La surveillance en temps réel de la croissance des cultures à l'échelle des parcelles est cruciale pour l'agriculture de précision. Toutefois, la télédétection satellitaire couvre de vastes zones mais est limitée par les conditions météorologiques et la résolution spatiale. Les drones (véhicules aériens sans pilote, UAV) offrent une haute résolution spatiale mais sont limités par leur autonomie, ce qui rend difficile la couverture continue à grande échelle avec une seule source de données. Pour répondre à ce problème, cette étude propose une méthode de fusion spatio-temporelle multi-plateforme basée sur les données multispectrales UAV, Sentinel-2 et PlanetScope SuperDove, en utilisant un algorithme CACAO amélioré. La méthode construit deux stratégies de combinaison de données : "UAV+Sentinel-2" et "SuperDove+Sentinel-2+UAV", et génère quasi en temps réel des séries temporelles quotidiennes de l'indice de végétation par différence normalisée (NDVI) à une résolution d'un mètre, via une prédiction anticipée et une mise à jour rétrograde. Une validation croisée leave-one-out (LOOCV) est appliquée et comparée à l'algorithme GLM-STF (fusion spatio-temporelle basée sur le modèle linéaire généralisé) existant pour évaluer la précision de la fusion. Les résultats montrent : (1) Les données NDVI des différentes plateformes sont bien cohérentes, la corrélation NDVI entre Sentinel-2 et SuperDove atteint 0,97, et celle entre UAV et satellite dépasse 0,75, satisfaisant ainsi les prérequis de fusion des données ; (2) L'algorithme CACAO reconstruit efficacement la dynamique phénologique du riz, la série temporelle NDVI générée par le mode mise à jour rétrograde est plus lisse, et les deux stratégies de combinaison de données basées sur CACAO obtiennent une haute précision (R > 0,94). L'introduction des données SuperDove à haute résolution temporelle durant les périodes phénologiques clés améliore la précision de 0,51 à 0,67 ; (3) L'algorithme CACAO montre une stabilité et une précision légèrement supérieures sur toute la saison de croissance comparé à GLM-STF. En conclusion, le cadre de fusion multi-plateforme proposé permet de générer efficacement des séries temporelles NDVI continues et précises à l'échelle des parcelles, fournissant un soutien technique à la surveillance fine et à la gestion précise de la croissance des cultures.

PlanetScope; Sentinel-2; fusion spatio-temporelle des données; surveillance de la croissance; agriculture de précision; échelle des parcelles; courbe phénologique; surveillance quasi temps réel