Potentiel de la télédétection pour le calage de l'indice de surface foliaire d'un outil d'aide à la décision pour l'irrigation en contexte peu jaugé

Les besoins en eau d’une culture dépendent des conditions météorologiques, de l’humidité du sol, et de sa surface foliaire. L’indice de surface foliaire (IF), qui indique la surface de feuilles par unité de surface de sol, est donc une variable centrale pour le pilotage de l’irrigation. Cependant, sa mesure est contraignante : elle nécessite soit de collecter des échantillons de feuilles pour mesurer leur surface, soit de mesurer le rayonnement diffus qui filtre sous la canopée. La première technique est destructrice tandis que la deuxième requiert de faire des mesures au lever ou au coucher du soleil, lorsque le rayonnement direct est minimal.En l’absence de mesures in situ, l’IF peut être estimé par des modèles mécanistes, qui s’appuient sur des connaissances agronomiques. Ces modèles utilisent les IF estimés pour calculer ensuite les besoins en eau. Il existe aussi des modèles empiriques, qui s’appuient sur la télédétection pour estimer l’IF. La combinaison de ces deux types de modèles permet-elle d’améliorer l’estimation des besoins en eau des cultures ?Pour étudier cette question, nous avons comparé les performances pour estimer l’IF de deux modèles s’appuyant sur la télédétection (Kang et al. 2016, Pasqualotto et al. 2019) avec celles du modèle mécaniste optirrig, qui est un outil d’aide à la décision pour l’irrigation développé au sein de l’UMR G-EAU. Optirrig calcule l’IF en fonction de paramètres culturaux, de la température de l’air, et des stress hydrique, thermique, et azoté. L’IF sert ensuite à estimer les besoins en eau de la culture.Pour plusieurs parcelles de maïs localisées dans le Gers, et pour deux années, nous avons comparé des IF mesurés avec, d’une part, les IF estimés par optirrig, et d’autre part avec les IF estimés par les modèles s’appuyant sur la télédétection. Dans notre étude, la RMSE entre les mesures d’IF et les estimations d’optirrig est de 0.77 m²/m² tandis qu’elle est de 0.66 et 0.79 m²/m² entre les mesures et les estimations des deux modèles empiriques. Références : - Kang, Yanghui, Mutlu Özdoğan, Samuel C Zipper, Miguel O Román, Jeff Walker, Suk Young Hong, Michael Marshall, et al. 2016. “How Universal Is the Relationship Between Remotely Sensed Vegetation Indices and Crop Leaf Area Index? A Global Assessment.” Remote Sensing 8 (7): 597. https://doi.org/10.3390/rs8070597. - Pasqualotto, Nieves, Jesús Delegido, Shari Van Wittenberghe, Michele Rinaldi, and José Moreno. 2019. “Multi-Crop Green LAI Estimation with a New Simple Sentinel-2 LAI Index (SeLI).” Sensors 19 (4): 904. https://doi.org/10.3390/s19040904.