Utilisation des données satellitaires couplées à un modèle de fonctionnement pour l'évaluation de la production prairiale à l'échelle nationale

Using remote sensing information and simulation models to estimate pastures production at the national scale

• Auteur / Autrice : Carlos Marcelo Di Bella
• Direction : Bernard Seguin
• Type : Thèse de doctorat
• Discipline(s) : Sciences biologiques fondamentales et appliquées. Bioclimatologie
• Date : Soutenance en 2002
• Etablissement(s) : Paris, Institut national d'agronomie de Paris Grignon

Mots clés

Mots clés libres

Prairies

Télédétection

évaluation

Résumé

Les pâturages constituent un écosystème terrestre important. En France, ils occupent 21% de la superficie totale, ce qui justifie l'effort pour développer un suivi en temps réel de la production de la biomasse au niveau national, en prenant en compte la variabilité spatiale et temporelle des prairies. L'absence de méthodes indirectes de faible coût applicables à des grandes régions conduit à étudier les modèles de simulation du fonctionnement des cultures, comme dans le cas du système ISOP (Information et Suivi Objectif des Praires), et les possibilités offertes par la télédétection pour contribuer à améliorer le diagnostic fourni. Le travail effectué dans cette thèse a pour but d'évaluer ces possibilités. Pour cela, un nombre limité de treize régions fourragères (FR) de France ont été sélectionnées pour leur contexte géomorphologique, climatique et pédologique associé à leur production fourragère. Les données du capteur VEGETATION embarqué sur la plateforme SPOT4 (résolution spatiale de kilométrique) ont été utilisées pour fournir, à partir de modèles de déconvolution, les valeurs de réflectance correspondant à la signature d'une prairie pure. Celle-ci a été mise en relation avec certaines variables de croissance estimées par le modèle STICS-Prairie à l'intérieur du système ISOP. Au delà du bon accord général entre les deux types de données, l'analyse de ces relations a permis d'établir que celle qui lie les indices de végétation basés sur le moyen infrarouge (SWVI) et l'indice foliaire (LAI) était la plus forte. Les résultats obtenus confirment les capacités des données satellitaires à fournir des estimateurs de variables productives complémentaires de celles estimées à partir de modèles de simulation. En particulier les différences spatiales et temporelles entre les informations fournies par le satellite et les estimations du modèle, surtout pendant les périodes de récolte de biomasse dans les systèmes de production, pourraient contribuer à améliorer les estimations du modèle à l'échelle régionale.

Pastures constitute an important terrestrial ecosystem. In France, pastures occupy 21% of the total area. There is a big effort to develop a real time systematic approach to estimate biomass production at the national level, focusing on spatial and seasonal variability in relation to drought. The non-existence of indirect methods of low cost that can be applied to large areas contributes to this situation. The advances registered in crop modeling and remote sensing offer new methodological and operative possibilities to solve this problem. In this work, thirteen Forage Regions (FR) of France were selected for their different geomorphologic, climatic and soil conditions with regard to pastoral productions. Images from the VEGETATION sensor on board SPOT4 satellite (1 km spatial resolution) were used to forecast some productive variables estimated by STICS Prairie simulation model. There was a general good agreement between the satellite and productive data. Particularly, the relationship between the middle infrared based Vegetation Index (SWVI) and the Leaf Area Index (LAI) demonstrated the best results regardless the Forage Region (FR). The obtained results confirm the capabilities of remote sensing data to be an accurate predictor of productive variables estimated from simulation models. Moreover, differences between satellite information and model estimations, especially during the harvesting periods of pasture systems, could be a good indicator to improve model estimations at the regional scale.