Prédiction du rendement du blé en combinant télédétection optique et radar avec apprentissage automatique aux stades phénologiques clés

Pourquoi c’est important pour notre avenir alimentaire

Nourrir une population croissante dans un climat qui se réchauffe et manque d’eau exige de savoir combien de grains les agriculteurs récolteront bien avant l’arrivée des moissonneuses‑batteuses. Cette étude montre comment des chercheurs peuvent estimer les rendements du blé dans une zone sèche d’Iran en utilisant des satellites et l’intelligence artificielle, fournissant des prévisions fiables environ 50 jours avant la récolte — suffisamment tôt pour orienter l’utilisation de l’eau, la fertilisation, les décisions commerciales et les actions visant à prévenir les pénuries.

Une plaine sèche sous pression

Le travail porte sur la plaine de Qazvin, une grande région de culture du blé dans le nord de l’Iran, à la fois très productive et chroniquement en déficit hydrique. Les précipitations sont faibles et irrégulières, les températures élevées, et les agriculteurs dépendent fortement d’eaux souterraines limitées et des débits de montagne. Dans de tels paysages arides, estimer les rendements à partir d’expériences passées ou de simples statistiques météorologiques est risqué. Les modèles de culture traditionnels exigent des données détaillées sur les sols, la gestion et le climat qui font souvent défaut. Les auteurs se sont plutôt tournés vers ce qui est abondant : des images satellite qui enregistrent l’apparence claire et la verdure des parcelles sur de vastes zones, semaine après semaine.

Observer la santé des cultures depuis l’espace

L’équipe a combiné des images optiques des satellites Sentinel‑2 européens avec des images radar de Sentinel‑1. Les capteurs optiques fonctionnent comme des appareils photo numériques très précis, capturant la lumière réfléchie en plusieurs couleurs, du bleu au proche infrarouge. À partir de ces couleurs, ils ont calculé 16 indicateurs différents liés à la « verdure » et à l’humidité qui révèlent la densité, le feuillage et le stress hydrique de la canopée de blé. Ils se sont concentrés sur deux moments clés de la croissance : le stade de tallage à la mi‑avril, lorsque les plantes produisent des talles qui déterminent le potentiel de rendement, et l’anthèse à la mi‑mai, lorsque la culture atteint sa verdure maximale et se prépare à remplir les grains.

Écouter avec le radar quand la lumière ne suffit pas

Le radar de Sentinel‑1 apporte une vision d’un autre type. Plutôt que de dépendre de la lumière solaire, il envoie des impulsions micro‑ondes et mesure l’écho, influencé par la structure des plantes et l’humidité de la végétation et du sol. Cela est particulièrement utile dans les régions poussiéreuses, souvent couvertes par des nuages ou peu végétalisées, où les signaux optiques peuvent être perturbés par le sol nu et l’atmosphère. Les chercheurs ont dérivé des indicateurs radar simples à partir de deux canaux de polarisation, puis les ont fusionnés avec les indices optiques et des informations de base sur le terrain telles que l’altitude, la pente et l’orientation des parcelles.

Apprendre aux machines à reconnaître les motifs de rendement

Équipés de variables dérivées des satellites pour 189 parcelles de blé bien mesurées, les auteurs ont entraîné trois types de modèles informatiques pour prédire le rendement : une régression linéaire standard, une machine à vecteurs de support capable de capturer des relations non linéaires, et une forêt aléatoire, qui combine de nombreux arbres de décision. Ils ont divisé les données de sorte que 70 % servent à entraîner les modèles et 30 % à tester leurs performances. Dans l’ensemble, les informations satellitaires issues de l’anthèse se sont révélées plus informatives que celles du tallage. Le modèle de forêt aléatoire utilisant uniquement les données Sentinel‑2 et le terrain à l’anthèse a obtenu les meilleurs résultats, expliquant environ 90 % de la variation des rendements sur les parcelles testées et présentant une erreur moyenne d’environ un tiers de tonne par hectare.

Ce qui a fait la plus grande différence

En sondant les variables sur lesquelles la forêt aléatoire s’appuyait le plus, l’étude a montré que les indices capturant la densité de la canopée, la vigueur et l’état hydrique avaient le plus de poids. Des mesures proches des indices classiques de verdure et un indice de sensibilité à l’eau ont été les principaux contributeurs, tandis que les bandes colorimétriques brutes et les variables topographiques apportaient relativement peu. Lorsque les indicateurs radar ont été ajoutés, l’ajustement sur les données d’entraînement s’est légèrement amélioré — suggérant que le radar apporte des détails supplémentaires utiles sur l’humidité et la structure — mais les erreurs sur les tests ont augmenté. Ce schéma suggère une légère tendance au surapprentissage, où le modèle apprend le bruit spécifique à l’échantillon d’entraînement plutôt que des règles générales. Même ainsi, la combinaison de toutes les variables a permis aux chercheurs de générer une carte détaillée des rendements de l’ensemble de la plaine, révélant des contrastes marqués entre des poches de faible rendement et des zones à haut rendement.

Ce que cela signifie pour les agriculteurs et les planificateurs

Concrètement, l’étude montre que des images satellites optiques soigneusement traitées, interprétées avec une méthode d’apprentissage automatique moderne, peuvent fournir des prévisions précises du rendement du blé à l’échelle parcellaire dans un environnement sévère et déficitaire en eau. Le radar ajoute une nuance potentiellement utile mais, dans ce cas, n’a pas encore surpassé l’approche optique seule. Les cartes précoces résultantes peuvent aider à orienter l’eau d’irrigation et les engrais rares vers les zones où ils ont le plus d’impact, signaler les zones vulnérables avant que les pertes ne deviennent sévères et informer la planification de l’approvisionnement alimentaire régional. Bien que l’étude se concentre sur une plaine iranienne et une seule saison, l’approche offre une feuille de route pour appliquer la surveillance spatiale et l’intelligence artificielle afin de renforcer la sécurité alimentaire dans les régions arides du monde.

Citation: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

Mots-clés: prédiction du rendement du blé, télédétection, agriculture par satellite, apprentissage automatique, régions arides