← BLOGUE

02 · VOIR — TÉLÉDÉTECTION

Desimagessatellitairesauxprévisionsderendement

Comment une saison de passages de Sentinel-2 devient un chiffre sur lequel vous pouvez planifier.

Un champ et ses voisins, Sentinel-2, 28 août 2026
Ferme de démonstration, Chatham-Kent · Sentinel-2 · 28 août 2026 · Contient des données Copernicus Sentinel modifiées 2026

Le problème des données satellitaires brutes

Sentinel-2 photographie chaque champ agricole du Canada aux quelques jours, dans 13 bandes spectrales, à une résolution de 10 à 60 m. Les images sont gratuites. Mais un pixel n’est pas une décision.

La question que se pose vraiment un agriculteur ou un agronome est plus précise : de quoi ce champ a-t-il besoin, et à quel point en sommes-nous sûrs?


Des pixels aux signaux

Chaque pixel enregistre la lumière réfléchie à plusieurs longueurs d’onde. Combinées, ces bandes révèlent ce que l’œil ne voit pas :

  • La vigueur de la végétation (NDVI)
  • Les différences de croissance à l’intérieur d’un même champ
  • Un stress qui apparaît avant d’être visible depuis la route
  • La progression de la saison, d’un passage à l’autre

Les nuages sont le hic. Sur la carte NDVI d’AgriLens, les pixels couverts de nuages sont omis, pas colorés. La fiche indique quelle part de la dernière scène était sans nuages, et précise que la moyenne NDVI inclut des pixels touchés par les nuages.


Là où l’apprentissage automatique entre en jeu

Un modèle peut relier ces signaux aux résultats, s’il est entraîné sur les bonnes données. Le modèle de rendement d’AgriLens utilise :

  • Le NDVI de Sentinel-2 pour la saison
  • La météo d’Open-Meteo
  • La culture semée dans le champ
  • Le rendement régional de référence : les rendements de l’Ontario publiés par Statistique Canada
  • Les propriétés du sol tirées de SoilGrids

Son R² est de 0,89 sur des années mises de côté pour l’évaluation. Ce chiffre est affiché sur le site parce qu’il peut être vérifié.


Une prévision qui montre ses raisons

Un chiffre de rendement seul vous demande de lui faire confiance. AgriLens présente chaque prévision avec :

  • Un intervalle de 90 %, pour que l’incertitude soit à l’écran
  • Les facteurs derrière la prévision (SHAP), chaque barre faisant monter ou baisser la prévision en t/ha

De la prévision à l’action au champ

Une prévision est utile quand elle mène quelque part. Dans AgriLens, elle mène à :

  • Des zones de NDVI faible, moyen et élevé, chaque dose d’azote citée selon la publication 811 du MAAARO, exportable en ISOBUS
  • Des prévisions de ravageurs fondées sur les degrés-jours, chacune citée selon son modèle publié
  • Des ébauches de rapports et de prescriptions : rien n’est enregistré avant que vous confirmiez

Où tout cela s’en va

Les systèmes à l’échelle du champ évoluent vers :

  • Des modèles qui se mettent à jour à chaque nouvelle saison
  • Un étalonnage aux conditions locales
  • Des données satellitaires et de capteurs au champ intégrées à mesure qu’elles arrivent

Apex Intelligence construit ces systèmes pour ses clients. AgriLens en est l’exemple concret.

Lamjed LounissiFondateur · Architecte de solutions d’IA et scientifique des données

Lamjed est le fondateur d’Apex Intelligence, un cabinet-conseil en IA et en technologies géospatiales établi à Ottawa. Fort de plus de 20 ans d’expérience en science des données, en génie logiciel et en IA, il construit des solutions pratiques et fiables et partage ses réflexions sur la façon de transformer l’innovation en IA en applications concrètes.

Vous voulez des prévisions comme celles-ci pour vos propres champs?

Dites-nous ce que vous cultivez et où. Nous vous dirons franchement ce que les données satellitaires peuvent montrer, et ce qu’elles ne peuvent pas montrer.

Parler de votre projet