Tools, references and methods for the construction of a simulator for forecasting grain yield and quality of sunflower crop at the territorial level using satellite remote sensing

Outils, références et méthodes pour la construction d’un simulateur pour la prévision du rendement et de la qualité du tournesol à l’échelle territoriale mobilisant la télédétection satellitaire

Luc Champolivier (1) , Philippe Debaeke (2) , Jean-François Dejoux (3) , Caroline Dizien (4) , Arnaud Micheneau (1) , Céline Colombet (5) , Hervé Gibrin (3) , Célia Pontet (1) , Al Bitar Ahmad (3) , Ronan Trépos (6) , Arnaud Ansart (3) , Claire Marais-Sicre (3) , Bernard Garric (1) , Emmanuelle Mestries (1) , Pierre Casadebaig (2) , Yasmil Fernandez Diclo (2)

1 Terres Inovia
2 AGIR - AGroécologie, Innovations, teRritoires
3 CESBIO - Centre d'études spatiales de la biosphère
4 Agrosolutions
5 DIJ EPOISSES - Domaine expérimental d'Époisses - UE0115 U2E
6 MIAT INRA - Unité de Mathématiques et Informatique Appliquées de Toulouse

The aim of the project was to elaborate methods making it possible to build a tool for predicting grain yield and quality (oil and oleic acid concentrations) of sunflower a few weeks before crop harvest, at the scale of a production area, using a range of models associated with observations of green area index (GAI). GAI was estimated by remote sensing that is supposed to improve the quality of prediction were best suited to territory-scale forecasting among a range of models from the simplest correlative ones (with one or two explanatory variables) to dynamic crop models (SUNFLO, SAFY). The interest of using assimilation techniques of GAI data into dynamic crop models to improve the accuracy of prediction was also evaluated. With the perspective of building an operational forecast tool, other related issues were studied: (i) simple and rapid methods of GAI estimation at field level to facilitate the set up of networks of "ground truth" devices for the calibration of biophysical models, (ii) creation of a database of cultural practices, initial crop conditions (input data of crop models), production (yield, oil and oleic acid contents: key data for building and evaluating prediction models) and satellite images on several hundreds of agricultural plots, (iii) method for estimating the date of crop emergence (seldom available, but essential for some crop models) by satellite remote sensing and (iv) mapping with remote sensing all the sunflower fields of a territory during the growing season. The main result was that simple correlative models with one or two explanatory variables (maximum GAI at anthesis and duration of the GAI after flowering) seem to be the most relevant ones for predicting sunflower performance at the scale of a territory.

L’objectif du projet est de proposer des méthodes permettant à terme de construire un outil de prévision du rendement et de la qualité (teneur en huile et teneur en acide oléique) du tournesol quelques semaines avant sa récolte, à l’échelle d’un bassin de collecte, à l’aide de modèles plus ou moins complexes associés à des observations d’états de culture (GAI: green area index) acquises par voie satellitaire et supposées améliorer la qualité de prédiction des modèles. Il s’agit donc d’identifier les types de modèles les mieux adaptés à la prévision à l’échelle territoriale parmi une gamme de modèles allant des modèles corrélatifs les plus simples (à une ou deux variables explicatives) aux modèles de cultures dynamiques plus ou moins spécifiques (SUNFLO, SAFY). L’intérêt des techniques d’assimilation de données de GAI acquises par télédétection dans les modèles dynamiques de culture pour en améliorer la qualité de prédiction est également évalué. Des sujets périphériques à ces problématiques, mais incontournables dans l’objectif d’élaborer les modèles et de construire un outil de prévision opérationnel, sont étudiés: (i) détermination de méthodes simples et rapides d’estimation du GAI au sol afin de faciliter la constitution de réseaux de dispositifs de «vérité terrain» nécessaires à la calibration des modèles biophysiques, (ii) constitution d’une base de données d’itinéraires techniques, de contextes de culture (données d’entrée des modèles de culture), de production (rendement, teneurs en huile et en acide oléique: données indispensables pour construire et évaluer les modèles de prédiction) et d’images satellitaires sur plusieurs centaines de parcelles agricoles, (iii) estimation de la date de levée de la culture (rarement disponible, mais indispensable pour certains modèles de culture) par voie satellitaire et (iv) localisation de toutes les parcelles de tournesol d’un territoire en cours de campagne, à l’aide de la télédétection.Le principal résultat est que les modèles corrélatifs simples à une ou deux variables explicatives (GAI maximal au cours du cycle et persistance du GAI pendant la phase reproductive du cycle) paraissent les plus pertinents pour prédire le rendement à l’échelle de parcelles au sein d’un territoire.

Mots clés: prévision; rendement; télédétection satellitaire; territoire; tourneso; prediction; yield; satellite remote sensing; territory; sunflower

Domaines: Sciences du Vivant [q-bio]

Luc Champolivier, Philippe Debaeke, Jean-François Dejoux, Caroline Dizien, Arnaud Micheneau, et al.. Outils, références et méthodes pour la construction d’un simulateur pour la prévision du rendement et de la qualité du tournesol à l’échelle territoriale mobilisant la télédétection satellitaire. Innovations Agronomiques, 2019, 71, pp.15-34. ⟨10.15454/qmd4zh⟩. ⟨hal-02105013⟩