Table of Contents

Introduction: La vue d'en haut

Pendant des siècles, la compréhension de la santé des cultures et des modes d'agriculture dépendait de l'observation au sol, des rapports des agriculteurs et des relevés de terrain manuels, qui, bien que précieux, étaient lents, localisés et souvent incomplets. Aujourd'hui, les images satellitaires offrent une perspective transformatrice : la capacité de surveiller les vastes paysages agricoles depuis l'orbite, avec des révisions fréquentes et une résolution spatiale de plus en plus fine.

L'observation de la Terre par satellite permet aux chercheurs, aux organismes agricoles et aux organisations humanitaires de détecter les changements subtils dans la santé de la végétation, de suivre les transitions d'utilisation des terres et d'anticiper les pénuries alimentaires avant qu'elles ne se transforment en crises.En tirant parti des capteurs multispectraux, des systèmes radar et de l'imagerie thermique, les satellites peuvent voir au-delà du spectre visible, révélant des informations sur la physiologie des plantes, l'humidité du sol et même le stress hydrique invisible à l'œil nu.

L'évolution de la télédétection agricole

L'utilisation des satellites pour la surveillance agricole a considérablement évolué au cours des cinq dernières décennies. Les premiers programmes, comme la série Landsat lancée par la NASA et la US Geological Survey en 1972, ont fourni la première imagerie systématique à résolution modérée de la surface de la Terre. Ces images ont permis aux chercheurs de commencer à cartographier les terres cultivées et d'observer les cycles de végétation saisonniers à l'échelle continentale.

Depuis lors, les progrès de la technologie des capteurs, de la puissance de traitement des données et des politiques de données à accès libre ont considérablement élargi le champ. Le programme Copernicus de l'Agence spatiale européenne, avec ses satellites Sentinel, fournit désormais des données libres et ouvertes à des résolutions aussi fines que 10 mètres avec un temps de révision de cinq jours.

De l'analogique aux données de préparation à l'analyse

Les données satellitaires précoces ont nécessité un prétraitement important — correction géométrique, correction atmosphérique et masque de nuages — avant de pouvoir être utilisées pour l'analyse de la végétation. Aujourd'hui, de nombreux fournisseurs et plateformes de données (comme Google Earth Engine, Microsoft Planetary Computer et Copernicus Data Space Ecosystem) offrent des couches ARD qui permettent aux utilisateurs de calculer les indices de végétation, de détecter les changements et d'exécuter des modèles d'apprentissage automatique directement sur des images prétraitées, ce qui a réduit la barrière d'entrée pour les analystes agricoles et permis des flux de travail plus rapides et plus évolutifs.

Capteurs satellites clés et leurs applications agricoles

Différents capteurs satellites sont optimisés pour différentes tâches de surveillance agricole. Il est essentiel de comprendre les capacités et les compromis de chaque type de capteur pour choisir la bonne source de données pour une application donnée.

Capteurs optiques multispectraux

Les capteurs multispectraux capturent la lumière réfléchie dans plusieurs bandes de longueurs d'onde discrètes, y compris les canaux visibles (rouge, vert, bleu) et quasi infrarouges (NIR). Ces bandes spectrales sont le fondement des indices de végétation comme NDVI, qui exploitent le contraste fort entre la réflectance élevée du NIR et la réflectance rouge faible dans une végétation saine et active sur photosynthétique.

Capteurs infrarouges thermiques

Les capteurs thermiques mesurent la température de surface, qui est un précieux indicateur du stress hydrique des plantes. Lorsque les cultures sont stressées par l'eau, ils ferment leurs stomates pour conserver l'humidité, ce qui fait que la température des feuilles dépasse les niveaux ambiants. Les données thermiques satellitaires, comme celles de l'instrument ECOSTRESS de la Station spatiale internationale ou des bandes thermiques de Landsat, peuvent être utilisées pour détecter les déficits d'irrigation, cartographier l'évapotranspiration et gérer les ressources en eau.

Radar d'ouverture synthétique (SAR)

Les capteurs SAR, comme ceux de Sentinel-1 et de RADARSAT, fonctionnent sur des longueurs d'onde à micro-ondes qui peuvent pénétrer dans les nuages et acquérir des données jour ou nuit. C'est un avantage critique dans les régions tropicales et de mousson où l'imagerie optique est souvent masquée par la couverture nuageuse. La rétrodiffusion SAR est sensible à la structure, à l'orientation et à la teneur en eau de la végétation, ce qui la rend utile pour cartographier le type de culture, surveiller les stades de croissance des cultures, détecter les inondations dans les zones agricoles et estimer l'humidité du sol.

Surveillance de la santé des cultures avec les indices de végétation

Les indices de végétation transforment les données brutes de réflectance spectrale en indicateurs de paramètres biophysiques tels que l'indice de surface foliaire, la biomasse verte et l'activité photosynthétique. L'indice le plus utilisé est l'indice de végétation de différence normalisée (NDVI), calculé comme (NIR – Rouge) / (NIR + Rouge).

Les séries chronologiques de l'IVDN, qui proviennent de données satellitaires, permettent aux analystes de suivre le développement des cultures pendant la saison de croissance, de détecter les anomalies des trajectoires prévues et d'estimer le potentiel de rendement. Les écarts d'un profil typique de l'IVDN peuvent indiquer des problèmes comme la carence en nutriments, l'infestation par les ravageurs, l'éclosion de maladies ou le stress hydrique.

Au-delà de NDVI: Indices de végétation avancés

Bien que le NDVI soit robuste et facile à interpréter, il a des limites, notamment, il sature à des valeurs d'indice de surface foliaire modérées à élevées et est sensible aux effets atmosphériques et aux effets de fond du sol.

  • Indice de végétation amélioré (EVI) – Réduit le bruit atmosphérique et le bruit du sol et ne sature pas aussi facilement que NDVI dans les régions à forte biomasse, ce qui le rend adapté à l'agriculture tropicale dense et aux forêts.
  • Indice de l'eau de différence (NDWI)[ – Utilise des bandes infrarouges à ondes courtes (SWIR) pour détecter la teneur en eau de la végétation et du sol, utile pour l'irrigation et la surveillance du stress de sécheresse.
  • Indice de végétation ajusté à la terre (SAVI)[ – Incorpore un facteur de correction de la luminosité du sol pour minimiser l'influence du sol nu, améliorant la performance dans les zones agricoles peu végétales ou semi-arides.
  • Indice de la surface de sortie (LAI) – Extrait des modèles de transfert radiatif appliqués aux données de réflectance satellitaire; LAI est un élément clé des modèles de croissance des cultures et de la prévision des rendements.

Le choix de l'indice dépend du contexte agricole particulier, y compris le type de culture, la structure du couvert, les conditions environnementales et le stade phénologique de la culture.

Analyse de l'utilisation des terres et des modèles agricoles à l'échelle

L'imagerie satellitaire permet de cartographier et de caractériser l'utilisation des terres agricoles à l'échelle locale, régionale et mondiale, ce qui est essentiel pour comprendre les modes de culture, la dynamique du régime foncier, l'expansion ou l'abandon de l'agriculture et les effets du changement d'affectation des terres sur la biodiversité et les services écosystémiques.

Cartographie des types de cultures

La cartographie par type de culture basée sur un satellite tire parti des signatures temporelles et spectrales : les différentes cultures ont des cycles phénologiques distincts, des structures de couvert et des profils de réflexion spectrale qui peuvent être capturés dans des images satellitaires multitemporelles. Les classificateurs d'apprentissage automatique (tels que les forêts aléatoires, les systèmes de stimulation des gradients ou les architectures d'apprentissage profond) formés aux données de référence sur le terrain peuvent obtenir une grande précision dans la distinction des principaux types de cultures comme le maïs, le blé, le riz, le soja et le coton.

Détection de l'étendue et du changement des terres cultivées

Les images satellitaires constituent une méthode cohérente et répétable pour cartographier l'étendue mondiale des terres cultivées et détecter les changements au fil du temps.Les produits tels que les données d'analyse de la sécurité alimentaire mondiale (GFSAD) et les couches de Copernicus Global Land Cover utilisent les données satellitaires pour délimiter les zones agricoles.En comparant les images de différentes années, les analystes peuvent identifier les nouvelles terres agricoles qui ont été créées (souvent au détriment des forêts ou des prairies) et les terres agricoles marginales abandonnées.

Intensité de culture et dynamique de la jachère

Dans de nombreuses régions, les agriculteurs cultivent plusieurs cultures par année sur une même parcelle (culture multiple) ou laissent les terres en jachère pendant une ou plusieurs saisons. Les séries chronologiques obtenues par satellite peuvent révéler ces tendances en détectant le nombre de cycles de cultures par année en fonction des profils d'indice de végétation.

Évaluation de la sécurité alimentaire avec indicateurs dérivés des satellites

La sécurité alimentaire est un concept multidimensionnel qui dépend de la disponibilité, de l'accès, de l'utilisation et de la stabilité des aliments. L'imagerie satellitaire contribue principalement à la dimension de la « disponibilité » en fournissant des données sur la production végétale, mais elle soutient aussi les systèmes d'alerte précoce et la prise de conscience de la situation qui sous-tendent les autres dimensions.

Estimation du rendement et prévision de la production

Les méthodes vont de modèles de régression empirique qui établissent une corrélation entre les indices de végétation dérivés des satellites et les données historiques sur les rendements, aux modèles de croissance des cultures fondés sur les procédés (par exemple DSSAT, WOFOST, AquaCrop) qui simulent le développement des plantes en fonction des conditions météorologiques et des apports par satellite.

Alerte précoce des crises alimentaires

Les systèmes d'alerte rapide en matière de sécurité alimentaire reposent sur des indicateurs opportuns du stress agricole.Les indices de santé de la végétation dérivés de satellites, les estimations des précipitations provenant des capteurs satellites (p. ex. GPM, CHIRPS) et les produits d'humidité du sol sont intégrés dans des cadres tels que le Réseau des systèmes d'alerte rapide en matière de famine (FEWS NET), qui fonctionne dans plus de 30 pays.

Intégration des données satellitaires à l'information socio-économique et terrestre

Pour une image globale, les données de télédétection doivent être combinées avec les enquêtes auprès des ménages, les données sur les prix du marché, les rapports sur les conflits et les indicateurs de santé/nutrition. Des organisations comme le Programme alimentaire mondial (PAM) et l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO) ont mis au point des cadres analytiques intégrés qui fusionnent les estimations de la production de cultures obtenues par satellite avec des données socioéconomiques permettant d'identifier les populations les plus exposées à l'insécurité alimentaire, et ces approches intégrées permettent d'obtenir une aide alimentaire ciblée et une allocation de ressources, en veillant à ce que les ressources limitées parviennent aux communautés les plus vulnérables.

Études de cas et applications opérationnelles

Surveillance de la sécheresse en Afrique de l ' Est

Dans les régions semi-arides de l'Afrique de l'Est, les sécheresses récurrentes menacent les moyens de subsistance de millions de pasteurs et de petits exploitants agricoles.Les données satellitaires - en particulier les estimations des précipitations tirées de l'ensemble de données du CHIRPS et de l'état de la végétation de METAP-AVHRR et MODIS - constituent l'épine dorsale des systèmes régionaux de surveillance de la sécheresse.

Cartographie des zones de riz en Asie du Sud et du Sud-Est

Les images satellitaires, en particulier les données SAR de Sentinel-1, qui peuvent pénétrer dans la couverture nuageuse pendant la saison de la mousson, ont été utilisées pour cartographier la superficie de riz et estimer les dates de plantation dans des pays comme le Vietnam, la Thaïlande et l'Inde. Les signaux de rétrodiffusion SAR changent de façon prévisible, car les rizières sont inondées, transplantées et matures.

Surveillance de la production végétale mondiale avec l'initiative GEOGLAM

L'initiative du Groupe sur l'observation de la Terre Surveillance agricole mondiale (GEOGLAM) coordonne les efforts des agences spatiales, des instituts de recherche et des ministères de l'agriculture pour produire en temps voulu des évaluations par satellite de la production agricole mondiale. Le Crop Monitor for Early Warning de GEOGLAM fournit des rapports mensuels sur la croissance des principales cultures de base (blé, maïs, riz, soja) dans jusqu'à 180 pays. Ces rapports sont utilisés par le Système d'information sur les marchés agricoles (AMIS) du G20 pour améliorer la transparence du marché et réduire la volatilité des prix alimentaires.

Défis et limites

Si l'imagerie satellitaire est devenue un outil indispensable pour la surveillance agricole et l'analyse de la sécurité alimentaire, plusieurs défis demeurent :

  • Couverture de nuage: La couverture de nuages persistante dans les régions tropicales et de mousson peut limiter sévèrement la disponibilité des images optiques par satellite. Les capteurs SAR abordent cette question mais nécessitent une expertise spécialisée pour l'interprétation et ne sont pas toujours disponibles à la résolution ou à la fréquence requises.
  • Les compromis de résolution spatiale et temporelle: Les capteurs à haute résolution spatiale (sous-mètre à 10 mètres) ont souvent des temps de revisite plus longs (16 jours pour Landsat, 10 jours pour Sentinel-2 sans couplage de constellation), tandis que les capteurs à temps de revisite quotidien comme MODIS ont une résolution plus grossière (250 à 1000 mètres), qui peut manquer les modèles de niveau de champ dans des paysages hétérogènes de petits exploitants.
  • Données de vérité et de validation de la ronde:[ Les modèles dérivés de satellites exigent des données in situ de haute qualité (type de culture, rendement, pratiques de gestion) pour l'étalonnage et la validation.Dans de nombreuses régions où l'insécurité alimentaire est présente, ces données sont rares, dépassées ou inaccessibles, ce qui limite la précision et la fiabilité des estimations basées sur les satellites.
  • Petites exploitations agricoles :[ La majorité de la production alimentaire dans les pays à faible revenu provient de petites exploitations agricoles de moins d'un hectare. Les capteurs satellites actuels peuvent ne pas fournir une résolution suffisante pour distinguer les champs individuels, et les systèmes d'interculture et de culture variés communs dans ces contextes sont difficiles à classer automatiquement.
  • Accès aux données et capacité:[ Malgré les politiques d'ouverture des données de nombreuses agences spatiales, l'accès aux données satellitaires et l'infrastructure informatique nécessaire pour les traiter demeurent des obstacles pour les chercheurs et les institutions des pays à faible revenu.

Orientations futures et technologies émergentes

Le domaine de la surveillance par satellite agricole progresse rapidement, grâce aux innovations technologiques et à la demande croissante d'informations à jour et exploitables.

Nouvelles missions et constellations satellitaires

La mission de biologie de surface et de géologie (SBG) de la NASA et la prochaine Copernic Sentinel-2 de l'ESA (Sentinel-2 NG) offriront des capacités spectrales améliorées, y compris des bandes plus étroites pour une meilleure analyse de la végétation. Des constellations commerciales comme la SuperDove de Planet (huit bandes spectrales à 3 mètres de résolution) et la constellation SAR de Capella Space (résolution de 0,5 mètre) repoussent les limites de ce qui peut être détecté depuis l'orbite. La disponibilité croissante d'images hyperspectrales — avec des dizaines ou des centaines de bandes spectrales étroites — permettra d'identifier plus précisément les types de cultures, l'état des nutriments et les maladies végétales.

Intelligence artificielle et Cloud Computing

Les réseaux neuronaux convolutionnels (RCN) et les architectures basées sur les transformateurs permettent aux utilisateurs de traiter des petaoctets d'imagerie satellitaire sans télécharger les données localement, démocratisant l'accès à l'analyse à grande échelle. L'intégration de modèles de fondation (comme Prithvi d'IBM et Grace de la NASA) devrait permettre d'améliorer encore les performances sur les tâches agricoles en aval tout en réduisant le besoin de données de formation à grande échelle.

Intégration avec les capteurs IoT et In-Situ

Les données satellitaires sont de plus en plus combinées avec les données provenant de capteurs d'Internet des objets (IoT) déployés dans les champs agricoles, y compris les sondes d'humidité du sol, les stations météorologiques et les caméras montées par drone. Cette fusion de la couverture à l'échelle satellite avec la précision au sol permet des modèles de culture plus précis et des outils de soutien à la décision.

Surveillance de l ' agriculture et de la résilience respectueuses du climat

À mesure que les changements climatiques s'intensifient, l'imagerie satellitaire jouera un rôle croissant dans le suivi de l'adoption et de l'efficacité de pratiques agricoles intelligentes en matière de climat, comme le travail du sol, la culture de couverture, l'agroforesterie et l'amélioration de la gestion de l'eau.

Conclusion : Un outil fondamental pour un avenir alimentaire-sécurisé

L'imagerie satellitaire est passée d'un outil de recherche spécialisé à un pilier opérationnel de la surveillance agricole et de l'analyse de la sécurité alimentaire, et en fournissant des données cohérentes, opportunes et évolutives sur la santé des cultures, l'utilisation des terres et les conditions environnementales, les satellites permettent aux décideurs, aux organisations humanitaires et aux agriculteurs eux-mêmes de prendre des décisions mieux informées.

À mesure que de nouveaux capteurs se mettent en ligne, l'intelligence artificielle mûrit et que l'accès aux données et à la puissance informatique s'accroît, le potentiel d'imagerie satellitaire ne fera que contribuer à la sécurité alimentaire. Le défi est maintenant de veiller à ce que ces outils puissants soient déployés équitablement, de manière éthique et efficace pour soutenir les populations les plus vulnérables et construire un système alimentaire mondial plus résistant.