Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data

Il est essentiel d’obtenir un nombre suffisant d’images satellitaires au cours d’une saison de croissance pour calculer des indicateurs agronomiques, p. ex. l’indice de surface foliaire verte (GLAI : green leaf area index), à intégrer à des modèles d’estimation de la productivité des cultures. Or, pour la plupart des satellites orbitaux d’observation optique à haute résolution, il est souvent difficile d’obtenir fréquemment des images d’un même endroit en raison des longs cycles de réobservation et de conditions météorologiques défavorables. Afin de régler ce problème, des algorithmes de fusion de données, comme le STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) et l’ESTARFM (Enhanced STARFM), ont été mis au point pour générer des données synthétiques à haute résolution spatiale et temporelle. Dans la présente étude, nous avons évalué la méthode consistant à assimiler le GLAI dans le modèle SAFY (Simple Algorithm for Yield Estimation) pour estimer la biomasse de blé d’hiver. Nous avons estimé le GLAI au moyen de l’indice de végétation optimisé à deux bandes (EVI2 : two-band Enhanced Vegetation Index) calculé à partir de données du capteur Operational Land Imager (OLI) embarqué sur le satellite Landsat-8 et d’un jeu de données obtenu par la fusion de données du spectroradiomètre imageur à résolution moyenne (MODIS ) et de données OLI à l’aide des modèles STARFM et ESTARFM. Le jeu de données fusionnées avait la résolution temporelle des données MODIS et la résolution spatiale des données OLI. Nous avons optimisé les principaux paramètres du modèle SAFY en assimilant le GLAI estimé dans le modèle de simulation des cultures à l’aide de l’algorithme Shuffled Complex Evolution-University of Arizona (SCE-UA). Nous avons obtenu une bonne concordance entre la biomasse mesurée sur le terrain et celle estimée en assimilant le GLAI calculé à partir des données OLI (GLAIL) seulement (R2 = 0,77 et erreur quadratique moyenne [EQM] = 231 g m-2). L’assimilation du GLAI calculé à partir du jeu de données fusionnées (GLAIF) a donné un R2 de 0,71 et une EQM de 193 g m-2, tandis que l’assimilation de la combinaison du GLAIL et du GLAIF a amélioré la concordance (R2 = 0,76 et EQM = 176 g m-2). Nos résultats mettent en évidence le potentiel des algorithmes de fusion pour améliorer la surveillance de la croissance des cultures et l’estimation de la productivité des cultures lorsque le nombre d’images satellitaires de haute résolution est limité.