Le coton reste l'une des principales cultures d'exportation du Burkina Faso. Une coopérative qui regroupe environ 8 000 producteurs sur la zone de Boromo (province des Balé) a mis en place depuis 2023 un suivi par télédétection de 12 000 parcelles. L'objectif n'est pas de remplacer les agents terrain mais de leur indiquer où concentrer leurs visites — et d'anticiper les rendements 4 à 6 semaines avant la récolte.
Cet article reprend la chaîne technique sans masquer ses limites. C'est un projet utile, pas un projet parfait.
Le cahier des charges, version courte
- Identifier les parcelles en sous-développement végétatif au moins 4 semaines avant la floraison.
- Estimer le rendement attendu par parcelle (kg de coton-graine par hectare) avec une précision suffisante pour l'agrégation à l'échelle de la coopérative.
- Produire une carte hebdomadaire par village partenaire.
- Coût total annuel inférieur à 5 000 USD (hors temps des techniciens).
Les données mobilisées
- Sentinel-2 (L2A) — passage tous les 5 jours, 10 m sur les bandes utiles (B4, B8). Couverture nuageuse fréquente en saison des pluies, donc on travaille systématiquement sur des composites mensuels.
- Limites parcellaires — relevées par GPS de poche par les agents terrain en 2022-2023, puis intégrées en GeoJSON.
- Données météo MERRA-2 — précipitations cumulées par décade, agrégées à la parcelle.
- Historique de rendements 2018-2024 — déclaratif, fourni par la coopérative, vérifié par échantillonnage.
La chaîne de traitement
Tout est dans Google Earth Engine, avec un export hebdomadaire vers BigQuery pour la consolidation. Schéma :
- Filtrage Sentinel-2 sur la fenêtre temporelle (juillet-octobre) et la zone d'intérêt.
- Masque nuage SCL + cirrus — on retient uniquement les pixels classifiés végétation, sol nu, eau.
- Calcul de NDVI et NDWI par image, puis composite médian par décade (10 jours).
- Réduction par parcelle (`reduceRegions`) — moyenne et variance du NDVI sur les pixels de la parcelle.
- Croisement avec les précipitations cumulées — proxy de stress hydrique.
- Score composite empirique (NDVI relatif au profil 5 ans + ratio précipitations cumulées) → flag « parcelle à visiter ».
La régression rendement = f(NDVI moyen au pic + cumul pluie + historique 3 ans) est un modèle linéaire simple, ré-entraîné chaque saison. Pas de deep learning : avec 12 000 parcelles et 4 saisons d'historique, un modèle linéaire bien calibré bat un modèle complexe non interprétable, surtout pour la confiance des agents terrain.
Les résultats observés sur 3 saisons
- Précision sur le rendement parcelle individuelle : ±18 % sur 70 % des parcelles. Suffisant pour un classement, insuffisant pour un contrat individuel.
- Précision sur le rendement village agrégé (≈100 parcelles) : ±6 %. Très utile pour le pilotage de la coopérative.
- Anticipation des parcelles en stress : 4 à 6 semaines d'avance sur la détection visuelle au sol.
- Coût annuel d'infrastructure : ≈ 3 200 USD (GEE est gratuit pour ce volume non commercial — la coopérative a une licence éducative).
Ce qui ne marche pas, ou pas encore
Trois limites assumées dans le projet :
- Sentinel-2 à 10 m est trop grossier pour les parcelles de moins de 0,3 ha — les pixels « bord de parcelle » dominent et bruitent le NDVI. Sur ces parcelles on ne fournit qu'un drapeau qualitatif, pas un score.
- Le composite mensuel par médiane lisse les épisodes courts mais critiques (chenille du cotonnier, par exemple). Pour ces alertes, il faut maintenir les visites terrain et un canal de signalement WhatsApp dédié.
- Le modèle est ré-entraîné à chaque saison, mais reste mal calibré sur les saisons climatiques extrêmes (2024 a été plus sec qu'historique). Robustifier le modèle est le chantier ouvert pour 2026.
Ce qui transpose à d'autres cultures
La méthode (composite médian + score relatif à un profil historique + croisement météo) marche bien pour toutes les cultures à cycle long et à canopée fermée — coton, maïs irrigué, canne à sucre. Elle marche moins bien pour les cultures associées (sorgho/niébé), où la signature spectrale mélange deux espèces.
Pour aller plus loin
Le module Gojambar « Télédétection appliquée à l'agriculture » reprend la même chaîne sur une zone d'étude différente, avec un projet d'évaluation à rendre. Si vous travaillez dans le secteur agricole et que vous voulez monter en compétence sur GEE et la cartographie de cultures, c'est probablement le parcours le plus rentable de votre prochaine année.