Cartographie de superficies irriguées et l’estimation de rendement de la culture du maïs par l’imagerie satellitaire en utilisant l’indice de végétation dans les zones arides

M. Hamrelaine, A. Mekliche, A. Laaboudi

Abstract


Résumé : De nombreuses techniques d'estimation du rendement des cultures sont utilisées. La plus efficace repose sur l'utilisation de données géo spatiales et de technologies telles que la télédétection, notamment dans des conditions de la présente étude où le ciel est souvent dégagé. Dans le but d’estimer les superficies cultivées en maïs sous pivots dans la région d’Adrar en Algérie et de prédire les rendements, nous avons exploité les données satellitaires d'imagerie de Landssat8 et Sentinel2 de 2014, 2015 et 2016. Le calcul des indices NDVI (Normalized Difference Vegetation Index) et EVI (Enhanced Vegetation Index) ont permis de distinguer plusieurs classes de végétation selon la densité du couvert végétal et son état sanitaire. En utilisant la régression robuste (RR), les classes identifiées ont été utilisées comme des variables indépendantes et les rendements observés ont été utilisés comme variable dépendante et ce pour développer des modèles d’estimation des rendements. Les résultats obtenus ont montré  une répartition des pivots dans trois régions potentielles avec un accroissement de la superficie durant les trois campagnes d’étude. Les modèles obtenus par les données basées sur d’EVI sont plus performants par rapport à ceux des données basées sur l’NDVI. Ainsi, les critères de performance qui consistent en coefficient de corrélation (r), l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne (MAE) sont respectivement  0,77, 8,30 q/ha et 7,17q/ha.

Abstract: To estimate crop yields many techniques and approaches are used. The most effective method is remote sensing technology, especially in the conditions of this study where the sky is often clear. The aim of this study is to estimate the cultivated surface and to predict crop yields of irrigated maize under pivot centers in Adrar region of South Algeria. The methodology consists of collecting satellite imagery landsad8 and Sentinel2 from 2014, 2015 and 2016 of the study region, and calculating two vegetation indices: NDVI (Normalized Difference Vegetation Index) and EVI (Enhanced Vegetation Index). According to the density of the canopy and its health, several vegetation classes are distinguished. In order to develop crop yield prediction model, we have used robust regression technique (RR). Vegetation classes have been used as independent variables and crop yields have been used as dependent variable. 

The obtained result showed that Crop yield Model performed from EVI-based data is highly accurate than this performed from NDVI based data. Thus, the performance criteria of EVI-based data model which consist of correlation coefficient (r), Root mean square error (RMSE) and mean absolute error (MAE) are respectively: 0,77, 8,30 q/ha et 7,17q/ha.


Full Text:

PDF

References


FAO, Le maïs, le riz et le blé, guide pour une production céréalière durable (2016).

FAO, bonnes pratiques pour l’industrie de l’alimentation animale. Manuel de production et santé animales. Numéro 9. Rome, Italie. (2013) 120 p.

Roussillon, M.A.; Marouby.; H. Perspectives des marchés des matières premières entrant dans l’alimentation animale. Evaluation des écarts de prix des formules alimentaires porcines en Union Européenne, aux Etats-Unis et au Brésil. Rapport d’étude (2010) 150 p.

Yahi, L. l’Office national d’aliments de bétail (ONAB) (2012).

Huang, J.; Wang, X.; Li, X.; Tian, H.; Pan, Z. Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA’s-AVHRR. PLoS ONE 8(8) (2013) e70816.

Prasad, AK.; Singh, RP.; Tare, V.; Kafatos, M. Use of vegetation index and meteorological parameters for the prediction of crop yield in India. International Journal of Remote Sensing 28(2007) 5207–5235.

Mkhabela, MS.; Bullock, P.; Raj, S.; Wang, S.; Yang, Y. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology 151(2011) 385–393.

Skakun, S.; Vermote, E.; Roger, J. C.; and Franch, B. Combined use of Landsat-8 and Sentinel-2A images for winter crop mapping and winter wheat yield assessment at regional scale (2017).

Rueda-Ayala, V.; Kunapuli, S.; Maiguashca, J. Development of yield prediction models in the maize crop using spectral data for precision agriculture applications (2015).

Hatfield, J.L.; Prueger, J.H.; Value of using different vegetative indices to quantify agricultural crop characteristics at different growth stages under varying management practices. Remote Sens., 2 (2010) 562–578.

Basso, B.; Cammarano, D.; Carfagna, E. Review of crop yield forecasting methods and early warning systems. In Proceedings of the First Meeting of the Scientific Advisory Committee of the Global Strategy to Improve Agricultural and Rural Statistics, FAO Headquarters, Rome, Italy, (2013) 18–19.

Ibrahim, S. A.; Yahya, W.B. Effects of Outliers and Multicollinearity on Some Estimators of Linear Regression Model. Edited Proceedings of 1st International Conference 1 (2017) 204-209.

Bin Khamis, A.; Binti Abdul Razak, N.A. A Comparative Study of Robust Regression Methods in Modeling the Currency in Circulation in Malaysia. International Journal of Science and Research., 6 (4), (2017) 241-245.

Lin, J.; Cai, G.; Liu, S.; Puppala, A.J. Robust Linear Regression for Undrained Shear Strength Data (2018).

Duncan, J. M. A.; Dash, J.; & Atkinson, P. M. . The potential of satellite-observed crop phenology to enhance yield gap assessments in smallholder landscapes. Frontiers in Environmental Science, 3(August), (2015)1-16.

Bolton, D. K.; and Friedl, M. A. Forecasting crop yield using Remotely Sensed vegetation indices and crop phenology metrics. Agricultural and Forest Meteorology, 173, (2013) 74–84.

Elmore, A. J.; Mustard, J. F.; Manning, S-J.; and avid . Lobell, D. B. Quantifying vegetation change in semiarid environments: precision and accuracy of Spectral Mixture Analysis and the Normalized Difference Vegetation Index. Remote Sensing of Environment, v. 73, n.1, (2000) 87-102.

Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ. 83 (1–2), (2002) 195–213.

Sahli, Z. Deux tentatives controversées de modernisation de l’agriculture en zone aride : l’opération “tomate d’Adrar” et la mise en valeur hydro-agricole du Touat Gourara (Wilaya d’Adrar-Algérie). Options Méditerranéennes 29(A) (1997) 283–295.

Achard, F.; Malheiros de Oliveira, Y.M.; et Mollicone, D. Suivi du couvert forestier et de la déforestation. In : J. Delincé (dir.), Manuel de la Stratégie mondiale pour l’amélioration des statistiques agricoles et rurales (GSARS) : Rome(2017).

Kaufman, Y.J.; and Tanré, D.-C. Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, vol. 30, no 2, (1992) 261-270.

Bodart, C.; Eva, H.D.; Beuchle, R. et al. Pre-processing of a Sample of Multi-scene and Multi-date Landsat Imagery used to Monitor Forest Cover Changes over the Tropics. ISPRS Journal of Photogrammetry and Remote Sensing, vol. 66, no 5, (2011) 555-63.

Lillian, K.P. Real-Time prediction of crop yields from MODIS relative vegetation health: A continent-wide analysis of Africa -series for dry land vegetation dynamics monitoring (2018).

Wang, M.; Tao, F.; and Shi, W. Corn Yield Forecasting in Northeast China Using Remotely Sensed Spectral Indices and Crop Phenology Metrics. Journal of Integrative Agriculture, 13(7), (2014) 1538–1545.

Chen, P,; Fedosejevs, G.; Tiscareño-LóPez, M.; and. Arnold, J. G. Assessment of modis-EVI, MODIS-NDVI and vegetation-NDVI composite data using agricultural measurements: an example at corn fields in western Mexico (2006).

Omoyo, N. N.; Wakhungu, J.; and Oteng’i, S. Effects of climate variability on maize yield in the arid and semi-arid lands of lower eastern Kenya. Agriculture & Food Security, 4(1), (2015) 8.

Son, N. T.; Chen, C. F.; Chen, C. R.; Minh, V. Q.; and Trung, N. H. A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation. Agricultural and Forest Meteorology, 197, (2014) 52–64.

Zhang, J.; Feng, L.; and Yao, F. Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information. ISPRS Journal of Photogrammetry and Remote Sensing, 94, (2014) 102-113.


Refbacks

  • There are currently no refbacks.