Regroupement K‑means appliqué aux indices de végétation pour cartographier les surfaces cultivées à partir d’images haute résolution du satellite marocain Mohammed VI

Pourquoi des cartes des cultures plus intelligentes comptent

Nourrir un monde en croissance dépend de la connaissance, en quasi‑temps réel, de ce qui pousse réellement sur le terrain. Les agriculteurs et les autorités ont besoin de cartes fiables indiquant où les cultures sont implantées, quels champs sont nus et comment ces configurations évoluent de saison en saison. Cette étude montre comment un satellite d’observation de la Terre marocain, associé à une forme simple d’intelligence artificielle, peut transformer des images brutes en cartes très précises des terres cultivées sans nécessiter des armées de personnes pour annoter manuellement les données.

Observer les fermes depuis l’espace

Le travail porte sur le système satellitaire Mohammed VI, une paire de satellites marocains en orbite héliosynchrone. Ils capturent des images très nettes dans quatre bandes, incluant l’infrarouge proche, avec une résolution de un demi‑mètre — suffisamment fine pour distinguer des parcelles individuelles et même des rangées d’arbres. Les auteurs se sont concentrés sur une zone agricole de 175 hectares dans la région de Fès‑Meknès, au nord du Maroc, où des champs de céréales, de maïs, d’oliviers, d’amandiers, de vignes et de légumes côtoient des parcelles non cultivées et une végétation clairsemée. Une telle diversité fait de la zone un terrain d’essai idéal pour des outils qui doivent séparer les terres cultivées du reste.

Transformer les couleurs en indices

Les images satellitaires brutes ne sont que des grilles de valeurs d’éclairement dans différentes bandes colorimétriques. Pour rendre ces grilles plus informatives, les scientifiques calculent souvent des « indices de végétation » qui combinent plusieurs bandes en un seul nombre reflétant la santé des plantes ou la teneur en eau. Cette étude utilise le bien connu Normalized Difference Vegetation Index (NDVI), qui met en évidence la végétation feuillue riche en chlorophylle, et le Modified Normalized Difference Water Index (MNDWI), sensible aux différences d’humidité en utilisant la bande verte et l’infrarouge proche. Avec la bande originale d’infrarouge proche, ces trois couches forment une description compacte du statut de végétation et d’humidité de chaque pixel, offrant une information bien plus riche que n’importe quelle bande prise isolément.

Laisser les données se regrouper elles‑mêmes

Plutôt que d’entraîner un modèle complexe avec des milliers d’exemples étiquetés, les chercheurs ont eu recours au K‑means, un algorithme de regroupement simple issu de l’apprentissage non supervisé. K‑means cherche des motifs dans les données et regroupe les pixels en un nombre fixe de clusters partageant des traits spectraux similaires. Après un prétraitement de base — extraction des bandes pertinentes, calcul des deux indices, empilement des couches et mise à l’échelle de toutes les valeurs entre zéro et un — l’équipe a demandé à K‑means de créer exactement trois clusters. Ceux‑ci ont ensuite été interprétés comme arrière‑plan (zones hors parcelles ou sans signal utile), sols nus et zones dominées par les cultures. Parce que la méthode est non supervisée, elle peut être appliquée à de nouvelles images sans données d’entraînement étiquetées supplémentaires.

Mettre la méthode à l’épreuve

Pour évaluer la performance de l’approche, les auteurs ont créé une carte de référence détaillée en traçant manuellement les parcelles cultivées dans un logiciel d’information géographique, en se basant sur la même image haute résolution. Ils ont ensuite comparé quatre façons d’estimer la part de terres cultivées : une règle simple basée uniquement sur le seuil d’éclairement en infrarouge proche, une règle basée uniquement sur l’indice de végétation NDVI, un K‑means standard appliqué aux bandes colorimétriques originales, et leur nouveau « K‑means spectral » qui regroupe les données combinées indice‑et‑infrarouge. La fraction réellement cultivée de la zone d’étude était de 71,07 %. Le seuillage en infrarouge proche l’a sous‑estimée à 65,59 %, le seul NDVI a donné 66,13 %, et le K‑means standard a atteint 67,18 %. L’approche K‑means spectrale s’en est approchée le plus, à 72,07 %, correspondant à une erreur relative de seulement 1,41 % — plusieurs fois meilleure que les méthodes concurrentes.

Ce que cela signifie pour l’agriculture future

Pour les agriculteurs, les gestionnaires de l’eau et les planificateurs, ce type de cartographie automatisée et précise offre un moyen pratique de surveiller les parcelles sur de grandes régions sans enquêtes de terrain coûteuses ni ensembles de données massifs étiquetés. En distinguant de manière fiable les terres cultivées des terres non cultivées et en mettant en évidence où la végétation prospère ou est stressée, la méthode peut soutenir l’irrigation de précision, guider l’utilisation des engrais et aider à suivre le changement d’usage des terres. Bien que la validation actuelle repose sur une seule image, l’approche ouvre la voie à un avenir où des algorithmes simples et non supervisés appliqués à des données satellitaires haute résolution produiront routinièrement des cartes de cultures à l’échelle des parcelles, améliorant la production alimentaire tout en favorisant un usage plus durable des terres et de l’eau.

Citation: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Mots-clés: agriculture de précision, imagerie satellite, cartographie des cultures, apprentissage non supervisé, indices de végétation