Skip to content
Retour aux résultats

NDVI

Introduite par
Rouse, Haas, Schell, and Deering
Année
1973
Type
Spectral index for vegetation assessment
Famille
Remote sensing vegetation monitoring

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'indice de végétation par différence normalisée (NDVI) est un indice spectral calculé à partir d'images multispectrales satellitaires ou aériennes qui quantifie la verdure et la vigueur de la végétation.

Introduit par Rouse et ses collègues en 1973 à l'aide de données Landsat, le NDVI est devenu la métrique de télédétection la plus utilisée pour la surveillance de la végétation, l'évaluation de la sécheresse, la prévision de la productivité des cultures et la détection des changements de couverture terrestre.

L’intuition derrière la méthode

La végétation réfléchit peu la lumière visible (rouge) mais réfléchit une grande partie de la lumière proche infrarouge (NIR) en raison de la structure et de la teneur en chlorophylle des feuilles. Le NDVI exploite ce contraste : NDVI = (NIR - Rouge) / (NIR + Rouge), où NIR et Rouge sont les réflectances mesurées par satellite dans ces bandes. Le NDVI varie de -1 à +1 : les valeurs proches de -1 indiquent l'eau (absorbe le NIR), 0 indique le sol nu, et +0,5 à +0,9 indiquent une végétation dense et saine. Les séries temporelles du NDVI révèlent des cycles saisonniers (verdure de la végétation au printemps, sénescence à l'automne) et une variabilité interannuelle liée à la disponibilité de l'eau.

Histoire

Introduit en 1973 à l'aide de données du capteur Landsat Multispectral Scanner, le NDVI est rapidement devenu l'indice de végétation standard pour l'agriculture, la foresterie et la surveillance de la sécheresse. Le lancement du capteur AVHRR (Advanced Very High Resolution Radiometer) en 1981 et plus tard du MODIS (1999) a permis une surveillance mondiale quotidienne du NDVI. L'indice VHI (Vegetation Health Index) de la NOAA, combinant le NDVI et la température de surface terrestre, est devenu opérationnel pour l'alerte précoce de la sécheresse. Les développements récents incluent la fusion de données à haute résolution (Planet, Maxar) avec des données à basse résolution (MODIS) et l'apprentissage profond pour la détection de la phénologie.

Quand l’utiliser

Utilisez le NDVI pour surveiller la santé de la végétation à des échelles régionales à mondiales, évaluer les impacts de la sécheresse, prévoir les rendements des cultures et détecter les changements de couverture terrestre. Le NDVI fonctionne mieux pour les évaluations à grande échelle (résolution de pixel >10 m) et est moins utile pour la gestion à l'échelle locale où des détails au niveau du terrain sont nécessaires. Combinez le NDVI avec d'autres indices (EVI, SAVI) pour la robustesse et avec des données de précipitations/température pour interpréter les facteurs.

Limites et points d’attention

  • Sature à haute densité de végétation ; deux forêts denses de structure différente apparaissent similaires en NDVI
  • Sensible aux effets atmosphériques (aérosols, nuages) qui introduisent du bruit sauf si corrigés avec soin
  • Ne peut pas distinguer le type ou la qualité de la végétation ; les mauvaises herbes saines apparaissent similaires aux cultures saines
  • La résolution temporelle dépend de la couverture nuageuse et de la fréquence de revisite du satellite ; des lacunes surviennent dans les régions nuageuses

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Simple et rapide à calculer, ne nécessitant que deux bandes satellitaires largement disponibles sur les capteurs et les archives
  • Spatialement continu, permettant une évaluation dans des régions manquant d'observations au sol ou d'infrastructures terrestres
  • Forte relation empirique avec l'indice de surface foliaire (LAI), les taux de photosynthèse et la biomasse
  • Longue archive temporelle (Landsat depuis 1972, MODIS depuis 2000) permettant une analyse des tendances décennales

Applications

  • Alerte précoce de sécheresse : surveillance des anomalies du NDVI pour émettre des alertes de stress hydrique avant la défaillance des cultures, guidant la réponse d'urgence
  • Prévision des rendements des cultures : corrélation des trajectoires saisonnières du NDVI avec la récolte finale de grains pour prévoir la production avant la fin de la saison
  • Détection de la déforestation et des changements de couverture terrestre : suivi de la diminution du NDVI pour identifier la perte de forêts et caractériser les transitions d'utilisation des terres
  • Évaluation de la santé des pâturages : utilisation des tendances du NDVI pour évaluer le surpâturage, la reprise après la sécheresse et la capacité de charge dans les régions pastorales

Comment ça marche

Comment ça marche

1

Des images satellitaires multispectrales (Landsat, Sentinel, MODIS, Copernicus) avec au moins des bandes rouge et proche infrarouge sont acquises. Les données sont calibrées radiométriquement en réflectance à la sortie du capteur.

2

Une correction atmosphérique est appliquée pour convertir la réflectance à la sortie du capteur en réflectance de surface, en tenant compte des aérosols, de la vapeur d'eau et de la diffusion de Rayleigh. Les pixels de nuages et d'ombres de nuages sont masqués.

3

Pour chaque pixel, les réflectances dans la bande rouge (0,6–0,7 µm) et la bande proche infrarouge (0,8–1,0 µm) sont extraites.

4

Le NDVI est calculé comme (NIR - Rouge) / (NIR + Rouge) pour chaque pixel. Des séries temporelles de NDVI sont générées à intervalles réguliers (quotidiennement pour MODIS, 5–10 jours pour Landsat/Sentinel) pour suivre les variations saisonnières et interannuelles.

5

Les cartes NDVI révèlent des motifs spatiaux d'abondance de la végétation. Les séries temporelles sont analysées pour le pic de verdure, la durée de la saison de croissance et les anomalies dues à la sécheresse. Les tendances sont corrélées avec les précipitations, la température et les changements de gestion des terres.

Pièges courants

  • Mauvaise interprétation de la variation spatiale du NDVI sans tenir compte de la luminosité du fond du sol, qui affecte le NDVI dans les zones peu végétalisées
  • Comparaison du NDVI entre différents satellites ou algorithmes de correction atmosphérique sans harmonisation
  • Sur-application du NDVI aux régions tropicales où l'abondance des aérosols atmosphériques varie fortement, introduisant un biais systématique

Questions fréquentes

Pourquoi utiliser le NDVI au lieu de simplement regarder la réflectance rouge ?

La réflectance rouge seule ne tient pas compte du fond du sol. Un sol sombre et une canopée végétale clairsemée ont tous deux une faible réflectance rouge. En normalisant la différence entre le NIR et le rouge par leur somme, le NDVI isole le signal de la végétation du sol. L'indice résultant est fortement corrélé à la surface foliaire, à la photosynthèse et à la biomasse.

Quelles sont les valeurs typiques du NDVI pour différents couverts végétaux ?

Eau et neige : < 0,1 ; sol nu : 0,1–0,2 ; prairies et arbustes : 0,2–0,5 ; cultures (selon le stade de croissance) : 0,3–0,8 ; forêts denses : 0,6–0,9. Les valeurs varient saisonnièrement (faibles en hiver, pic au milieu de l'été dans les régions tempérées).

Comment la couverture nuageuse affecte-t-elle la surveillance du NDVI ?

Les nuages bloquent entièrement la vue du satellite ; les pixels nuageux sont masqués et doivent être interpolés ou ignorés. Dans les régions tropicales avec une couverture nuageuse persistante, les données NDVI utiles peuvent être rares (< 50 % des observations claires). Les indices basés sur le radar (non affectés par les nuages) comme la rétrodiffusion dérivée du NDVI offrent des alternatives dans les zones nuageuses.

Le NDVI peut-il distinguer les types de cultures ?

Not directly. NDVI reflects greenness, not crop identity. Wheat and barley have similar NDVI trajectories. However, phenological timing (peak NDVI date, growing season length) can differ among crops, enabling crop classification when combined with weather data or field observations.

Méthodes associées

Sources

  1. Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring vegetation systems in the Great Plains with ERTS. Third Earth Resources Technology Satellite Symposium Proceedings, 1, 309-317.

    Ouvrir la référence de la publication
    Copié.
  2. Jackson, R. D. (1983). Spectral indices in n-space. Remote Sensing of Environment, 13(5), 409-421.

    Ouvrir la référence DOI
    Copié.