Un jeu de données multiservice, multitâche et à grande échelle pour la surveillance climatique des cultures aux États-Unis de 2018 à 2022

Pourquoi observer les champs depuis l’espace importe

Nourrir une population croissante dans un monde qui se réchauffe dépend de la connaissance de l’état des cultures bien avant la récolte. Les vagues de chaleur, les sécheresses et le décalage des saisons peuvent faire varier fortement les rendements d’une année sur l’autre, avec d’importantes répercussions sur les prix alimentaires et les moyens de subsistance des agriculteurs. Pourtant, chercheurs et agronomes n’avaient pas de source unique et exhaustive reliant à grande échelle images satellites, météo, sols et données de récolte sur le terrain. Cet article présente CropClimateX, une nouvelle base de données ouverte conçue pour combler cette lacune aux États-Unis, aidant les scientifiques à concevoir de meilleurs outils pour anticiper le stress des cultures, améliorer la gestion agricole et renforcer la sécurité alimentaire.

Conjuguer de multiples points de vue

CropClimateX repose sur une idée simple : aucune mesure unique ne peut raconter toute l’histoire de la croissance des cultures sous un climat changeant. Les auteurs assemblent donc de nombreux « objectifs » sur le paysage. Les satellites optiques à haute résolution comme Sentinel-2 et Landsat-8 montrent le degré de verdure et la densité de la végétation dans les parcelles agricoles. Les données radar de Sentinel-1 apportent des informations sur la structure des champs et l’humidité, même à travers les nuages. Des capteurs plus grossiers comme MODIS suivent des motifs plus larges de croissance végétale, de surface foliaire et de température de surface. Par-dessus cela, la base de données superpose des relevés météorologiques quotidiens, des indicateurs de sécheresse, des propriétés des sols comme la texture et le carbone organique, des caractéristiques de terrain telles que l’altitude et la pente, ainsi que des statistiques au niveau des comtés sur les surfaces plantées, récoltées et les rendements annuels de chaque culture.

Découper le pays en tuiles intelligentes

Un défi clé est que les États-Unis sont vastes, et stocker chaque pixel de chaque satellite pour chaque jour serait ingérable. Plutôt que de couvrir tout le pays uniformément, l’équipe divise les terres cultivées en nombreuses petites tuiles soigneusement choisies qu’elle appelle « minicubes ». Chaque minicube couvre une zone de 12 sur 12 kilomètres et contient une série temporelle de toutes les données satellitaires et météorologiques pertinentes. Entre 2018 et 2022, les auteurs ont créé 15 500 minicubes répartis dans 1 527 comtés, en se concentrant sur les principales cultures alimentaires et textiles : maïs, soja, blé d’hiver, coton et avoine. Cette conception rend les données suffisamment compactes pour être traitées sur des ordinateurs modernes, tout en assez détaillées pour saisir les différences entre parcelles voisines et zones de gestion.

Utiliser des algorithmes pour se concentrer sur de vraies exploitations

Pour décider où placer ces minicubes, les chercheurs n’ont pas simplement superposé une grille rigide sur chaque comté. De nombreux comtés comprennent des villes, des forêts ou des lacs qui sont sans intérêt pour le suivi des cultures. Ils ont donc conçu deux stratégies d’optimisation qui recherchent des positions de tuiles capturant le plus de terres cultivées possible tout en évitant les zones inutiles. Une approche, l’algorithme de grille glissante, décale légèrement une grille régulière jusqu’à ce qu’elle s’aligne bien avec les parcelles. L’autre, un algorithme génétique, imite l’évolution en testant, mutant et recombinand des propositions d’agencement. En combinant les meilleures solutions des deux méthodes, l’équipe a réduit le nombre de tuiles de 43 % par rapport à une grille naïve, tout en couvrant encore environ 93 % de la surface cultivée — diminuant fortement les besoins de stockage sans sacrifier l’information utile.

Capturer les extrêmes climatiques à l’échelle des exploitations

CropClimateX n’est pas qu’une carte des conditions moyennes ; il suit aussi les extrêmes qui comptent le plus pour les agriculteurs. Les auteurs relient chaque minicube aux catégories hebdomadaires de sécheresse du U.S. Drought Monitor et à des indicateurs spécifiques de vagues de chaleur et de froid calculés à partir de la température quotidienne. Entre 2018 et 2022, presque tous les minicubes ont connu au moins une sécheresse modérée à un moment donné, et beaucoup ont subi des conditions de sécheresse sévère voire exceptionnelle. La base de données comprend aussi des couches détaillées de sols et de relief, permettant aux chercheurs de poser des questions comme : les parcelles sableuses souffrent-elles plus tôt sous sécheresse que les sols plus lourds, ou comment la pente affecte-t-elle le stress hydrique ? Ensemble, ces couches offrent un portrait riche de la façon dont les chocs climatiques se manifestent sur la mosaïque de champs américaine.

Ce que cela signifie pour les récoltes à venir

Pour les non-spécialistes, l’essentiel est que CropClimateX transforme un ensemble disparate d’images satellites, de données météorologiques et de statistiques agricoles en une ressource unique et bien organisée que chacun peut utiliser. Parce que les minicubes alignent les rendements sur l’apparence du sol et du ciel pendant la saison de croissance, ils fournissent des données d’entraînement idéales pour les modèles modernes d’apprentissage automatique. Ces modèles peuvent apprendre à prédire les rendements, détecter des signes précoces de stress des cultures, tester quels capteurs sont les plus informatifs ou explorer comment les extrêmes climatiques futurs pourraient impacter la production alimentaire. Concrètement, cela signifie de meilleurs avertissements précoces, des conseils de gestion plus avisés et une planification plus robuste face à un climat plus chaud et plus variable — le tout fondé sur des données ouvertes couvrant de véritables exploitations à travers les États-Unis.

Citation: Höhl, A., Ofori-Ampofo, S., Fernández-Torres, MÁ. et al. A large-scale, multitask, multisensory dataset for climate-aware crop monitoring in the US from 2018–2022. Sci Data 13, 72 (2026). https://doi.org/10.1038/s41597-026-06611-x

Mots-clés: suivi des cultures, télédétection, extrêmes climatiques, apprentissage automatique, données agricoles