L’indice de surface foliaire (Leaf Area Index, LAI) est un paramètre clé caractérisant la structure et la vigueur de la canopée des cultures. La surveillance précise et opportune grâce aux technologies de télédétection est essentielle pour la gestion de l’irrigation et de la fertilisation en champ, la sécurité alimentaire et l’évaluation du potentiel de production agricole. La bande red-edge, en tant que bande spectrale sensible indiquant les changements physiologiques des feuilles et de la structure de la canopée, a été intégrée dans plusieurs capteurs satellitaires à résolution moyenne et haute (10-30 m) et est largement utilisée pour l’inversion des paramètres des cultures, offrant une nouvelle opportunité pour améliorer la précision de l’inversion du LAI. Cependant, les études existantes présentent des variations importantes dans les méthodes d’utilisation de la bande red-edge pour l’inversion du LAI, et en raison des différentes zones étudiées, la manière dont exploiter efficacement la bande red-edge pour améliorer la précision de l’inversion du LAI reste incertaine. Sur cette base, cette étude adopte une méthode hybride combinant le modèle PROSAIL et des algorithmes d’apprentissage machine comme stratégie d’inversion. En utilisant des images Sentinel-2 contenant trois bandes red-edge et des données de LAI au sol mesurées pour les principales cultures céréalières nationales (riz, blé et maïs) fournies par le réseau national d’observation des écosystèmes, et par la sélection optimale des modèles d’apprentissage machine et des combinaisons de bandes, un algorithme d’inversion du LAI intégrant les caractéristiques des bandes red-edge a été construit et évalué systématiquement dans différents contextes. Les résultats montrent que le perceptron multicouche (MLPR) offre la meilleure correspondance entre le LAI et la réflectance multibande, et que l’introduction de bandes red-edge améliore efficacement la précision de l’inversion du LAI. L’introduction conjointe de la bande red-edge 1 (RE1) et red-edge 3 (RE3) donne la meilleure performance (R² = 0.784, RMSE = 0.826). Par rapport à la combinaison Z1 (Green+Red+NIR+SWIR1+SWIR2) sans bandes red-edge, le R² a augmenté de 4,9 % et le RMSE a diminué de 15,6 %. Par ailleurs, l’introduction des bandes red-edge réduit non seulement le biais systématique dans l’inversion du LAI, mais atténue également efficacement l’effet de saturation dans la plage des valeurs moyennes à élevées de LAI (4 < LAI < 5), avec des baisses du biais absolu (|Bias|) et du RMSE de 52,2 % et 41,4 % respectivement. En outre, la réponse des différentes cultures aux informations de la bande red-edge varie, avec une amélioration la plus significative de la précision de l’inversion du LAI pour le maïs après l’introduction de RE1 et RE3 (augmentation de R² de 17,9 %, réduction du RMSE de 29,1 %). Cet algorithme construit par couplage des bandes red-edge améliore significativement la précision de l’inversion du LAI pour différents types de cultures et offre un soutien technique important pour le suivi précis à grande échelle et à long terme de la vigueur des cultures.

Indice de surface foliaire des cultures; bande red-edge; modèle Prosail; apprentissage machine; sélection de bandes