Toutes les moissonneuses ne disposent pas de capteur de rendement permettant l'élaboration de données de récolte géo-référencées.
L'utilisation d'un modèle agro-physiologique en conjonction avec des données satellitaire permet d'approcher la variabilité du rendement intra-parcellaire.
Le satellite utilisé est Sentinel 2(A et B), un traitement mathématique permet d'estimer l'indice foliaire, on crée alors une série spatio-temporelle de l'indice foliaire d'une parcelle à partir des images dont on a exclu ou écarté les nuages.
Ensuite on entre les données de LAI (Leaf Area Index:Indice Foliaire) dans le modèle de simulation de culture dont le principe est de déterminer les variables bio-physiques fonction de la météo, des paramètres du modèle, et des éléments liés à la parcelle (type de sol, profondeur, variété, date de semis, densité de semis etc...).
Dans le cas d'assimilation de données satellitaires dans le modèle, on détermine les paramètres du modèle de façon à minimiser l'écart entre le LAI modélisé et le LAI issu des données satellite. (LAI Mod et LAI Sat).
Ce processus est géré par un algorithme de recherche de solution optimale, ici un algorithme PSO (Particle Swarm Optimization) ou optimisation par essaim particulaire.
Le diagramme ci dessus décrit les processus mis en œuvre, il se décompose en deux étapes principales: une première qui consiste à utiliser le LAI satellite dans le modèle, on minimise alors le RMSE (Root Mean Square Error) qui est l’écart entre le LAI Sat et le LAI modèle. La deuxième étape, consiste à utiliser une carte de rendement de la parcelle pour tester le modèle ou calibrer également ses paramètres. Ces deux processus sont totalement indépendants, on utilise donc successivement deux fois l’algorithme d’optimisation pour calibrer le modèle sur deux objectifs différents: le LAI et le rendement.
L’objectif étant de pouvoir faire tourner le modèles sur un jeu de parcelles avec des cartes de rendement pour calibrer puis tester le modèle selon les processus classiques en statistiques. Une fois validé, le modèle peut alors être utilisé sans carte de rendement pour prévoir le rendement géoréférencé assez tôt pour que l’agriculteur puisse le cas échéant intervenir dans la parcelle avec une dose d’irrigation modulée par exemple.
Dans ce cas, le modèle utilise les données météo normales de la localisation de la parcelle pour faire ses calculs.
Un test a été effectué sur une parcelles de Jean-Loup Chatard dans l’Allier.
La vidéo diffusée sur sa chaine Youtube permet de visualiser le rendement de cette parcelle.
Le traitement de la donnée issue de la machine est réalisé avec FieldView
Sur cette parcelle le rendement varie de 2t/ha à plus de 13 T/ha, l’origine de cette variabilité est sans doute due au hétérogénéité de sols et de réserve utile disponible pour la plante.
J’ai donc fait tourner le modèle sur cette parcelle, le satellite a utilisé 7 images pour générer les indices foliaires en cours de saison:
L’analyse statistique des 7 images a permis de calculer la carte de classification suivante en appliquant des poids fonction de la date de l’image, pour le moment le poids est fonction du nombre de jours entre l’image et la date de maturité.
On utilise alors cette carte pour extraire les LAI afin de faire tourner le modèle rendement comme décrit dans le diagramme. Ces données sont en variables centrées réduites afin de prendre en compte l’évolution du LAI au cours de la saison, exactement comme on le fait dans un réseau de neurones pour pouvoir interpréter des données sur différentes échelles de valeur. (Moyenne égale à zéro et écart type de un).
Le rendement moyen calculé sur cette parcelle est de 8 T/ha, ce doit être assez proche de la réalité, un examen statistique de la carte de rendement permettra d’aller plus loin dans l’analyse.
Ici, j’ai considérablement simplifié la méthode en classifiant les différentes images créant ainsi 5 groupes de LAI différents, sans cette étape il aurait fallu faire tourner le processus sur les 2295 pixels de la parcelle, ce qui rend le calcul beaucoup plus lourd et long !! Surtout lors de l’étape d’optimisation (LAI Mod et Sat) qui fait appel au modèle à de très nombreuses reprises.
La prochaine étape sera de passer d’autres cartes de rendement sur d’autres zones géographiques, l’objectif final de ce travail, est de pouvoir analyser toutes les parcelles de maïs d’une petite région, et d’en déterminer la production potentielle tôt en saison avec un indice de probabilité d’erreur que l’on verrait diminuer à mesure que l’on s’approche de la récolte.
