynthétiquement active en biomasse. La revue bibliographique faite par Fisher et al.

(1995) décrit les diverses techniques utilisées pour dériver la biomasse ou la productivité

des données de télédétection. Différents types de modèle de végétation ont été utilisés en

complémentaire avec la télédétection. Les modèles empiriques, reliant la production de

biomasse et un indice de végétation sont difficiles à utiliser en dehors de leur domaine

d'application (site et type de végétation donnés) ; en plus, les relations empiriques et les
 28

paramétrisations restent, de façon générale, insuffisantes pour décrire les mécanismes

biophysiques (Tucker et al, 1986).

2.3.3 Taux de couverture

Le taux de couverture est une variable biophysique qui caractérise généralement la

« quantité de matière » du couvert végétal. Il correspond à la fraction de trou dans la

direction du nadir (North, 1996). Cette variable représente donc la probabilité pour que le

rayonnement solaire atteigne le sol sans avoir été intercepté par les feuilles. Elle est utilisée

pour distinguer le sol de la végétation pour certains processus tels que l'évapotranspiration.

La fraction de couverture dépend de certaines caractéristiques du couvert comme l'indice

de surface foliaire, et en général de sa structure (Gitelson et ai, 2001). Le taux de

couverture est une bonne mesure de la quantité de végétation présente. Sa dynamique peut

être, par exemple, utilisée pour décrire la phénologie. Il est associé à de nombreux

processus et il peut être utilisé comme indicateur pour moduler un certain nombre

d'opérations culturales (Baret, 1999).

L'estimation de la couverture végétale est exigée pour modéliser la productivité

végétale (Gower et a/., 1999) et la gestion des ressources agricoles (Prince, 1991). En effet,

le taux de couverture représente la majeure partie participant aux cycles du carbone (par

son activité photosynthétique) et de l'eau (évapotranspiration); il constitue un élément de

 29

contrôle des transferts d'énergie entre la surface et l'atmosphère en conditionnant

l'interception du rayonnement solaire et les émissions thermiques, les échanges gazeux

entre la basse atmosphère et la surface, et en régulant l'humidité et la répartition de l'énergie

reçue (Garratt, 1993). Le prélèvement temporel exigé pour ces applications rend nécessaire

l'utilisation des données spatiales brutes. La méthodologie la plus répandue est la

corrélation entre les propriétés de la végétation avec les indices de végétation (Los et al.,

2000; Sellers et al., 1994).

La fraction végétale peut être estimée aussi par la technique « démixage spectral » qui

permet de séparer la fraction de la couverture végétal du sol et aussi la végétation verte de

la sénescente (Adams et a/., 1989). La technique est basée sur un modèle de réflectance

spectrale qui considère que la réflectance totale de la scène est égale la somme des

réflectances des différents composants de la scène (Adams et a/., 1995). Les spectres des

composants peuvent être pris des bibliothèques des propriétés spectrales connues, des

mesures in situ ou être dérivés potentiellement de l'image elle-même. Une fois appliqué

aux données, le résultat est une série d'images de fraction (une pour chaque tvne de

couverture) qui ont le même format que l'image originale.

 CHAPITRE 3

MATÉRIEL ET MÉTHODES
 31

3.1 Introduction

Pour réaliser cette recherche, les mesures ont été faites durant le cycle végétatif des

cultures. Les parcelles expérimentales étaient localisées à la ferme expérimentale L'Acadie

d'agriculture et Agroalimentaire Canada (45°17'45" latitude nord, 73°20'45" longitude

ouest). La première partie de notre recherche a consisté à mettre en relation les variables

biophysiques mesurées au sol (LAI, taux de couverture et biomasse) et les indices de

végétation calculés à partir de la réponse spectrale des cultures, Des analyses statistiques

ont été effectuées (coefficient de détermination, coefficient de variation, etc.) afin

d'identifier les meilleurs indices de végétation pour l'estimation des variables

biophysiques.

Dans un deuxième temps, on a appliqué la meilleure équation de prédiction de chaque

variable biophysique aux données images hyperspectrales acquises par le capteur CASI

{Compact Airborne Spectrographic Imager) à différentes résolutions spatiales : 1 m, 2 m,

4 m, 10 m, 15 m et 20 m. L'information fournie par les images générées nous a permis

d'évaluer la variabilité spatiale des variables biophysiques d'une résolution à l'autre.

La démarche utilisée est représentée par l'organigramme méthodologique présenté

dans la figure 1.
 32

Données au sol Acquisition d'images aéroportées

Acquis
CASI

Images à 1 m, 2 m, 4 m,
10 m, 15 m et 20 m

Mesures
Photographies spectroradio- LAI Biomasse
verticales métriques

Comparaison Coefficient
avec la réalité de
terrain variation

Taux de Calcul
couverture d'indices de
(TC) végétation
(IV)

Évaluation de la
Relation dégradation de
Relation Relation
l'image
TC-IV ISF-IV Biomasse- IV

Résolution
Équations de Spatiale
prédiction optimale

Figure 1 : Organigramme méthodologique

 33

3.2 Site d'étude

La ferme expérimentale de l'Acadie, d'une superficie de 86 ha, est située à 8

Km à l'ouest de Saint-jean-sur-Richelieu le long de la route 219 dans la municipalité de

TAcadie (voir schéma). Ses coordonnées géographiques UTM sont: 630 366.35 m E,

5017149.77 m N. Elle appartient au Centre de Recherche et de Développement en

Horticulture (CRDH) d'Agriculture et Agroalimentaire Canada de Saint-Jean-sur-

Richelieu, Québec. Ces terres et leurs infrastructures sont utilisées principalement pour la

recherche et le développement en sol minéral de la culture des légumes, des petits fruits et

des plantes ornementales.

Les sols de la ferme expérimentale de l'Acadie sont situés à l'intérieur du bassin

versant de la rivière L'Acadie à une altitude d'environ 45 m. La ferme expérimentale se

trouve au cœur de la région physiographique de la plate forme des basses-terres du Saint-

Laurent. Sous-jacent aux dépôts meubles locaux, on retrouve généralement entre 3 et 6 m

de profondeur, une assise géologique constituée de roches sédimentaires de l'époque

Ordovicienne, appartenant au Groupe de Trenton. Ces roches sont constituées

principalement de calcaire, parfois avec des inclusions de lits de shale.

 34

Figure 2 : Image CASI de la ferme expérimentale de l'Acadie

Lors de la campagne de terrain en 2003, l'expérimentation a porté sur les cultivars

suivant : Bolero pour les pois; Matador pour les haricots; Legacy pour le maïs. Les

cultivars Bolero, Matador et Legacy sont cultivés en parcelles de type commercial. Ils sont

divisés en 12 répétitions numérotées de gauche à droite (figure 3). La superficie totale du

cultivar Matador d'haricot est de 124 m x 81 m, celle du Bolero du pois était de 134 m x

84 m, tandis que le cultivar Legacy du maïs a une grande superficie à échantillonner par

rapport aux autres cultivars : 262 m xlO2 m (Tableau I). L'augmentation du rythme et de la

qualité de mesures à la ferme de l'Acadie permet d'assurer un suivi rigoureux des cultures
 35

et d'alimenter davantage les bases de données pour la recherche et développement en

agriculture de précision.

Tableau I : Description des parcelles expérimentales de L'Acadie

Dimension Cultures Semis Nombre de zones

d'échantillonnage
Parcelle 9-17 2.96 ha Mais sucré 31 mai 2003 32

Parcelle 26 ouest 0.91 ha Haricot 10 juin 2003 24

Parcelle 26 Est 0.91 ha Pois 13 mai 2003 24

Figure 3 : Localisation des champs agricoles étudiés

 36

Localisation des zones d'échantillonnage :

- Distribution des points de façon à couvrir l'ensemble de la surface de culture des

parcelles

- Chaque point est indiqué par un drapeau avec son code inscrit.

- Le code correspond à la culture et au numéro du point d'échantillonnage

3.3 Acquisition des données

Afin d'atteindre nos objectifs, des mesures de biomasse, d'indice de surface foliaire,

du taux de couverture viennent se greffer aux mesures de réflectances au sol ainsi qu'à

l'acquisition des données de télédétection.

3.3.1 Données spectroradiométriques

L'étude de la végétation nécessite des mesures de réflectances dans les longueurs

d'onde autour du visible et du proche infrarouge. Les réflectances dans le proche infrarouge

sont en général un témoin de l'activité photosynthétique de la plante, alors que les

réflectances dans le rouge, en complément avec celles dans le proche infrarouge, permettent

de mieux distinguer la végétation des sols et des formations rocheuses.

 37

Les mesures de réflectances sont prises au long de la journée dans les longueurs

d'ondes du visible et du proche infrarouge, et l'équipement nécessaire pour effectuer ces

mesures est :

• Un spectroradiomètre modèle Fiedspec Handheld d'ASD {Analytical Spectral

Divece),

• Un Ordinateur portable pour l'enregistrement des données,

• Une surface lambertienne « Spectalon » pour l'étalonnage des mesures

spectroradiométriques,

• Perche télescopique (issue d'une mire télescopique graduée d'une longueur

maximale de 7,6 m)

• Chariot transportant le matériel à l'intérieur de la parcelle ou du champ

• Véhicule tout-terrain

Les caractéristiques des prises de mesures sont :

• la zone doit avoir une dimension de 1 m2;

• la zone balisée à l'aide d'un GPS;

• l'appareil au-dessus de la zone : NADIR à 2,46 mètres;

• l'heure de prises de données : entre lOhOO et 14h 00

• Moins de 10% de couverture nuageuse au moment de la prise de données

• Fréquence des mesures : 1 à 2 fois par semaine, de la première levée jusqu'au

moment de récolte de chaque culture.

 38

• Prise de mesures dans le rang et l'inter-rang pour chaque point d'échantillonnage.

La vraie mesure correspond à la moyenne des deux.

Figure 4: Prise de mesures de réflectance à l'aide d'un spectroradiomètre

3.3.2 Images hyperspectrales CASI

CASI est un imageur hyperspectral aéroporté, conçu pour acquérir des images dans un

grand nombre de bandes spectrales. La gamme spectrale couverte par 288 canaux varie

entre 0.4 et 0.9 p.m (Virnstein et Tepera, 1997). D'un point de vue géométrique, c'est un

capteur de type push broom, c'est-à-dire qu'une barrette de détecteurs située dans le plan

focal observe à un instant donné une ligne du terrain, perpendiculaire à la trajectoire. C'est

le déplacement de l'avion qui permet d'obtenir successivement toutes les lignes de l'image.
 39

Les avantages que présente ce type de capteur sont liés à ses résolutions spatiale et

spectrale. Le fait d'utiliser un capteur aéroporté permet d'obtenir une meilleure résolution

spatiale que les capteurs sur plate-forme satellitale usuels. D'autre part l'emploi d'un

imageur hyperspectral comme CASI, utilisant un grand nombre de bandes spectrales,

assure une résolution spectrale fine qui doit permettre une meilleure discrimination des

objets selon leurs caractéristiques spectrales (leur couleur).

La supériorité du spectro-imageur aéroporté en termes de résolutions spatiale et

spectrale a une contre-partie, liée à la nécessité de voler très bas. Cela implique des

distorsions géométriques importantes, des scènes étroites qui alourdissent la procédure de

mosaïquage et des effets liés à la grande ouverture angulaire (effets atmosphériques, effets

optiques...). Ces effets sont corrigés en grande partie mais des effets résiduels restent

présents dans le produit final mais qui ne présentent pas un impact sur les paramètres

extraites de l'image.

À la ferme expérimentale de l'Acadie, des images CASI ont été acquises le 14 Août

2003 à différentes résolutions spectrales (lm, 2m, 4m, 10m, 15m et 20m) de façon à

couvrir spatialement les sites étudiés. Ces images permettent de bien distinguer nettement

les cultures qui se distinguent par leurs caractéristiques spectrales.

La distinction se fait par une différence dans la texture et les teintes (figure 3). Les

teintes claires montrent des fortes réflectances alors que les teintes plus sombres ont des
 40

faibles réflectances. Cette analyse visuelle indique qu'il existe des différences

radiométriques entre les cultures. Et les principales causes possibles sont:

- propriétés optiques foliaires différentes,

- différences du LAI,

- architectures différentes du couvert. Un effet "structure" peut intervenir à l'échelle

de la parcelle, avec la densité et les dimensions des végétaux.

3.3.3 Variables biophysiques

3.3.3.1 LAI

Les mesures de l'indice de surface foliaire LAI, représentant une mesure de la

superficie du feuillage par unité de surface au sol, autrement dit, la surface foliaire totale

d'une plante divisée par la surface de sol qu'elle occupe. Elles sont prises elles aussi tout au

long de la saison. Il est mesuré avec le LAI-2000 (Figure 5) pour tous les cultivars, excepté

pour deux ou trois dates en début de saison lorsque les plants sont petits et qui doivent être

mesurés avec le planimètre. Les deux méthodes de prise de données de LAI sont

équivalentes. Ces données ont été acquises dans les parcelles de L'Acadie en même temps

que les mesures de réflectances.

 41

Calcul des mesures du planimètre :

(Moyenne des mesures de planimètre (en cm2) pour 1 mètre) x 1.333 (haricots et maïs) ou

6.666 (pois))/l 0 000

Figure 5 : Appareil LAI-2000

3.3.3.2 Biomasse

Des mesures de la biomasse ont été effectuées pour tous les cultivars. Des quadrats de

1 mètre ont été délimités et récoltés. Le poids frais du feuillage et des fruits a été mesuré

pour chaque 1 mètre carré de biomasse. La biomasse a été séchée et de nouveau pesée pour

déterminer le pourcentage d'humidité et le poids de la biomasse sèche.

 42

3.3.3.3 Taux de couverture

Les photographies, prises en même temps que les mesures de réflectances, sont

également intéressantes. Elles permettent d'avoir une approche multidate du terrain. Pour

déterminer la densité du couvert végétal, on a utilisé une caméra numérique et les photos

enregistrées étaient en format RAW.

3.4 Prétraitements et traitements des données

3.4.1 Prétraitements des images CASI

La recherche nous amène à utiliser des appareils informatiques sophistiqués. Le

logiciel PCI est conçu pour traiter un bon nombre de données numériques. C'est un système

de traitement d'images aéroportées ou satellitaires. Ce système permet de faire des

corrections géométriques d'images et les geocoder, selon une projection cartographique

précise. Une fois géocodées, les données peuvent être introduites dans un système

d'information à référence spatiale ou géographique. L'une des particularités du système

PCI est le nombre de programmes variés utilisés pour la classification satellitaire et

aérienne multispectrale et hyperspectrale. Celles-ci sont basée sur les signatures spectrales

de différents types de couvert terrestre. La possibilité d'exécuter des rehaussements

d'images en leur donnant plus de clarté pour l'interprétation visuelle est un autre aspect
 43

important de ce système. PCI utilise plusieurs interfaces. Pour la réalisation du projet, les

interfaces Xpace et IMAGEWORKS ont été utilisées.

Corrections géométriques

Le positionnement géométrique des différents éléments nécessite la connaissance,

pour chaque élément de l'image (pixel), des coordonnées dans un système de référence. Or,

chaque image a une géométrie particulière liée au mode d'acquisition de la donnée. Elle

n'est donc pas directement et exactement superposable à une autre image.

Cependant, il est possible de modifier la géométrie des images en fonction d'un

système pris comme référence. Cette opération est appelée « correction géométrique » ou

plus précisément « géocodage » et s'appuie sur un modèle mathématique de correction qui

établit une relation entre les coordonnées image et les coordonnées cartographiques du

système de projection utilisé (ici, le système UTM). Les corrections géométriques sont

appliquées en général sur les images pour réduire les déformations géométriques

intervenues lors de l'enregistrement de la scène :

les distorsions causées par l'environnement (courbure de la terre, variation

d'altitude au sol, etc.);

les distorsions dues aux erreurs des systèmes de mesure;

les distorsions provenant des mouvements de la plate-forme : roulis, tangage, lacet,

vitesse et altitude.
 44

Corriger géométriquement une image consiste toujours, en premier lieu, à déterminer

une relation entre les coordonnées dans l'image brute et les coordonnées dans le système de

référence utilisé. On estime alors les déformations à l'aide de points d'appui que l'on

connaît par leurs positions sur le terrain et dans les images à corriger. La localisation des

points d'échantillonnage est traduite sous forme de coordonnées géographiques exprimées

en Longitude et Latitude. Ces points doivent se convertir en coordonnées dans le système

de projection UTM NAD 83 zone 18 Nord T E012.

Corrections atmosphériques

La correction des différentes perturbations atmosphériques nécessite en tout premier

lieu de connaître tous les paramètres atmosphériques qui interfèrent au moment de

l'acquisition des images. Afin d'estimer ces paramètres avec une bonne précision, durant la

journée d'acquisition de l'image, une campagne de mesures a été organisée sur le territoire

d'étude pour mesurer l'épaisseur optique des aérosols à 550 nm. Cette dernière a été

utilisée par la suite comme une donnée d'entrée au modèle 5S (Simulation du signal

satellitaire dans le spectre solaire) (Tanré et ai, 1985) pour déterminer, entre autres, la

transmission des. gaz, la transmission atmosphérique totale et la réflectance intrinsèque à

l'atmosphère, à l'altitude du capteur. Notons que c'est la version du modèle 5S, adaptée par

Teillet et Santer (1991) à la télédétection aéroportée, qui a été utilisée. Cette nouvelle

version tient compte de l'altitude de la surface du sol et l'altitude du capteur.

 45

3.4.2 Traitements des photographies

Afin d'obtenir le taux de couverture au sol qui constitue la vérité terrain, les images

numériques verticales ont été classifîées, c'est-à-dire que les éléments semblables de

l'image, présentant les mêmes caractéristiques spectrales, ont été regroupés en « classes ».

La classification dite dirigée qui a été réalisée dans ce traitement. Cette classification a

pour but d'utiliser notre connaissance des données et d'entraîner le logiciel à reconnaître les

classes désirées. Les pixels de l'image sont regroupés dans des classes où ils peuvent être

superposés sur la donnée originale (végétation, sol et ombre). Une bonne connaissance du

terrain est requise pour valider les résultats. Chacune des classes possède son code, le

nombre de pixels calculés faisant partie de la classe, la superficie couverte et le pourcentage

qu'elle couvre.

Pour réaliser cette étude, c'est la classification par maximum de vraisemblance qui a

été choisie après avoir tester les autres classifications (distance minimale et

parallélépipèdes). La classification par maximum de vraisemblance tient compte de

l'orientation de la distribution dans l'espace spectral en évaluant quantitativement la

variance et la covariance de la réponse spectrale pour déterminer la classe d'un pixel. C'est

une fonction paramétrique (traitements des signatures des classes selon des lois

probabilistes) reposant sur le théorème de Bayes (Bonn et Rochon, 1993). Pour ce faire, un

nuage de points Gaussien (distribution normale) est formé. La distribution de cette réponse

spectrale est décrite par la moyenne des vecteurs et par la matrice de covariance. C'est avec
 46

le traitement de ces statistiques que le logiciel peut calculer la probabilité qu'un pixel peut

se retrouver dans une certaine classe.

3.4.3 Prétraitement et organisation des données au sol

Cette phase consiste à prendre connaissance de toutes les données et métadonnées

disponibles concernant chaque point d'échantillonnage du site d'étude et d'en faire la

sélection, la validation et le classement afin d'obtenir une configuration opérationnelle.

L'analyse des données recueillies s'est faite après avoir complété la campagne de mesures à

la ferme expérimentale de l'Acadie. Selon la variable en question, le prétraitement et la

saisie à effectuer ont été minimes puisque les appareils fournissent des fichiers numériques.

Les prétraitements consistaient à éliminer certains spectres aberrants et à organiser la base

de données à référence spatiale (spectres) avec les variables mesurées au sol : le LAI, la

biomasse et le taux de couverture correspondant.

3.4.4 Équations de prédiction des variables biophysiques

En plus des mesures de réflectances pour chaque bande spectrale, plusieurs indices de

végétation ont été définis pour l'analyse de régression simple. Trois familles d'indices

spectraux ont été calculées à partir de mesures de réflectances sur le terrain pour les trois

cultures (Haricot, Pois et Maïs). Le nombre important d'indices de caractérisation de la

 47

végétation par réflectance implique un choix stratégique tant qu'à l'indice le plus efficace

pour discriminer les variations à l'étude.

Tableau II: Indices de végétation calculés

Les indices calculés Auteurs

1ère NDVI =(PIR-R)/(PIR + R) Rouse et al., 1974

catégorie
RDVI = (PIR - R) / (PIR + R)1/2 Rougean et Breon, 1995

MSR = (PIR / R-1 ) / (PIR / R +l)m Chen, 1996

Green NDVI = (PIR - V) / (PIR + V) Gitelson et al., 1996

2éme SAVI = (1 + L ) (PIR - R)/(PIR + R + L) Huete, 1988

catégorie
MSAVI = PIR + 0.5 - [(PIR + 0.5)2 - 2(PIR - R)] 1 2 Qi et al., 1994

EVI = 2.5 (PIR - R) / (L + PIR + Ci R - C2 B ) Liu & Huete, 1995

OSAVI = (1 + 0.16) (PIR - R) / (PIR + R + 0.16) Rondeaux et al., 1996

3éme
catégorie MTVIl = 1.2 [1.2 (PIR - V) - 2.5 (R - V)] Haboudane et al., 2003

MTVI2 =
1.5[1.2 (PIR- V) - 2.5 ( R - V)] / [(2PIR + l ) 2 - Haboudane et al., 2003
(6PIR-5(R) 1 / 2 )-0.5] 1 / 2
 48

L'ensemble de ces indices a été testé sur les variables biophysiques acquises lors de

l'expérience. Les résultats obtenus à partir des régressions simples nous permettent

d'identifier les indices qui sont les plus adéquats pour l'estimation des variables

biophysiques suivants : LAI, taux de couverture et biomasse, et ainsi, de déduire l'équation

de prédiction de chaque variable.

Les mesures effectuées lors du vol CASI du LAI, de biomasse et du taux de

couverture ne sont pas utilisées dans la section concernant l'établissement des équations de

prédiction. Elles ont été gardées pour la validation sur les images CASI après application

des meilleures équations de prédiction.

 CHAPITRE 4

RELATIONS EMPIRIQUES BASÉES SUR LES MESURES AU SOL

 50

4.1 Introduction

Un grand nombre d'études ont mis en évidence des relations entre variables spectrales

et variables de croissance pour différents types de couverts végétaux. Sellers et al. (1992)

classe ces relations empiriques en trois grands groupes :

1. relations concernant l'estimation des variables biophysiques;

2. relations visent à estimer les flux décrivant les caractéristiques d'absorption du

rayonnement et;

3. relations visent à estimer les flux traduisant les échanges biophysiques.

Dans le premier cas, plusieurs auteurs ont démontré l'aptitude des indices de végétation à

estimer les variables biophysiques comme l'indice foliaire (LAI), la biomasse ou le taux de

couverture de la canopée (Tucker et al 1981 ; Asrar et a/., 1984 ; Paruelo et al. 2000a,

Paruelo et al, 2000b). La relation reste non linéaire pour le LAI et la biomasse et présente

une saturation pour les valeurs élevées. Dans notre étude, les données de réflectances

mesurées des trois cultures (Haricot, Pois et Maïs) ont d'abord été utilisées pour évaluer

l'aptitude de l'information spectrale à reproduire le cycle de croissance des végétaux et puis

pour calculer des indices de végétation. Avant d'effectuer les analyses statistiques de

régression, on s'assurait d'avoir un échantillonnage représentatif d'évolution des variables

biophysiques pour une saison de croissance. L'analyse statistique de la distribution des

réflectances a démontré qu'il n'existait aucune différence significative entre les diverses
 51

cultures considérées. Dans un esprit de généralisation, nous avons intégré les trois cultures

(pois, haricot et maïs) dans un même échantillonnage. En plus, l'augmentation des indices

de végétation par rapport au LAI suit sensiblement la même tendance pour toutes les 3

cultures.

Dans un premier temps, une méthode de régression a été appliquée entre les indices de

végétation calculées à partir des données spectroradiométriques et les mesures terrain de

LAI, taux de couverture et biomasse. Cette méthode a pu être développée grâce à la

disponibilité des mesures au sol des variables biophysiques durant tout le cycle végétatif

des trois cultures (pois, haricot et maïs).

Les relations empiriques basées sur les mesures au sol que nous allons étudier

dans cette section sont respectivement :

Relations entre le LAI et les indices de végétation;

Relations entre la biomasse et les indices de végétation;

- Relatons entre le taux de couverture et les indices.

4.2 Relations entre les indices de végétation et le LAI

Les relations que nous allons étudier ont été déterminées à partir des données au sol.

Et comme première approximation de l'étude, on présente l'évolution des indices de

végétation en fonction du LAI pour l'ensemble des cultures. Cette étude permet de
 52

déterminer des relations empiriques « Indice de végétation - LAI ». Il existe différents types

de relations entre les indices de végétation et le LAI : linéaire, algorithmique, exponentielle,

etc. Mais, l'analyse de la bibliographie fait apparaître, de manière générale, une relation de

type non linéaire et plutôt exponentielle entre les indices de végétation et l'indice LAI (par

exemple Hatfield et al 1985; Sellers, 1987; Running et Nemani, 1988; Clevers, 1988). Les

meilleures correspondances sont obtenues par des relations de ce type (Baret et Guyot,

1991; Leblon et Guerif 1991; Bouman, 1992; Clevers et verhoef, 1993; Guerif et al 1995 ;

Gilabert et al 1996; Tian et al 2000, Haboudane et al, 2004). Dans notre étude, nous

avons repris aussi l'analyse des relations entre les indices spectraux et LAI par des courbes

d'évolution exponentielle.
 53

a. Première catégorie d'indices spectraux (NDVI, RDVI, Green NDVI et MSR)

1 = 0,0923g4,3231x y = 0,0438e 5 4273x

R2 = 0,8658 R2 = 0,8831 i

• /
i A

•* / „

0 0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
NDVI Green NDVI

4
y = 0.143e5127""
R2 =0 8208
I
y = 0,2557e 3 ' 4807 "
R2 = 0,7342 u
1.; •/•

J-v
c

m * m
LAI

> *• !
J

_ • «I Y
I •
t !•«

A
1
\ ^
n
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
RDVI MSR

Figure 6 : Relation entre les indices spectraux calculés (NDVI, GNDVI, RDVI et MSR) et le
LAI.
 54

b. Deuxième catégorie d'indices spectraux (SAVI, MSAVI, OSAVI et EVI)

y = 0,1455e 4 8 2 4 " y = 0 1863e 4 1638x

R2 = 0,8196 2
R = 0,7893

• •
1
•
/

0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

MSAVI

/]
y = 0,1174e45128*
R2 = 0,8465
•
y = 0,1761e 39375 *
R2 = 0,789 A
L
v\
A A
F
3
/
i AA

1
•
r*
/

r.
m
A.
A'
f
A
A

K A. A
AA
A
n-
0,0 0,2 0,4 0,6 0,8 1,0
0,0 0,2 0,4 0,6 0,8 1,0
OSAVI EVI

Figure 7 : Relation entre les indices spectraux calculés (SAVI, MSAVI, OSAVI et EVI) et le
LAI.
 55

c. Troisième catégorie d'indices spectraux (MTVIl et MTVI2)

y = 0,2464e 3 8 9 8 7 x
R2 = 0,7683

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

Figure 8 : Relation entre les indices spectraux calculés (MTVIl et MTVI2) et le LAI.

Comme on l'a signalé auparavant, les relations obtenues entre les indices de

végétation et le LAI sont de type exponentiel. La variation des indices spectraux suit les

traits de la croissance des cultures. Il est à noter que les échantillons dont le LAI est

inférieur à 0,25 présentent un problème de mesures du LAI. La différence principale entre

ces indices spectraux réside dans l'effet de saturation quand le LAI augmente. Mais pour

choisir le meilleur indice pour la prédiction du LAI, il faut comparer entre:

les niveaux de saturation des indices spectraux;

les coefficients de corrélation R ;

La dispersion des nuages des points tout en long de la courbe d'évolution.

 56

Les indices de la première catégorie (figure 6) atteignent un niveau de saturation

asymptotique quand le LAI excède 2,5; tandis que les indices de la deuxième catégorie

surtout le MSAVI et le EVI (figure 7) montrent une meilleure tendance sans saturation

claire à des valeurs élevées du LAI. Les indices SAVI et OSAVI (figure 7) et les indices de

la troisième catégorie (MTVI1 et MTVI2) (figure 8) montrent un comportement semblable,

Ils sont moins affectés par la saturation que le NDVI.

Les valeurs du coefficient de corrélation (R2) sont utilisées pour comparer les résultats

et s'assurer de leur signification statistique. L'utilisation du coefficient R permet de

déterminer la signification de la relation en vérifiant si la pente de la relation est propice à

l'estimation de la variable dépendante du LAI (Hines et Montgomery, 1990; Scherrer,

1984). La comparaison des valeurs obtenues est donc indispensable. Une valeur

relativement faible du coefficient de corrélation des relations empiriques indique cependant

que leur utilisation peut entraîner des erreurs non négligeables sur l'estimation du LAI.

Dans la première catégorie, Lorsque nous utilisons des indices de végétation comme le

NDVI qui est l'indice le plus largement utilisé et le Green NDVI, on découvre une bonne

corrélation avec un coefficient de corrélation égal à 0,88. Ces indices de végétation sont en

effet très souvent cités dans la littérature et peuvent ainsi servir de base de comparaison

entre différentes études. Les études utilisant le NDVI demeurent toujours intéressantes. Le

NDVI présente la particularité d'augmenter en présence de végétation. Cette particularité

 57

trouve son origine dans la forme des spectres de réflectances du sol et de la végétation

(Jacob, 1999)

D'après l'ensemble des données utilisées, il est évident que les indices de végétation

sont significativement corrélés au variable de croissance LAI. Ceci est en accord avec les

résultats de travaux antérieurs tels que de Sellers et al (1992); lesquels ont montré le

potentiel des indices de végétation pour décrire le fonctionnement de la végétation.

La relation entre les indices de la deuxième catégorie (SAVI, MSAVI, OSAVI et EVI)

et le LAI des parcelles échantillonnées (figure 7) montre une très bonne corrélation surtout

pour l'indice OSAVI dont le coefficient de corrélation R2 est de l'ordre de 0,84. La moins

bonne valeur de corrélation obtenue dans cette famille d'indices est celle du EVI et du

MSAVI avec un coefficient R2 de l'ordre de 0,78. Le SAVI montre aussi une bonne

corrélation avec un coefficient de 0,81. Les indices MTVI1 et MTVI2 (figure 8) montre des

bons coefficients de corrélation (0,76) mais ils sont moins élevés que les autres coefficients

obtenus avec les indices de la première et la deuxième catégorie.

Pour la dispersion des points au long de la courbe d'évolution, les indices NDVI et

Green NDVI (figure 6) présentent le meilleur comportement mais ces deux relations telles

que mentionnées auparavant exposent le problème de la saturation à des valeurs élevées du

LAI. Tous les indices exposent une considérable dispersion causée par la concentration en

chlorophylle et/ou l'influence d'autres caractéristiques de la canopée. En effet, ces indices

sont conçus pour mesurer la verdure de la végétation dans laquelle le contenu en

 58

chlorophylle joue un rôle important (Haboudane et al., 2002). L'indice spectral OSAVI

(figure 7) présente la particularité d'avoir une dispersion plus faible que les autres indices

avec une légère surestimation des valeurs moyennes; il y'a une certaine amélioration dans

la distribution des échantillons le long de la courbe d'évolution.

Les résultats portent à conclure que l'indice spectral OSAVI est le meilleur indice

pour la prédiction du LAI pour le jeu de données dont on dispose. Cet indice nous permet

d'examiner la chronoséquence entière du LAI et donne une bonne corrélation avec le LAI

dont le coefficient de corrélation est de l'ordre de 0,84. L'information issue de la

télédétection apparaît donc utilisable pour l'estimation de l'indice foliaire (LAI), comme

cela a été établi par Paruelo et al. (2000 a) ou Cayrol et al. (2000). Par ailleurs, nos résultats

confirment ceux de Cayrol et al. (2000) montrant que le LAI est bien relié aux indices de

végétation, ces derniers étant directement reliés aux propriétés biophysiques associées aux

feuilles vertes.

4.3 Relations entre les indices de végétation et le taux de couverture

La réflectance d'un couvert végétal ne dépend pas seulement des propriétés

d'absorption et de diffusion des feuilles mais aussi de son architecture. Celle-ci varie selon

la forme, la dimension, la distribution dans l'espace et la quantité des surfaces végétales du

couvert (Knyazikhin et al, 1998). La distribution spatiale de la végétation sur le sol dépend

du type de végétation, de la disposition des plantes, et de leur stade de croissance. Au fur et

 59

à mesure que la végétation se développe, les effets du sol s'estompent. La contribution du

sol à la réflectance du couvert est liée principalement au taux de couverture de ce dernier.

Ainsi, le sol peut jouer un rôle non négligeable dans les premiers stades de développement

où les plants sont juvéniles ou dans certains couverts agrégés où les plants s'organisent en

agrégats (Bacour, 2001).

Les relations étudiées dans cette section ont été déterminées aussi à partir des données

au sol. Ce sont des relations qui sont établies entre la variable biophysique taux de

couverture et divers indices de végétation. Les relations sont linéaires et leurs

caractéristiques sont reportées dans le tableau suivant (Tableau III). Il s'agit des valeurs du

coefficient de corrélation, de la pente et l'ordonnée à l'origine obtenues pour chaque

relation linéaire entre le taux de couverture et les indices de végétation.

 60

Tableau III : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre le

taux de couverture et les indices de végétation.

Indices Coefficient de corrélation Pente Ordonnée à

spectraux (R2) (a) l'origine (b)

NDVI 0,92 1,021 -0,146

1ère RDVI 0,93 1,318 -0,089

famille
Green NDVI 0,91 1,263 - 0,304

MSR 0,92 0,973 0,016

SAVI 0,93 1,240 - 0,086

2éme MSAVI 0,93 1,112 -0,044

famille
OSAVI 0,93 1,110 -0,114

EVI 0,93 1,056 -0,058

3éme MTVI1 0,93 1,069 0,007

famille
MTVI2 0,93 1,065 0,018
 61

Les corrélations entre le taux de couverture et les indices de végétation montrent que

ces derniers sont sensibles au taux de couverture. En plus quand on change l'indice

spectral, on remarque qu'il n'existe pas une plage importante de variations du taux de

couverture. En effet, dans tous les cas, les valeurs de R2 obtenues sont très élevés (les

coefficients de corrélation sont environ égale 0,9) (Tableau III).

Les résultats pour les 3 catégories d'indices sont similaires et satisfaisants. Tous ces

indices montrent des meilleures performances pour l'estimation du taux de couverture.

Les données collectées sont hétérogènes avec un pourcentage de végétation variant de 0 à

95%. Grâce à cette hétérogénéité, on a trouvé une corrélation linéaire remarquable entre le

taux de couverture et tous les indices de végétation.

Bien que tous les indices spectraux dans cette étude montrent des bons coefficients de

corrélation, le choix du meilleur indice pour l'estimation du taux de couverture pour le jeu

de données dont on dispose nécessite une comparaison des lignes de régression du point de

vue :

- la tendance 1 pour 1, c'est-à-dire une pente proche à 1;

- l'ordonnée à l'origine qui doit être la plus proche possible de 0;

- la saturation non apparente à des valeurs élevées du taux de couverture.

En comparant les pentes et les ordonnées à l'origine des différentes lignes de

régression obtenues (Tableau III), on remarque que les indices de la première catégorie ne

présentent pas les caractéristiques désirées pour la prédiction du taux de couverture, en plus
 62

ils présentent une saturation apparente à des valeurs supérieurs à 75% surtout dans le cas du

NDVI et GreenNDVI (figure 9). Par contre, les indices MSAVI et EVI de la deuxième

catégorie (figure 10) présentent des pentes proches de 1 et qui sont respectivement de

l'ordre de 1,11 et 1,05 et des ordonnées à l'origine plus proche de 0 (de l'ordre de -0,05).

Les indices MTVIl et MTVI2 (figure 11) présentent aussi des caractéristiques semblables

(pentes proches de 1 et des ordonnées à l'origine voisines de 0).

En conclusion, nous avons montré qu'il est possible de trouver des relations linéaires

entre les indices de végétation et des mesures au sol du taux de couverture. En outre, les

résultats obtenus permettent de valider l'utilisation du MSAVI pour la prédiction du taux de

couverture en utilisant des images de télédétection. Nous savons donc que les relations

obtenues ne sont pas générales, mais dans le but de réduire des mesures du taux de

couverture au sol, il serait intéressant de les valider en utilisant des images CASI.
 63

a. Première catégorie d'indices spectraux (NDVI, RDVI, Green NDVI et MSR).

100

80
y = 102,12x- 14,609
R2 = 0,9159 i y = 126,3x-30,499
R2 = 0,9117

o
60 - • • /
t O
s?
60

s* • y
40 40

/
20

0
0,0 0,2 0,4 0,G 0,8 1,0 0,0 0,2 0,4 0,6 1,0
NDVI Green NDVI

100
y = 97,349x+ 1,6683
R2 = 0,9202 m
y = 131,86x-8,9766
80 - R2 = 0,9322 80
• •
• •
60
60
• •
O
l •
o
•
40
40 -

/
20 • /
20 -
f
n
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
MSR
RDVI

Figure 9 : Relation entre les indices spectraux calculés (NDVI, GreenNDVI, RDVI et MSR) et le
taux de couverture (%C) tout au long du développement des cultures.
 64

b. Deuxième catégorie d'indices spectraux (SAVI, MSAVI, OSAVI et EVI).

100

• $i
y = 124,07x-8,64 y = 111,24x-4,4603
80 80 2
R = 0,9331
R2= 0,9315
•
/ /
60 i
*• •
O

40 *

/
* /
in
r
0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

MSAVI

100 100

y = 111,06x-11,455
•i A k

2 m y =105,61x-5,8046
R = 0,9267 R2 = 0,9334 A
m 80

À
à
,
o
60
•'4
m
60
LA

y
40
40

m y
20
20

0,0 0,2 0,4

OSAVI
0,6 0,8 1,0 7
0,0 0,2 0,4
EVI
0,6 0,8 1,0

Figure 10 : Relation entre les indices spectraux calculés (SAVI, MSAVI, OSAVI et EVI) et
le taux de couverture (%C) tout au long du développement des cultures.
 65

c. Troisième catégorie d'indices spectraux (MTVI1 et MTVI2)

100
y = 106,98x+0,7184
R2 = 0,9273 /
80
•

60 /
o O
s?
s?

40 /

/
20

0
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0

MTVI1

Figure 11 : Relation entre les indices spectraux calculés (MTVI1 et MTVI2) et le taux de
couverture (%C) tout au long du développement des cultures.

4.4 Relations entre les indices de végétation et la biomasse

L'utilisation de données spectrales permet d'estimer la biomasse en s'appuyant sur les

indices de végétation; une revue bibliographique décrit les diverses techniques utilisées

pour dériver la biomasse ou la productivité des observations de télédétection (Fischer et al.,

1995). Les relations entre les indices spectraux et la biomasse sont en général empiriques
 66

(Moulin, 1995). Dans cette section, On analysera la possibilité de relier statistiquement les

indices de végétation à la biomasse mesurée durant toute la saison de croissance.

On a relié les indices de végétation à la biomasse par des courbes d'évolution

exponentielle puisque ce type d'évolution qui donne les meilleures correspondances

(figures 12, 13 et 14). Comme les allures générales des courbes ressemblent à celles de

l'évolution du LAI en fonction des indices de végétation, le choix du meilleur indice pour

la prédiction de la biomasse nécessite aussi la comparaison entre :

- les niveaux de saturation des indices spectraux;

les coefficients de corrélation R2 ;

- la forme de dispersion des nuages des points.

Les indices NDVI et GreenNDVI de la première catégorie (figure 12) sont les seuls

indices qui montrent un niveau de saturation quand la biomasse atteint des valeurs élevées

(supérieure à 25 T/ha), Ceci les rend moins performant pour l'estimation de la biomasse

même ils présentent des bons coefficients de corrélation (de l'ordre de 0,90).

La relation entre les indices de la deuxième catégorie (SAVI, MSAVI, OSAVI et EVI)

et la biomasse (figure 13) montre une bonne corrélation surtout pour l'indice OSAVI dont

le coefficient de corrélation R2 est de l'ordre de 0,90. Les indices MTVIl et MTVI2 (figure

14) montrent aussi des bons coefficients de corrélation (respectivement de l'ordre de 0,82 et

0,83) mais ils sont moins élevés que les autres coefficients obtenus.
 67

Pour la dispersion des nuages des points, La relation Biomasse - OS AVI semble la

plus appropriée puisqu'il y'a une certaine amélioration dans la distribution des échantillons

le long de la courbe d'évolution mais elle montre un effet de saturation dans des valeurs

élevées de biomasse entre 25 et 35 T/ha.

Les relations indices de végétation - biomasse trouvées sont très significatives; leur

pente varie en fonction de la période phénologique considérée. Mais, pour le jeu de données

dont on dispose, le MSAVI semble être l'indice le plus adéquat pour l'estimation de la

biomasse surtout qu'il donne une bonne corrélation avec ce variable biophysique sans

montrer le phénomène de saturation aux valeurs élevées.

 68

a. Première catégorie d'indices spectraux (NDVI, RDVI, Green NDVI et MSR)

35 35

30 i • 30
i

y = 0,2148e5'5318* £
25 R2 = 0,9034 25
/ y = 0,6747e 49272x
R2 = 0,8094

i <ul
(A
«15
<fl
V)
y
/ A4
18
o
fi y
0,0 0,5 1,0 0,0 0,2 0,4 0,6 0,8 1,0
MSR

35 n 35
1
30 30
1: /
i 6M85x

25 y = 0,084 ge68884«
R2 = C,909
25
y = 0,3464e
R2 = 0,8767 7.
•w 2 0 150 /
(A
m •
/ • •
g 10
o
- —/ o •<
m5
»
^ -
0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
Green NDVI
RDVI

Figure 12: Relations entre les indices (NDVI, GNDVI, RDVI et MSR) et la
biomasse
 69

b. Deuxième catégorie d'indices spectraux (SAVI, MSAVI, OSAVI et EVI)

35 35

30 30

25
y =-- 0,3537e
64483x

R2 = 0,87/•r
5
•
w
7. 25
y = 0,4741e 5 ' 6699 *
/

/ R2 = 0,8535
/

/
Sin 1 5
I
/ §1
m m
i

0,0 0,2 0,4 0,6 0,8 1,0 0,0 0,2 0,4 0,6 0,8 1,0
SAVI
MSAVI

35
/
30 {

. 7
30
y=o,; >776e» • ' « •
= 0.8976 /
0
y =0.444 3e«3is«
20 /

I.
R==0 8488

/
.2
15

/
i
/

A*
15

10
• à
/ *

/ y *

0.0 0.2 0.4 0.6 0.8

0,0 0.4 0.6 0.8 1 :
OSAVI
EVI

Figure 13: Relations entre les indices spectraux (SAVI, MSAVI, OSAVI et EVI)
et la biomasse
 70

c. Troisième catégorie d'indices spectraux (MTVI1 et MTVI2)

35
5 25S3
: /: 36

4
7
30 V —0 6656e « y = C,6865e 5 3 3 7 ta
R! = 0,816E 1P = 0,832
• •

// *
25

J-20
È
//
S 15
1
E
, / *• l
••
•î 10

y• y--
0.0 0.2 0.4 0 6 0.8 1 0 0.0 0.2 3.4 0.6 0.8
MTVI1 MTVI2

Figure 14 : Relations entre les indices spectraux (MTVI1 et MTVI2) et la biomasse

4.5 Conclusions

II ne s'agissait pas ici d'effectuer une étude exhaustive concernant les variables

biophysiques et les indices de végétation par ailleurs abordés par de nombreux auteurs,

mais bien de justifier le choix de l'indice de végétation qui sera utilisé dans l'application à

l'imagerie hyperspectrale aéroportée. Les résultats obtenus dans cette section permettent de

conclure qu'il est possible d'associer les indices de végétation aux variables biophysiques :

le LAI, le taux de couverture et la biomasse. L'étude a démontré que le OS AVI est le

meilleur indice pour la prédiction du LAI et de la biomasse, tandis que le MSAVI et le

 71

MTVI2 sont les meilleurs pour le taux de couverture. La plupart de ces relations, sinon

toutes, restent toutefois sensibles à l'anisotropie des surfaces observées. Les

développements récents liés à l'amélioration des connaissances sur la nature et sur les

causes de variabilité de la réflectance s'accompagnent de nouveaux indices de végétation

optimisées qui tendent à s'affranchir de ces problèmes directionnels (Govaerts et al, 1999;

Gobroneta/., 1999).
 CHAPITRE 5

APPLICATION À L'IMAGERIE HYPERSPECTRALE AÉROPORTÉE ET

VALIDATION
 73

5.1 Introduction

La télédétection permet d'acquérir une quantité importante d'informations sur la surface

terrestre à des échelles spatiales et temporelles variées. Depuis le lancement du premier

satellite d'observation de la terre Landsat en 1972, de nombreuses missions ont couvert la

surface terrestre. En parallèle, la communauté scientifique a mis au point une panoplie

d'outils permettant d'utiliser ces données (Tucker and sellers, 1986; Townshend et justice,

1988; Baret et Guyot, 1991; Running et al, 1994; Moulin et al., 1997; Myneni et al., 2002).

La détermination des variables biophysiques à partir de mesures sur le terrain est impensable

à grande échelle, compte tenu du travail que cela représente. La télédétection spatiale, de par

sa capacité à surveiller la surface terrestre à des fréquences allant de quelques heures à

plusieurs dizaines de jours, peut apporter une solution, à condition que l'on puisse relier de

manière fiable les variables biophysiques aux données radiométriques acquises par l'imagerie

satellitaire ou aéroportée.

L'imagerie satellitaire ou aéroportée, compte tenu de sa capacité à fournir des

informations synoptiques à différentes échelles de temps et d'espace, est devenue un outil

indispensable pour l'étude des écosystèmes terrestres et des flux gazeux et hydriques à

l'interface "Biosphère Continentale - Atmosphère". Ainsi, elle permet de fournir des

paramètres d'entrée aux modèles de fonctionnement de la végétation. Dans de nombreux cas,

elle constitue l'unique source possible d'information.

Le domaine de l'hyperspectral est à l'heure actuelle très peu connu par les utilisateurs de

données géospatiales. Cette étude tentera d'apporter une contribution sur la pertinence de

cette technologie dans le domaine d"agriculture de précision. Pour y parvenir, on a réalisé

 74

l'application des équations de prédiction des variables biophysiques à l'imagerie aéroportée

CASI.

Le survol par avion sur la ferme expérimentale a été réalisé le 14 Août 2003; aligné avec

les parcelles. Les images ont été acquises au cours de la matinée afin d'éviter la couche

nuageuse présente généralement à partir du milieu de la journée. Lors du survol, le champ de

pois ont été déjà récolté et les champs d'haricot et du maïs étaient en croissance maximale; le

maïs était couvrant et l'haricot en stade de maturation (figure 15)

Figure 15 : Les trois champs échantillonnés

 75

5.2 Application et validation par rapport à la réalité terrain

5.2.1 LAI

Après avoir démontré que l'indice OSAVI est le meilleur estimateur du variable LAI

son équation de prédiction a été appliquée aux données hyperspectrales CASI :

(16) LAI = 0.1174 exp (4.5128* OSAVI)

Figure 16 : Carte du LAI à lm de résolution

 76

Après application de l'équation sur les images, on a subdivisé nos champs agricoles de

maïs et de haricot en huit parcelles à l'aide des masques construit dans le système de

traitement d'images PCI. Chaque masque permet de nous donner directement la moyenne du

LAI de la parcelle correspondante. La même subdivision a été faite sur les données de la

réalité terrain. L'extraction des données a été effectuée sur les deux champs de maïs et

d'haricot dont les développements en termes de valeurs de LAI sont différents (figure 16). La

variabilité du LAI se distingue par une différence de teintes; les trois parcelles sont

effectivement assez différentes mais l'haricot est plus hétérogène que les deux autres

champs. Le pois est assez homogène avec des très faibles valeurs de LAI (Pois récolté).

Enfin, le maïs a des valeurs du LAI moyennes à élevées particulièrement homogène. La

comparaison des valeurs du LAI produites par application de l'équation de prédiction et celle

mesurée au sol est primordiale; c'est l'étape qui mettra en valeur la précision des données de

télédétection et permettra de questionner la base de données pour la prise des décisions

définitives. La correspondance entre ces deux données est basée sur des régressions simples

entre les moyennes de LAI, au sol et celles estimées à partir des images CASI. Le tableau ci-

dessous (Tableau IV) montre les caractéristiques de la régression.

 77

Tableau IV : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre le LAI

mesuré et le LAI estimé

Coefficient de
Résolution Pente Ordonnée à l'origine corrélation

1x 1 m 0,62 1,8 0,86

2x2m 0,49 1,93 0,88

4x4m 0,95 0,11 0,85

10 x 10 m 0,68 0,89 0,81

15x15 m 0,86 0,43 0,71

20 x 20 m 1,1 -0,82 0,65

D'une manière générale, les régressions obtenues sont statistiquement significatives,

ce qui veut dire qu'il y'a une bonne concordance entre les prédictions et la vérité terrain. Les

coefficients de corrélation (R2) associés à ces régressions varient entre 0,65 et 0,88 pour le

LAI. Donc, la variance entre les valeurs mesurées et estimées du LAI n'est pas élevée. Ainsi,

la certitude associée à une valeur à LAI estimée à partir de l'indice spectral OSAVI est forte.

Ces résultats confirment donc la pertinence de l'utilisation des données hyperspectrales pour

l'estimation fine du LAI dans un contexte d'agriculture de précision.

 78

5.2.2 Biomasse

L'équation de prédiction de la biomasse a été appliquée sur les images CASI, et de

nouvelles valeurs sont générées de la même façon que celle suivie pour le LAI.

(17) Biomasse = 0,2775*exp(5.9168*OSAVI)

Figure 17: Carte de la biomasse à lm de résolution

Une simple analyse visuelle de la carte de la biomasse générée à partir de l'image CASI

à lm permet de constater qu'il y'a des différences de biomasse même à l'intérieur du même

champ agricole (figure 17). Les tons de bleu foncé indiquent une plus faible concentration de

biomasse alors que les tons de verts représentent une biomasse plus abondante. Les tons

rouges jaunâtres indiquent une biomasse plus ou moins importante. La comparaison entre les
 79

valeurs de la réalité terrain avec celles obtenues à partir des images CASI est faite à l'aide de

régressions simples (Tableau V). On constate d'après les résultats obtenues une très bonne

corrélation entre la biomasse mesurée et celle estimée.

Tableau V : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre la

biomasse observée et la biomasse estimée
Coefficient de
Résolution Pente Ordonnée à l'origine corrélation

1x 1 m 1,33 -11,45 0,71

2x2m 1,02 -4,99 0,70

4 x4 m 0,84 3,20 0,70

10 x 10 m 0,88 1,26 0,69

15 x 15 m 1,79 -27,56 0,66

20 x 20 m 0,80 5,11 0,64

 80

5.2.3 Taux de couverture

Comme le MSAVI est le meilleur indice pour la prédiction du taux de couverture, son

équation de prédiction a été appliquée sur les images CASI également.

(18) %C = 111.24 * MSAVI - 4.4603

Figure 18 : Carte du taux de couverture à lm de résolution

L'analyse de la carte du taux de couverture à lm de résolution montre bien des

différences dans le taux de couverture (figure 18). Les trois champs présentent des taux de

couverture de valeurs importantes à faibles. Les valeurs les plus élevées sont désignées par

des tons rougeâtres à rosâtres alors que les plus faibles par des tons verts à jaunâtres.

Tableau VI : Corrélations, pentes et ordonnées à l'origine de la relation linéaire entre le taux

de couverture observé et le taux de couverture estimé
 81

Coefficient de
Résolution Pente Ordonnée à l'origine corrélation

1x 1 m 0,36 45,63 0,64

2x2m 0,29 48,13 0,65

4 x4 m 0,66 17,26 0,67

10x10 m 0,51 27,65 0,64

15x15 m 0,67 17,42 0,62

20 x 20 m 0,88 -7,1 0,68

Les corrélations obtenues entre le taux de couverture mesuré et celui estimé ne sont pas

très bonnes. Les coefficients de corrélation sont de l'ordre de 0,60. Ce problème peut être

expliqué par le fait que les images sont prises à un stade de croissance bien avancé; ainsi la

végétation étant couvrante, il n'y a pas de variabilité spatiale importante pour aboutir à des

relations statistiques significatives. De manière générale, c'est le problème de relier

l'observation de télédétection à un stade de développement de la végétation.

 82

5.3 Variabilité spatiale

Comme cela a été précisé dans de nombreux travaux scientifiques, l'hétérogénéité

spatiale dépend de l'échelle d'observation à laquelle la variable est mesurée (Townshend et

Justice, 1988, Turner et al9 1989, Turner et al, 1991, McGiwire et a/., 1993, Wickhan et

Riitens, 1995, Moran et al, 1997, Wu et Qi, 2000, Oliver, 2001). Dans cette section, on traite

l'effet du passage d'une résolution spatiale à une autre plus faible sur la caractérisation de

l'hétérogénéité spatiale. Cette variabilité spatiale est due à des variations de l'humidité, à la

disponibilité des éléments nutritifs, au drainage, au pH du sol, et aux mauvaises herbes, etc.

(Begon et al, 1990; Couteron et Kokou, 1997). L'hétérogénéité spatiale devient de plus en

plus évidente avec la variation progressive de la résolution.

Les images CASI (figure 19) montrent que la composition et la structure varient d'un

endroit à l'autre sur un même champ. Ces champs agricoles ne sont pas homogènes, ils

présentent des variations spatiales importantes dans leurs propriétés physico-chimiques.

Celles-ci induisent différentes conditions de fertilité qui occasionnent une croissance non

uniforme des cultures à l'intérieur d'un même champ. En plus, les dates de semis des cultures

sont différentes et le champ de pois a été déjà récolté.

L'analyse des images CASI à différentes résolutions (figure 19) nous permet de

constater aussi que à certains résolutions, il y'a une conservation de l'information, et il ne

s'agit qu'un simple agrandissement de la carte d'une résolution à l'autre, Mais pour d'autres,

on perd du détail. Aux résolutions de 1 m, 2 m, 4 m et 10 m, on remarque que l'information

reste claire avec un excellent respect des limites des champs et une très bonne discrimination
 83

des zones homogènes représentées par l'absence ou la présence de couvert végétale. Par

contre, pour les résolutions 15 m et 20 m, il y'a une suite dans l'agrégation et la

généralisation de l'information spatiale.

 84

20 m —

lm

Figure 19 : les images CASI de lm à 20m de résolution

 85

5.3.1 Analyse visuelle et réalité terrain

La résolution spatiale d'un capteur est définie en fonction de PIFOV comme étant la

surface minimale observable au sol. Plus la résolution spatiale est grande, plus la surface

minimale observable est petite. Dans cette section, nous essayons d'illustrer l'effet de la

résolution sur la variation spatiale des variables biophysiques. Des cartes du LAI, de la

biomasse et du taux de couverture ont été établies à partir des images CASI de lm, 2m, 4m,

10m, 15m et 20m de résolution (figures 21, 22 et 23). On constate dans un premier temps une

variabilité aussi bien intraparcellaire que interparcellaire du LAI, de la biomasse et du taux

de couverture. L'analyse visuelle des cartes générées permet de constater aussi que la

structure spatiale de chaque variable biophysique diffère d'une résolution à une autre.

L'hétérogénéité des variables biophysiques sur la même parcelle dépend donc de

l'échelle d'observation. En effet, une baisse de la résolution spatiale se traduit par une perte

de l'information sur l'hétérogénéité spatiale mise en évidence à haute résolution. À des

résolutions de 1 m, 2 m et 10 m, le LAI, la biomasse et le taux de couverture se distribuent de

façon hétérogène. Par contre, à partir de la résolution de 10 m, l'information sur la variation

des variables biophysiques se perd et l'organisation est de en plus en plus homogène.

Grégoire et al (1993) indiquent que l'hétérogénéité d'un milieu est en général relative à une

grandeur particulière et se définit par rapport à une mesure.

La robustesse de l'estimation a été testée par la comparaison des paramètres estimées et

mesurées sur le terrain qui fournissent le coefficient de corrélation (R ) et l'erreur

 86

quadratique moyenne (RMSE) de la droite de régression. Le RMSE est l'écart moyen entre

les valeurs des variables mesurées sur le terrain et celles dérivées à partir des images CASI.

De manière prévisible, les coefficients de corrélation diminuent et les erreurs augmentent

quand la résolution diminue dans le cas du LAI et de la biomasse (figures 20 et 21). Ces

différences sont surtout importantes quand on passe de 10 m à 15m de résolution. Dans le cas

du taux de couverture, on remarque des fluctuations du coefficient de corrélation et le RMSE

en fonction de la résolution, ce qui veut dire que la relation n'est pas parfaite. On peut

conclure donc que les données du taux de couverture ne peuvent pas être bien estimées

pendant ce stade de croissance surtout qu'il n'y a pas tous les points de mesures habituels

lors de la prise des images CASI (figure 22).

 87

0 5 10 15 20 0 5 10 15 20
Résolution en mètre Résolution en mètre

Figure 20 : Cartes du LAI de 1 m à 20 m de résolution et la variation du R2 et RMSE en fonction

de la résolution
 88

1m

3
> «

2 /
t
1
5 10 15 20 5 10 15 20

Résolution en mètre Résolution en mètre

20 m
Figure 21 : Cartes de la biomasse de 1 m à 20 m de résolution et la variation du R2 et RMSE en
fonction de la résolution
 89

0 5 10 15 5 10 15 20
Résolution en mètre Résolution en mètre

Figure 22 : Cartes du taux de couverture de 1 m à 20 m de résolution et la variation du R2 et

RMSE en fonction de la résolution
 90

5.3.2 Effet de la résolution spatiale sur la variabilité spatiale

En analyse statistique, le coefficient de variation (CV) est souvent utilisé pour étudier la

variabilité spatiale en agriculture. Dans cette section, on désire caractériser les champs

agricoles en fonction de la variation de l'échelle d'observation à l'aide du coefficient de

variotion

(19) CV= 100*(l'écart type / la moyenne)

Celui-ci décrit généralement l'hétérogénéité d'une scène, il est sans dimension et

indépendant de l'échelle. Une valeur élevée indique que la dispersion autour de la moyenne

est grande et qu'il y a une grande hétérogénéité tandis que une faible valeur indique qu'il y a

une certaine homogénéité. C'est un outil puissant pour chercher les grandes sources de la

variation.
 91

0,6 • Zone 1
• Zone 2
c 0,5 « Zone 3
o
PB
—A—Zone 4
I 0,4
~ 0,3
.32
'3
0,2

0,1
; H
• =•
0,0
10 15 20
Résolution en mètre

Figure 23 : Variation du coefficient de variation du LAI en fonction de la résolution spatiale

Zone 1
Zone 2
Zone 3
Zone 4

Résolution en mètre

Figure 24 : Variation du coefficient de variation du taux de couverture en fonction de la

résolution spatiale
 92

n AD -•—Zone 1
-•— Zone 2
0,35 —— a — Zone 3
-Zone 4
o 0,30 -
1 0 25 - hv>s
«
re •
0) n on

•o
0,15 -
^ ^
k | j

1
o 0,10 -
O
1 0,05 -

0.00 -
4 10 15 20
Résolution en mètre

Figure 25 : Variation du coefficient de variation de la biomasse en fonction de la résolution

spatiale

La comparaison des graphiques générés par différentes zones (zone 1, zone 2, zone 3 et

zone 4) de nos champs agricoles permet de déduire que le coefficient de variation liés aux

trois variables biophysiques (LAI, taux de couverture et biomasse) diminue au fur et à

mesure que la résolution augmente (figures 23, 24 et 25). La baisse de variance est beaucoup

plus importante pour un site hétérogène qu'un site homogène, c'est le cas de la zone 3 et de

la zone 4, alors que pour la zone 1 et la zone 2 où les sols agricoles sont homogènes, le

coefficient de variation tend à rester constant au fur et à mesure que la résolution diminue.

C'est là un signe qu'il y a bien une relation entre les caractéristiques des cultures et l'échelle

d'observation surtout la variabilité spatiale. Celle-ci qui tend à s'uniformiser de manière

progressive lorsque l'échelle d'observation croît. En plus, l'amplitude des variations ne varie

pas de façon aléatoire, mais décroît de façon non linéaire pour se stabiliser à partir d'un
 93

certain seuil qui est de Tordre de 10 m pour le LAI et de Tordre de 15 m pour la biomasse et

le taux de couverture.

Donc, à toute échelle, il existe un niveau, un type d'hétérogénéité caractéristique à

déterminer. Les images de la même scène observées à des résolutions spatiales différentes ne

présentent pas la même information spatiale, en particulier, l'hétérogénéité spatiale mise en

évidence à haute résolution spatiale et perdue à faible résolution. La résolution optimale est

définie comme la valeur pour laquelle cette variance est minimale. Différents auteurs la

définissent comme la résolution du système d'échantillonnage à laquelle la distribution

spatiale des données mesurées capture l'hétérogénéité spatiale de la propriété de surface

étudiée (Curran et Atinson, 2002, Stein et Ettema, 2003). L'analyse de nos images CASI

prises à différentes résolutions et des courbes d'évolution des coefficients de variation en

fonction de la résolution spatiale nous conduit à des résolutions optimales de Tordre de 4 m à

10 m pour le LAI et de Tordre de 15 m pour la biomasse et le taux de couverture.

 94

CHAPITRE 6

CONCLUSIONS
 95

La télédétection constitue une source d'informations pertinentes pour suivre l'évolution

de la végétation. Elle permet d'estimer les variables biophysiques révélatrices de l'état et du

fonctionnement du couvert végétal. Toutefois, il y'a une dépendance étroite entre les résultats

générés par l'analyse de données de télédétection et la résolution spatiale à laquelle ces

données ont été acquises. Jusqu'à présent, la plupart des méthodes utilisées pour estimer les

variables biophysiques à moyenne résolution spatiale ne prennent pas en compte le biais dû à

l'hétérogénéité spatiale. Deux stratégies ont été identifiées pour diminuer cette incertitude :

1. la prise en compte de l'hétérogénéité spatiale de façon explicite dans l'estimation des

variables biophysiques,

2. le choix d'une résolution spatiale optimale pour estimer les variables biophysiques.

Pour envisager chacune des solutions proposées pour limiter l'effet de l'hétérogénéité

spatiale sur l'estimation des variables biophysiques, cette recherche consistait à estimer les

variables biophysiques révélatrices de l'état des cultures à partir de données de télédétection,

et à évaluer l'effet du changement d'échelle sur leur variabilité spatiale. L'analyse des

résultats obtenus nous a permis de faire ressortir les constatations suivantes : premièrement,

les indices OSAVI et MSAVI se sont avérés les meilleurs estimateurs des variables

biophysiques, respectivement, le LAI, le taux de couverture et la biomasse. Deuxièmement,

nous avons vu que les champs agricoles se caractérisent en fonction de son échelle

d'observation, pour certaines résolutions spatiales, il y'a une forte variabilité alors pour

d'autres il y'a une variabilité beaucoup plus stable. Donc, la résolution spatiale est un

paramètre qui doit être choisi avec attention. Des pixels plus petits fournissent toujours plus
 96

de détails, mais la redondance spatiale cause des problèmes tenant au volume des données à

manipuler, tant lors de la visualisation des images que lors des calculs. En utilisant des

capteurs aéroportés, nous pouvons obtenir des images dans lesquelles la taille des pixels est

définie par l'altitude de l'avion. Par contre, il faut aussi faire une pré-analyse pour choisir la

taille optimale des pixels des images.

Les relations statistiques effectuées avec les variables biophysiques sur les trois champs

agricoles et à partir d'un important nombre d'images CASI à différentes résolutions, favorise

une optimisation de la méthodologie utilisée. La confirmation des résultats obtenus par

d'autres études du genre permettrait peut-être la construction de modèles solides et efficaces.

D'autre part, si la télédétection en général et les images des capteurs CASI en particulier

nous apportent une grande richesse d'information pour l'étude spatialisée, elles ne donnent

pas toutes les réponses. Pour une exploitation efficace de leur potentiel, une connaissance de

terrain est nécessaire.

RÉFÉRENCES
 98

Adams, M. L., Norvell W. A., Philpot W. D. and Peverly J. H. , 2000. Spectral detection of
micronutrient deficiency in 'Bragg' soybean. Agronomy Journal 92: 261-268.

Adams, J.B, Smith M.O., Gillespie A.R., 1989. Simple model for complex natural surfaces:
a strategy for the hyperspectral era of remote sensing. Proceedings of the
International. Geoscience and Remote Sensing Symposium. '89, IEEE, New York, pp.
16-21.

Agriculture et Agroalimentaire Canada, 2001. L'agriculture en harmonie avec la nature II-

Stratégie de développement durable d'Agriculture et Agroalimentaire Canada 2001-
2004 : 77.

Anderson, G.L., Hanson, J.D. and Haas, R.H., 1993. Evaluating Landsat Thematic Mapper
derived vegetation indices for estimating above-ground biomass on semiarid
rangelands. Remote Sensing of Environment. 45, 165-175.

Anderson, G.L. and Hanson, J.D., 1992. Evaluating handheld radiometer derived vegetation
indices for estimating above ground biomass. Geocarto International. 7, 71-78.

.Asrar, G.; Fuchs, M.; Kanemasu, E.T. and Hatfield, J.L., 1984. Estimation absorbed
photosynthetic radiation and leaf area index from spectral reflectance in wheat.
Agronomy Journal 76: 300-306.

Auernhammer, H., 2001. Precision farming-the environmental challenge. Computers and

Electronics in Agriculture 30: 31-43.

Bacour C , 2001. Contribution à la détermination des paramètres biophysiques des couverts

végétaux par inversion de modèles de réflectance : analyses de sensibilité
comparatives et configurations optimales. Thèse de doctorat de l'université Paris 7,
Spécialité : Méthodes physiques en Télédétection.

Bannari, A, Morin, D., Huete, A.-R. and Bonn, F., 1995. A Review of Vegetation Indices.
Remote Sensing Reviews, vol. 13, p. 95-120.

Baret, F., 1999. Potentiel de la télédétection pour l'agriculture de précision. Conférence-

débat organisée par l'INRA, le Cemagref et l'ITCF au Salon International du
Machinisme Agricole, Avignon, France, pages 8-11.

Baret F. and Guyot G., 1991. Potentials and limits of vegetation indices for LAI and APAR
assessment. Remote Sensing of Environment, vol. 35, pp. 161-173.
 99

Baret, F., Guyot, G. and Major, D. J., 1989. TSAVI: A vegetation index which minimizes
soil brighmess effects on LAI and APAR estimation, Proceedings of the 12th
Canadian Symposium on Remote Sensing, Vancouver, Canada, p. 1355-1358.

Baret, F., Guyot, G., Begue, A. and Maurel, P., 1988. Complemenîary of middle-infiared
with visible and near-inhed reflectance for monitoring wheat canopies, Remote
Sensing of Environment, no 26, p. 2 13-225.

Bariou, R., Lecamus D. et Henaff F. L., 1985. Indices de végétation, Rennes : Centre
régional de Télédétection, Université de Rennes 2 : Presses universitaires de Rennes
2, France, pages

Begon M., Harper J.L., Townsend C.R., 1990. Ecology: Individuals, Populations and
Communities. Blackwell Scientific Publications. 945 p.

Benoît, M; Girard, C M et De Vaubernier, E., 1988. Comparaison du comportement

spectral de prairies permanentes en Lorraine avec leur type d'utilisation. Agronomie
8, 265-272.

Biard, F., Bannari, A. and Bonn, F., 1995. SACRI (Soil Adjusted Corn Residue Index) : un
indice utilisant le proche et le moyen infrarouge pour la détection des résidus de maïs,
17' Canadian Symposium on Remote Sensing, Sask

Blackmer, T. M., J. S. Schepers and G. E. Varvel, 1994. "Light reflectance compared with
other nitrogen stress measurements in corn leaves." Agronomy Journal, 86: 934-938.

Bonan, G.B., 1995. Land-atmospheric interactions for climate system models: Coupling
biophysical, biogeochemical and ecosystem dynamical processes. Remote Sensing of
Environment, 51, 57-73.

Bonn F. et Rochon., 1993. Précis de Télédétection - vol. 1 Principes et méthodes, Presses

de l'Université du Québec / AUPELF, 485

Bouman, B.A.M, 1992. Accuracy of estimating the leaf area index from vegetation indices
derived from crop reflectance characteristics, a simulation study. International Journal
of Remote Sensing, 13:3069-3084.

Bouman, B.A.M., 1991. The linking of crop growth models and multi-sensor remote
sensing data, in Proceedings Fifth International Colloquium on 'Physical
Measurements and Signatures in Remote Sensing', 14-18 January 1991, Courchevel,
France, ESA, Paris, SP-319:583-588.
 100

Box, E.O.; Holben B.N. and Kalb V.? 1989. Accuracy of the AVHRR vegetation index as a
predictor of biomass, primary productivity and net CO2 flux. Vegetatio, 80: 71-89.

Broge, N. H. and Leblanc, E., 2000. Comparing prediction power and stability of
broadband and hyperspectral vegetation indices for estimation of green leaf area index
and canopy chlorophyll density. Remote Sens. Environ., 76, 156-172.

Buschmann, C and E. Nagel, 1993. "In vivo spectroscopy and internal optics of leaves as
basis for remote sensing of vegetation." International Journal of Remote Sensing, 14:
711-722.

Camillo, P.J., 1991. Using one and two layer model for evaporation estimation with
remotely sensed data. In Land Surface Evaporation, measurements and
Parameterization, Springier-Verlag (New-York), pp 183-197.

Carter, G. A. and A. K. Knapp, 2001. "Leaf optical properties in higher plants: linking
spectral characteristics to stress and chlorophyll concentration." American Journal of
Botany 88(4): 677-684.

Carter, G. A. and R. L. Miller, 1994. "Early detection of plant stress by digital imaging
within narrow stress-sensitive waveband." Remote Sensing of Environment 50: 295-
302.

Cayrol P., 2000, Assimilation de données satelittales dans un modèle de croissance de la

végétation et de bilan d'énergie, Thèse de doctorat, Télédétection spatiale, L'Institut
National Polytechnique de Toulouse.

Cayrol, P., Chehbouni, A., Kergoat, L., Dedieu, G., Mordelet, P. ET Nouvellon Y., 2000,
Grassland modeling and monitoring with SPOT-4 EGETATION instrument during
1997-1999 SALSA experiment. Agricultural and Forest Meteorology 105,91-115.

Chen, J., 1996. Evaluation of vegetation indices and modified simple ratio for boreal
applications. Can. J. Remote Sens., 22, 229-242.

Chen,* J. M. and Black A., 1992. Defining leaf area index for non-flat leaves. Plant, Cell
and Environment, 15:421-429.

Clevers, J.G.P.W. and Verhoef, W., 1993. LAI estimation by means of the WDVI: A
sensitivity analysis with a combined PROSPECT-SAIL model. Remote Sensings
Reviews, 7: 43-64.

Clevers, J.G.P.W., 1988. The derivation of a simplified reflectance model for the estimation
of leaf area index. Remote Sensing of Environment, 25: 53-69.
 101

Couteron P. and Kokou K., 1997. Woody vegetation spatial patterns in a semi-arid savanna
of Burkina Faso, West Africa. Plant Ecology, 132 : 211-227.

Curran, P. J. and Atkinson, P. ML, 2002. Issues of scale and optimal pixel size. In A. Stein,
F. Van Der Meer, & B. Gorte (Eds.), Spatial statistics for remote sensing (pp. 115-
133). Dordrecht: Kluwer Academic Publishers.

Danson, F.M. and Curran, P.J., 1993. Factors affecting the remotely sensed response of
coniferous forest plantations. Remote Sensing of Environment, 43, 55-65.

Daughtry, C. S. T., Walthall, C. L., Kim, M. S., Brown de Colstoun, E., and McMurtrey III,
J. E., 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy
reflectance. Remote Sensing of Environment, 74, 229- 239.

Dejean S., 2002. Comparaison de procédures d'estimation dans le cadre des modèles non
linéaires à paramètres aléatoires : application à la modélisation de l'évolution
temporelle de l'indice de surface foliaire de cultures observées par télédétection
spatiale. Thèse de doctorat, Université Toulouse III - Paul Sabatier, pages 6-10.

Delécolle, R. et Guérif, M., 1988. Introducing spectral data into a plant process model for
improving its prediction ability. 4th International Colloquium on Spectral Signatures
of Objects in Remote Sensing. Aussois, France, pp. 125- 127. .

Estève, P., J. Fontes and J.P. Gastellu-Etchegorry, 1998. Tropical dry ecosystems
modelling and monitoring from space. Ecological modelling, vol. 108, n°l-3, 175-
188.

Fallon, É., 2003. Évolution du rendement, de la proportion des calibres et du taux

d'humidité des pois {Pisum sativum L.) destinées à la transformation. Mémoire de
maîtrise en sciences de l'agriculture et de l'alimentation, Université Laval, Québec.
Pages 31-33.

Fischer, A., Moulin S., Guyot G., Guérif, M., Delécolle, R., X.F. Gu, Dedieu, G., and F.,
Baret, 1995, Regional Yield Estimation from the Coupling of Crop Production
Models and Satellite Data, Agronomie.

Franklin, J., 1986. Thematic Mapper analysis of coniferous forest structure and
composition, International Journal of Remote Sensing, vol. 7(10): 1287-1301.

Garratt, J.R., 1993, Sensitivity of climate simulations to land-surface and atmospheric

boundary-layer treatments- a review. Journal of Climate, 6:419-449.
 102

Gastellu-Etchegorry J.-P.? Demarez V., Pinel V., et Zagolski F., 1996. Modeling radiative
transfer in heterogeneous 3-d vegetation canopies, Remote Sensing of Environment,
58(2): 131-156.

Gilabert M.A.; Gandia A, S. and Melia, J., 1996. Analyes of spectralbiophysical

relationships for a corn canopy. Remote Sensing of. Environment 55: 11-20.

Girard M.C. et Girard CM., 1999. Traitement des données de télédétection. DUNOD Ed.
Paris, France, pages 90 à 91.

Gitelson A. A., Merzlyak M. N., Chivkunova O. B. 2001. Optical properties and non-
destructive estimation of anthocyanin content in plant leaves. Photochemistry and
Photobiology 74: 38-45

Gitelson, A. and Merzlyak, M., 1997. Remote estimation of chlorophyll content in higher
plant leaves. International Journal of Remote Sensing, 18, 291- 298.

Gitelson, A. A. and Merzlyak, M. N., 1996, Signature analysis of leaf reflectance spectra:
Algorithm development for remote sensing. J. Plant Physiol., 148, 493- 500.

Gobron, N., Pinty, B., Verstraete, M., and Govaerts, Y., 1999. The MERIS global
vegetation index (MGVI): description and preliminary application. International
Journal of Remote Sensing, 20, 1917- 1927.

Govaerts, Y. M., Verstraete, M. M., Pinty, B. and Gobron, N., 1999, Designing optimal
spectral indices: A feasibility and proof of concept study. International Journal of
Remote Sensing, 20, 1853- 1873.

Gower, S. T., Kucharik, C. J. and Norman, J. M., 1999. Direct and indirect estimation of
leaf area index, fAPAR and net primary production of terrestrial ecosystems.
International Journal of Remote Sensing, 70, 29- 51.

Goward, S.N., Waring, R.H., Dye, D.G. and Yang, J., 1994. Ecological remote sensing at
OTTER: Satellite macro scale observations. Ecological applications 4: 322-343.

Goward, S.N.; Tucker, S.J. and Dye, D.G., 1985. North American vegetation patterns
observed with the NOAA-7 advanced very high resolution radiometer. Vegetation,
64: 3-14.

Grégoire C , Dondainas N. et Raffy M., 1993. Construction de modèles multispectraux pour

milieux hétérogènes à partir de modèles validés sur milieux homogènes : application
au LAI. Deuxième réunions sur les changements d'échelle dans les modèles de
l'environnement et de la télédétection. Strasbourg, France, 17-19 mai, pages 5-11.
 103

Guénette, C , 2003. Évaluation du potentiel de l'infrarouge spectral pour la détection hâtive

du stress nutritif chez les végétaux de grandes cultures - Application à la culture de la
pomme de terre. Mémoire de maîtrise en sciences géomatiques, Université Laval,
Québec. Pages 56-58.

Guerif, M., Machet, J.M. et Droulin, J.F., 1995. Utilisation de la télédétection pour
caractériser le statut azote des cultures de betteraves sucrières. 58th Congress -
French Technical Institute for Sugar Beet. 19 June 1995. Bruxelles - Belgium.

Guyot, G., 1990. Optical properties of vegetation canopies, Applications of Remote

Sensing in Agriculture. Butterworths, London, pp.427.

Guyot, G., 1989. Signatures spectrales des surfaces naturelles. Caen, Paradigme, France.

Haboudane, D., Miller, J.R., Pattey, E., Zarco-Tejada, P.J., Strachan, I.B. 2004,
Hyperspectral vegetation indices and novel algorithms for predicting green LAI of
crop canopies: Modeling and validation in the context of precision agriculture,
Remote Sensing of Environment 90: 337-352.

Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J., and Strachan, I.B. 2003.
Hyperspectral vegetation indices and novel algorithms for predicting green LAI of
crop canopies': Modeling and validation in the context of precision agriculture.
International Journal of Remote Sensing, 90, 337- 352.

Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J., and Dextraze, L., 2002.
Integrated narrow-band vegetation indices for prediction of crop chlorophyll content
for application to precision agriculture. International Journal of Remote Sensing, 81,
416-426.

Hatfield, J.L., Kanemasu, E.T., Arara, G., Jackson, R.D., Pinter, P.J., Reginato, R.J. and
Idso, S.B., 1985. Leaf area estimates from spectral measurements over various dates
of wheat. International Journal of Remote Sensing, 6: 167-175.

Hines W.W. and Montgomery D.C., 1990, Probability and Statistics in Engineering and
Management Science. John Wiley and Sons, New York, USA, 732 pp.

Hobbs, T.J. 1995. The use of NOAA-AVHRR NDVI data to assess herbage production in
the arid rangelands of Central Australia. International Journal of Remote Sensing, 16:
1289-1302.

Horler, D.N.H. and Ahern, F.J., 1986. Forestry information content of Thematic Mapper
data. International Journal of Remote Sensing. 7, 405-428.
 104

Huete, A. R., 1988. A soil vegetation adjusted index (SAVI). International Journal of
Remote Sensing, 25, 295-309.

Huete, A.R., Jackson, R.D. and D.F., Post, 1985. Spectral response of a plant canopy with
different soil backgrounds. Remote Sens. Environ., 17:34-53.

Jacob F., 1999. Utilisation de la télédétection courtes longueurs d'onde et infrarouge

thermique à haute résolution spatiale pour l'estimation des flux d'énergie. Thèse de
doctorat à l'université Toulouse III, Toulouse. France.

Jakubauskas, M.K. and Price, K.P., 1997. Empirical relationships between structural and
spectral factors of Yellowstone lodgepole pine forest. Photogram. Eng. Rem. Sens.
63, 1375-1381.

Jordan, C. F., 1969. Derivation of leaf area index from quality of light on the forest floor.
Ecology, 50, 663-666.

Justice, C. O., Vermote, E., Townshend, J. R. G., Defries, R., Roy, D. P., Hall, D. K.,
Salomonson, V. V., Privette, J. L., Riggs, G., Strahler, A., Lucht, W., Myneni, R. B.,
Knyazikhin, Y., Running, S. W., Nemani, R. R., Wan, Z. M., Huete, A. R., van
Leeuwen, W., Wolfe, R. E., Giglio, L., Muller, J. P., Lewis, P. and Barnsley, M. J.,
1998. The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote
sensing for global change research. IEEE Transactions on Geoscience and Remote
Sensing, 36 (4), 1228-1249.

Kaufman, Y.-J. And Tanré, D.-C, 1992. Atmospherically Resistant Vegetation Index
(ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing,
vol. 30, no 2, p. 261-270.

Kimes, D. S. and J. A. Kirchner, 1982. Radiative transfer model for heterogeneous 3-D
scenes. Applied Optics 21(22): 4119-4129.

Knyazikhin Y., Martonchik J.V., Myneni R.B., Diner DJ. and Running S.W. 1998.
Synergistic algorithm for estimating vegetation canopy leaf area index and fraction
of absorbed photosynthetically active radiation from modis and misr data. Journal of
Geophysical Research, 103(D24): 32257-32276.

Leblon, B. and Guerif, M., 1991. Spectral estimates of PAR interception and biomass
production of irrigated rice crops. 2. Model validation with SPOT data. 5th
International Colloquium - Physical measurements and Signatures in Remote Sensing,
Courchevel, France, pp. 573-576.
 105

Lichtenthaler, H. K., O. Wenzel, C. Buschmann et A. Gitelson, 1998. Plant stress detection

by reflectance and fluorescence. Annals of the New-York Academy of sciences 851 :
271-285.

Lillesaeter, O.? 1982. Spectral reflectance of partly transmitting leaves: Laboratory

measurements and mathematical modeling. International Journal of Remote
Sensing, 12,247-254.

Los, S. O.,-Collate, G. J., Sellers, P. J., Malmstrom, C. M., Pollack, N. H., DeFries, R. S.,
Bounoua, L., Parris, M. T., Tucker, C. J. and Dazlich, D. A., 2000. A global 9-year
biophysical land-surface data set from NOAA AVHRR data. Journal of
Hydrometeorology, 1, 183-199.

Los, S.O., Justice, CO. and C.J., Tucker, 1994. A global 1° by 1° data set for climate
studies derived from the GIMMS continental NDVI data. Int. J. Remote Sensing, 15,
17:3493-518.

Maas, S.J., Jackson, R.D., Idso, S.B., Pinter, Jr, P.J., Reginato, R.J., 1989. Incorporation of
remotely sensed indicators of water stress in a crop growth simulation model. Proc. of
the 19th Conference on Agriculture and forest Meteorology, 7th-10th March 1989,
Charleston, S. Carolina, Published by American Meteorological Society, Boston,
Mass.,pp:228-231.

McGiwire K, Friedl, M., Estes, J.E., 1993. Spatial structure, sample design and scale in
remotely-sensed imagery of California woodland. International journal of remote
sensing, 14(11): 2137-2164.

McNairn, H. and Protz, R., 1993. Mapping Corn Residue Cover on Agricultural
Fields in Oxford County, Ontario, Using Thematic Mapper. Canadian Journal of
Remote Sensing, vol. 19, no 2, p. 152-159

Moran M.S, Humes K.S and Pinter P.J, 1997. The scaling characterictics of remotely-
sensed variables for sparsely-vegetated heterogeneous landscapes. Journal of
Hydrology, 190: 337-362.

Moran, M.S., T.R., Clarke, Y., Inoue and A., Vidal, 1994. Estimating crop water deficit
using the relation between surface-air temperature and spectral vegetation index,
Remote Sensing of Environment, 49, 246-263.

Moulin S., Kergoat L., Viovy N., and Dedieu G., 1997. Global scale assessment of
vegetation phenology using noaa/avhrr satellite measurements. Journal of Climate,
10(6): 1154-1170.
 106

Moulin S., 1995. Assimilation d'observations satellitaires courtes longueurs d'onde dans un
modèle de fonctionnement de culture. Thèse de doctorat de l'Université Paul Sabatier
de Toulouse, Toulouse, France, pages 33-35.

Murphy. D. P.. Schnug. E. and S. Haneklaus. 1995. Yield mapping - a guide to improve
techniques and strategies Proc. of the 3 rd Int. Conf. on Precision Agriculture.
Minneapolis. ASA-CSSA-SSSA Madison. 33-47.

Mynemi R., Hoffman S., and Knyazikhin Y., 2002. Global products of vegetation leaf area
and fraction absorbed par from year one of modis data International Journal of
Remote Sensing, 83: 214-231.

North, P. R. J., 1996. Three dimensional forest light interaction model using a monte carlo
method. IEEE Transactions on Geoscience and Remote Sensing 34(4): 946-956.

Oliver M.A, 2001. Spatial scale variation in environmental properties. In Tate N.J. and
Atkinson P.M., editors, Modelling Scale in Geographic Information Science, pages
193-219.

Paruelo, J.M., Oesterheld, M., Di Bella, C,M,, Arzadum, M., Lafontaine, J., Cahuepé, M, et
Rebella, CM., 2000 (a). Estimation of primary production of sub-humid rangelands
from remote sensing data. Applied Vegetation Science 3, 189-195.

Paruelo J. M., Lauenroth W. K. and Roset P. A., 2000 (b), Technical note: Estimating
aboveground Plant Biomass Using a Photographic Technique. Journal of Range
Management 53, 190-193.

Paruelo, J.M., Epstein H. E., Lauenroth, W. K. and Burke, I. C , 1997. ANPP estimates
from NDVI for the central grassland region of the U.S. Ecology, 78, 953-958.

Pinty, B. and M.M. Verstraete, 1992. GEMI: a non linear index to monitor Global
vegetation from satellites. Vegetatio, 111 : 15-20.

Prince, S.D., 1991. A model of regional primary production for use with coarse resolution
satellite data. International Journal of Remote Sensing, 12(6), 1313-1330.

Privette J.L., W.J. Emery, and D.S. Schimel, 1996. Inversion of a vegetation reflectance
model with NOAA- AVHRR data. International Journal of Remote Sensing, 58 :187-
200.

Qi, J., Chehbouni, A., Huete, A. R., Keer, Y. H. and Sorooshian, S., 1994. A modified soil
vegetation adjusted index. Remote Sensing of Environment, 48, 119-126.
 107

Ripple, W.J., Wang, S., Isaacson, D.L., Pairre, D.P., 1991. A preliminary comparison of
Landsat Thematic Mapper and SPOT-1 HRV multispectral data for estimating
coniferous forest volume. International Journal of Remote Sensing, 12, 1971-1991.

Rondeaux, G., Steven, M. and Baret, F., 1996. Optimization of soil-adjusted vegetation
indices. Remote Sensing of Environment, 55, 95- 107.

Rosenberg, N.J., B.L. Blad, and S.B. Verma. 1983. Microclimate: The biological
environment. Wiley-Interscience, New York, pages 255-257.

Rougean, J. -L. et Breon, F. M., 1995. Estimating PAR absorbed by vegetation from
bidirectional reflectance measurements. Remote Sens. Environ., 51, 375- 384.

Roujean, J.L., Leroy, M., Podaire, A. and P.Y., Deschamps, 1992. Evidence of surface
reflectance bidirectional effects from a NOAA/AVHRR multi-temporal data set. Int.
J. Remote Sensing, 13, 4 : 685-698.

Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D. W. and Harlan, J. C , 1974. Monitoring
the vernal advancements and rétrogradation of natural vegetation. In: NASA/GSFC,
Final Report, Greenbelt, MD, USA (pp. 1-137).

Roy, P.S. and Ravan, S.A., 1996. Biomass estimation using satellite remote-sensing data -
an investigation on possible approaches for natural forest. Journal of Biosciences 21,
535-561.

Running S.W, Justice C , SalamonsonV. and hall D., 1994. Terrestriel remote sensing
science and algorithms for eos/modis. International Journal of remote sensing, 15:
3587-3620.

Running, S.W., 1990. Estimating Terrestrial Primary Productivity by Combining Remote

Sensing and Ecosystem Simulation. Book: Remote Sensing of Biosphere Functioning.
Chapter: 4. Editors: R. H. Hobbs and H. A. Mooney, pages 65-86.

Running, S.W., and J.C. Coughlan, 1988. A global model of forest ecosystem processes for
regional applications. Hydrological balance canopy gas exchange and primary
production processes. Ecological Modeling, 42, 125-154.

Running, S.W. and Nemani, R.R., 1988. Relating seasonal patterns of the AVHRR
vegetation index to simulated photosynthesis and transpiration of forests in different
climates. International Journal of Remote Sensing, 24, 347-367.

Sala, O. E., Parton, W. J. , Joyce, L. A. and Lauenroth, W. K., 1988. Primary Production of
the central grassland region of the United States. Ecology, 69: 40-45.
 108

Schepers, J. S., Blackmer T. M., Wilhelm W. W. and. Resende M., 1996. "Transmittance
and reflectance measurements of corn leaves from plant with different nitrogen and
water supply." Journal of Plant Physiology, 148: 523-529.

Sellers, P.J., S. O. Los, C. J. Tucker, C. O. Justice, D. A. Dazlich, G. J. Collatz et D. A.

Randall, 1994. A global 1° by 1° NDVI data set for climate studies. Part 2 : The
generation of global fields of terrestrial biophysical parameters from the NDVI.
International journal of Remote Sensing., 15, 3519-354

Sellers, P.J.; Berry, J.A. Collatz, C.B. Field, C.B. and Hall, F.G., 1992. Canopy reflectance,
photosynthesis and transpiration. Ill A reanalysis using improved leaf models and a
new canopy integration scheme. Remote Sensig of Environment, 42: 187-216.

Sellers, P.J., 1987. Canopy reflectance, photosynthesis and transpiration. II The role of
biophysics in the linearity of their interdependence. Remote Sensing of Environment,
21: 143-183.

Sellers, P.J., Y. Mintz, Y.C. Sud, et A. Dalcher, 1986. A simple biosphere model (SiB) for
use within general circulation models. Journal of the Atmospheric Sciences, 43, 505-
531.

Scherrer, B. 1984. Biostatistique. Gaétan Morin Éditeur, Chicoutimi, Québec, 850 pp.

Sims, P., Singh, J. S. and Lauenroth, W.K., 1978, The structure and function often western
North American grassland. Journal of Ecology, 66, 251-85.

Spanner, M. A., Pierce, L. L., Peterson, D. L. and Running, S. W. 1990. Remote sensing of
temperate coniferous forest leaf area index. The influence of canopy closure,
understory vegetation and background reflectance. International Journal of Remote
Sensing., 11,95-111.

Statistique Canada, 2001. Le Canada en statistiques, CANSIM II, tableaux 379-0019 et

379-0022 et produit no 15-001-XIF au catalogue., Statistique Canada. 2002.

Stein, A. and Ettema, C , 2003. An overview of spatial sampling procedures and

experimental design of spatial studies for ecosystem comparisons. Agriculture,
Ecosystems and Environment, 94, 31-47.

Tanré, D., Holben, B.N. and Y.J., Kaufman, 1992. Atmospheric correction algorithm for
NOAA-AVHRR products : Theory and application. IEEE Transactions on
Geoscience and Remote Sensing, 30, 2:231-248.

Tanré, D. C , Deroo, C , Duhaut, P., Herman, M., Morcrette, J. J., Perbos. J. et Deschamps.
P.Y. 1985. Effets atmosphériques en télédétection : logiciel de simulation du signal
 109

satellitaire dans le spectre solaire. Proceedings of the 3rd International Colloquium on

Spectral Signatures of Objects in Remote Sensing, Les Arcs, France, p. 315-319.

Teillet P. M. and Santer, R. P. 1991. Terrain elevation and sensor altitude dependence in a
semi-analytical atmospheric code. Canadian Journal of Remote Sensing, vol. 17, n° p.
36-44.

Thomas, J. R. and H. W. Gausmann, 1977. "Leaf reflectance vs. leaf chlorophyll and
carotenoid concentration for eight crops." Agronomy Journal 69, 799-802.

Tian, Y., Zhang, Y., Knyazikhin, Y., Myneni R.B. , Glassy, J.M., Dedieu, G. and unning,
S.W., 2000. Prototyping of Modis lai and fpar algorithm with lasur and landsat data.
IEEE Transactions on geoscience and remote sensing, vol. 38, no. 5, 2387-2401.

Townshend J. R. G and Justice CO. 1988. Selecting the spatial resolution of satellite
sensors required for global monitoring of land transformations. International Journal
of remote Sensing, 9: 187-236.

Tucker C.J and Sellers P.J. 1986. Satellite remote sensing of primary production.
International Journal of Remote Sensing, 7(11) : 1395-1417

Tucker, C.J., Fung, I.Y., Keeling, CD. and R.H., Gammon, 1986. Relationships between
atmospheric CO2 variations and a satellite-derived vegetation index. Nature, 319:195-
199.

Tucker, C.J., Vanpraiet, C.L., Sharman, M.J. and Yvanittersum, G., 1985. Satellite remote
sensing of total herbaceous biomass production in the Senegalese Sahel. International
Journal of Remote Sensing., 17: 233-249.

Tucker, C J. 1977. Resolution of grass canopy biomass classes, Photogrammetric

Engineering and Remote Sensing, 43:1050-1067.

Turner S.J., O'Neil R.V, Conley W., Conley M.R. and Humphries H.C, 1991. Pattern and
scale: Statistics for landscape ecology. In Monica G.Turner and Robert H. Gardner,
editors, Quantitative methds in landscape ecology, pages 3-14. Springer-Verlag, New-
york.

Turner M.G., Dale V.H. and Gardner R.H., 1989. Predicting across scales: theory
development and testing. Landscape Ecology, 3(3-4): 245-252.

Verhoef, W., 1984. Light scattering by leaf layers with application to canopy reflectance
modeling: The SAIL model. International Journal of Remote Sensing, 16,125- 141.
 110

Vermote, E. F., El saleous, N. Z., Justice, C. 0., Kaufman, Y. J., Privette, J., Remer, L.,
Roger, J. C , and Tandre, D., 1997, Atmospheric correction of visible to middle
infrared EOS-MODIS data over land surface, background, operational algorithm and
validation. Journal of Geophysical Research, 102:17131-17141.

Viau, A. A., 2000. Agriculture de précision et géomatique agricole: vers une définition. 1er
colloque sur la géomatique agricole et l'agriculture de précision, St-Hyacinthe, Qc.

Virnstein, R. and Tepara, M., 1997, A comparaison of digital multi-spectral imagery

versusconventionnal photography for mapping seagrass in Indian River Lagoon
(Florida), Remote Sensing forMarine and Coastal Environments, Orlando, Florida.

Wickhan J.D and Riitens R.H., 1995. Sensitivity of landscape metrics to pixel size.
International journal of Remote Sensing, 16 : 35-85-3594.

Wu Jianguo and Qi Ye., 2000. Dealing with scale in landscape analysis: an oberview.
Geographic information Sciences, 6(1): 1-5.

Yang, C , Perterson, C.L., Shropshire, G. J., and Otawa, T., 1998. Spatial variability of field
topography and wheat yield in the Palouse region of the Pacific Northwest.
Transaction of the AS AE. 41, NO. 1: 17-29.
 Ill

ANNEXE
 112

Procédures suivis pour mesurer la biomasse :

1. Récolter un mètre de rang de la culture par parcelle.

2. Peser le poids frais total du mètre (feuilles et fruits) BMFT (biomasse fraîche totale).

3. Prendre un sous échantillon correspondant à environ 15% du nombre de plantes sur le

mètre récolté, les identifier et prendre le poids frais total BMFTE (biomasse fraîche

totale du sous échantillon).

4. Enlever les feuilles des plantes du sous échantillon et prendre le poids des fruits frais

(par différence, nous obtenons le poids frais des feuilles) BMFBE (biomasse fraîche des

fruits du sous échantillon).

5.Reprendre le mètre récolté et enlever les feuilles de toutes les plantes et ajouter les fruits

du sous échantillon et peser le poids de tous les fruits du mètre échantillonné (par

différence, nous obtenons le poids frais des feuilles) BMFB (biomasse fraîche des fruits).

6. Mesurer le diamètre ou la longueur des fruits du sous échantillon,

7. Mettre le sous échantillon au séchoir à 70 °C pendant 4 jours et prendre les poids secs

totaux BMSTE (biomasse sèche totale du sous échantillon) et le poids sec des fruits

BMSBE (biomasse sèche des fruits du sous échantillon)