Assessing the performance of MODIS NDVI and EVI for seasonal crop yield forecasting at the ecodistrict scale

La prévision du rendement des cultures est d’une importance cruciale dans le contexte des impacts du changement climatique sur l’agriculture. Or, en intégrant aux méthodes prévisionnelles des données de télédétection recueillies pratiquement en temps réel et des méthodes statistiques perfectionnées, on peut obtenir une prévision plus exacte et plus rapide, ce qui pourrait nous aider à surmonter efficacement ces impacts. La présente étude visait : (i) à évaluer l’utilisation des indices de végétation obtenus à partir de données MODIS (spectroradiomètre imageur à résolution moyenne) pour prédire le rendement du blé de printemps (Triticum aestivum L.) à l’échelle des divers écodistricts de l’Ouest canadien, à l’aide de l’outil de prévision ICCYF (Integrated Canadian Crop Yield Forecaster); (ii) à comparer les prévisions fondées sur le modèle ICCYF et leur exactitude à deux échelles spatiales, celle des écodistricts et celle des régions du recensement agricole (RRA), notamment dans les RRA où on avait signalé une performance médiocre du modèle ICCYF. Les écodistricts sont des secteurs distincts sur les plans du climat, du sol, du paysage et de divers paramètres écologiques, tandis que les RRA sont des secteurs délimités selon des critères statistiques aux fins du recensement agricole. Pour prévoir en cours de saison le rendement du blé de printemps, de 2000 à 2010, nous avons utilisé comme intrants certaines variables agroclimatiques en combinaison soit avec les indices MODIS-NDVI, soit avec les indices MODIS-EVI. Nous avons ensuite établi des modèles de régression en nous fondant sur une procédure consistant à exclure une des années de chacun des deux ensembles de données. Nous avons ainsi constaté que les ensembles de données agroclimat + MODIS-NDVI et agroclimat + MODIS-EVI donnaient des résultats de qualité semblable pour la prévision du rendement du blé de printemps à l’échelle des écodistricts. Les pourcentages moyens d’erreur absolue (PMEA) des modèles obtenus avec l’un et l’autre des ensembles de données allaient de 2 % à 33 % pour la période étudiée. L’indice d’efficacité du modèle (IEM) allait de −1,1 à 0,99 pour l’ensemble de données agroclimat + MODIS-NDVI et de −1,8 à 0,99 pour l’ensemble de données agroclimat + MODIS-EVI. De plus, nous avons obtenu une compétence de prévision bien meilleure (PMEA réduit de 40 % et IEM multiplié par 5, en moyenne) à l’échelle des écodistricts qu’à l’échelle plus grossière des RRA. Les modèles de prévision doivent prendre en compte la distribution des valeurs extrêmes des variables de prédiction, afin d’assurer un meilleur choix des indices de télédétection. Nos résultats semblent indiquer qu’on peut réduire sensiblement le pourcentage d’erreur des prévisions fondées sur des statistiques en utilisant les indices MODIS-EVI et NDVI à des moments différents de la saison de culture et à l’intérieur de sous-régions différentes.