Estimation of plant chlorophyll using hyperspectral observations and radiative transfer models: Spectral indices sensitivity and crop-type effects

Nous avons cherché à employer des modèles de simulation en chaînage avant et des mesures biophysiques et spectrales prises au sol pour estimer la concentration de chlorophylle à partir de données et d’images hyperspectrales. Durant les saisons de culture 2000, 2004 et 2005, nous avons mené des campagnes de terrain intensives visant à recueillir des données spectrales au sol, des mesures de teneur en chlorophylle correspondantes ainsi que des données sur l’état de croissance des cultures. Nous avons également recueilli des images spectrales par voie aérienne, au moyen d’un système CASI (Compact Airborne Spectrographic Imager). Nous avons choisi les dates de saisie de manière à ce qu’elles coïncident avec les divers stades de développement phénologique, afin de pouvoir suivre les changements survenant dans les attributs biophysiques des plantes cultivées. Nous avons utilisé les mesures spectrales prises sur le terrain pour mettre à l’essai plusieurs indices combinés comme moyens de déterminer la teneur en chlorophylle par imagerie hyperspectrale. Nous avons évalué ces combinaisons d’indices au moyen de simulations spectrales de la couverture végétale obtenues à l’aide du modèle Prospect-Sailh et de mesures de réflectance prises sur le terrain. Les relations existant entre la teneur en chlorophylle des feuilles et les indices optiques combinés présentaient des tendances semblables dans le cas des deux ensembles de données, respectivement issus de la simulation Prospect-Sailh et des mesures de terrain. Les ensembles de données utilisés ont révélé que l’espèce cultivée avait nettement un effet sur la construction et la validation des équations servant à la prédiction. En effet, en plus de produire des équations différentes, les données visant le maïs et le blé ont donné des concordances divergentes entre teneurs en chlorophylle estimée et mesurée, bien que nous ayons employé le même algorithme de prédiction. Parmi les combinaisons d’indices que nous avons évaluées, les combinaisons MCARI/OSAVI, TCI/OSAVI, MTCI/MSAVI et R-M/MSAVI se sont révélées relativement constantes et les plus stables comme estimateurs de la teneur en chlorophylle des plantes.