1. FACULTÉ DES SCIENCES
DÉPARTEMENT DE GÉOGRAPHIE
LLL EEE SSS III NNN DDD III CCC EEE SSS DDD EEE VVV ÉÉÉ GGG ÉÉÉ TTT AAA TTT III OOO NNN
Promoteur : Y.Cornet Travail de fin d’études de Bachelier
Présenté par
Martin Ledant
Année académique 2006-2007

2. 1
L E S I N D I C E S D E V É G É T A T I O N
Table des matières
I. Introduction ..................................................................................................................................... 2
II. Signature spectrale du couvert végétal. ......................................................................................... 2
II.1. Propriétés optiques des parties végétales............................................................................. 2
II.2. Propriétés optiques du sol...................................................................................................... 4
II.3. Interactions sol – végétation .................................................................................................. 4
II.4. Evolution de la réflectance d’un couvert végétal au cours de la phase active de croissance
et de la sénescence: ........................................................................................................................... 5
III. Indices de Végétation ..................................................................................................................... 6
III.1. Indices de végétation intrinsèques......................................................................................... 6
III.1.1. DVI – Difference Vegetation Index................................................................................ 6
III.1.2. RVI – Ratio Vegetation Index........................................................................................ 7
III.1.3. NDVI – Normalized Difference Vegetation Index .......................................................... 8
III.2. Indices basés sur la droite des sols ....................................................................................... 9
III.2.1. PVI – Perpendicular Vegetation Index .......................................................................... 9
III.2.2. WDVI – Weighted Difference Vegetation Index .......................................................... 10
III.2.3. indices de type SAVI ................................................................................................... 10
III.2.3.1. SAVI – Soil Adjusted Vegetation Index .............................................................. 10
III.2.3.2. MSAVI – Modified Soil Adjusted Vegetation Index............................................. 13
III.2.3.3. TSAVI – Transformed Soil Adjusted Vegetation Index....................................... 13
III.3. Indices résistants aux influences atmosphériques .............................................................. 14
III.3.1. ARVI – Atmospherically Resistant Vegetation Index....................................................... 14
III.3.2. GEMI – Global Environment Monitoring Index ................................................................ 15
IV. Influences des résolutions spectrale et spatiale sur les indices de végétation ............................ 16
V. Applications................................................................................................................................... 17
VI. Extraction de paramètres de la végétation ................................................................................... 17
VII. Choix d’un indice........................................................................................................................... 18
VIII. Conclusion .................................................................................................................................... 19
Références ............................................................................................................................................ 19
Consultées ........................................................................................................................................ 19
Citées ................................................................................................................................................ 21
Acronymes............................................................................................................................................. 21

3. 2
I. Introduction
La végétation est une des composantes centrales du système terrestre. Elle joue un rôle
déterminant dans l’établissement des écosystèmes, au niveau global en jouant sur la concentration
atmosphérique en CO2 ou à un niveau plus local en établissant des niches spécifiques à de
nombreuses espèces. La végétation revêt aussi une importance capitale au niveau économique et
sanitaire en étant à la base de toute la chaîne alimentaire.
Le rôle capital de la végétation est étudié depuis bien longtemps, mais l’ère de la télédétection
a ouvert de nouvelles portes vers une meilleure compréhension de son fonctionnement. En effet pour
la première fois, la végétation allait pouvoir être surveillée de manière globale à intervalles de temps
réguliers. C’est pourquoi, dès les débuts de la télédétection, des chercheurs ont tenté de quantifier
l’état de la végétation en utilisant des « indices de végétation ». Dès la création du premier indice, les
capacités de ce concept ont vite été avérées. Néanmoins de nombreuses difficultés entravent le bon
fonctionnement des indices, certaines ont été contournées, les autres sont toujours sujets à des
recherches.
Voyons sur quoi le concept d’indice de végétation est basé, comment il a évolué au cours des
trois dernières décennies, quels ont été les problèmes rencontrés, comment ont-ils été résolus, et
qu’a-t-on pu en retirer ?
II. Signature spectrale du couvert végétal.
La signature spectrale d’un couvert végétal résulte d’une combinaison complexe des spectres
de réflectances des parties végétales et de celle du sol, gouvernée par les propriétés optiques de ces
éléments et par l’interaction de ceux-ci au sein de la couverture végétale. (Rondeaux, 1996)
II.1. Propriétés optiques des parties végétales
Les propriétés optiques (réflectance, absorption, transmittance) des feuilles dépendent
fortement de la longueur d’onde et cela leurs confèrent un spectre de réflectance très caractéristique
(fig. 1) (Soudani, 2005). Les facteurs influençant la réflectance sont de deux ordres. Les premiers
sont liés à la composition chimique intrinsèque des parties végétales et influencent surtout le spectre
dans le rouge. Les deuxièmes sont attachés aux aspects structuraux du feuillage et des feuilles et
influencent surtout dans le proche infrarouge (Rondeaux, 1996). Nous ne nous étendrons pas sur les
propriétés optiques des feuilles dans l’infrarouge moyen puisque l’information contenue dans cette
partie du spectre n’est utilisée par aucun indice de végétation.

4. 3
Figure 1. Caractéristiques de la signature spectrale de la végétation (Hoffer, 1978 dans Leblon, 2007)
Visible 400-700 nm : dans le visible, les propriétés optiques des feuilles sont fortement
conditionnées par la pigmentation foliaire. En effet, c’est l’énergie du visible qui est utilisée lors de la
photosynthèse pour construire la biomasse. On distingue deux bandes de faible réflectance dans le
bleu (450 nm) et dans le rouge (670 nm), provoquées par les chlorophylles a et b. Entre ces deux
bandes, se situe un pic de réflectance autour de 550 nm (vert jaune). D’autres pigments tels que le
xantophylle, l’antocyane et le carotène, pigments secondaires respectivement jaune, rouge et orangé
qui sont généralement supplantés par la chlorophylle en période végétative, dominent à l’automne et
augmentent alors la réflectance dans le rouge (Guyot, 1989).
Proche Infrarouge (PIR) 700-1300 nm: dans le PIR, la réflectance forme un plateau. Elle est
conditionnée par des paramètres d’avantage liés, à la structure du feuillage tels que la densité foliaire
(LAI = Leaf Area Index), la biomasse et la morphologie des feuilles mais aussi par la quantité d’eau
contenue dans les feuilles. Dans cette bande, les pigments foliaires et la cellulose, qui constituent les
parois cellulaires, ont une très faible absorption (10% maximum) pour des raisons d’économie
thermique, sont très réfléchissants et ont une forte transmittance (Guyot et al, 1989 ; Huete et al,
1997 ; Teillet, 1997).
Il est important de noter que la réflexion du feuillage n’est pas de type lambertien mais
bidirectionnelle. Cela signifie que la luminance du feuillage sera fonction des angles horizontaux et
verticaux entre l’illumination et le capteur. Elle est en outre très variable selon la distribution angulaire
des feuilles. Cela peut jouer un rôle important notamment entre les plantes dites « érectophiles »
(moyenne 65°) et « planophiles » (moyenne 25°) (Ron deaux, 1996).

5. 4
II.2. Propriétés optiques du sol
Huete (1985), l’inventeur du modèle SAVI, insiste sur le fait que le sol est une
composante fondamentale contrôlant le comportement spectral de toutes les couvertures végétales
sauf les plus denses. Des variations de sol peuvent se produire sur des espaces très restreints
comme sur de grandes étendues (zone volcanique, sols alluviaux, argiles et sables). Vu que le sol
comporte aussi une composante temporelle dynamique (humidité, dépôts organiques, érosion,
cultures), une compréhension des propriétés des spectres des sols ainsi que de ses interactions avec
la couverture végétale est essentielle au développement d’indice utilisable à échelle globale.
En général, la réflectance du sol est relativement faible dans le bleu (< 10%) mais augmente de
manière quasi linéaire avec la longueur d’onde jusqu’ au proche infrarouge. Ces propriétés optiques
varient en fonction de sa nature. Dans le cadre de la télédétection, trois propriétés du sol sont prises
en considération : sa couleur, sa rugosité et son humidité. La couleur sera fonction de plusieurs
paramètres tels que la teneur en certains minéraux et en matières organiques qui tendent à assombrir
le sol. La rugosité tend à diminuer la réflectance en augmentant la dispersion et les ombrages. Elle est
entre autre fonction de la texture du sol. La réflectance tend à diminuer avec l’humidité (Rondeaux,
1996).
Kauth et Thomas (1976) ont déterminé que la distribution dans l’espace spectral à deux
dimensions Rouge – Proche infrarouge (R-PIR) de la réflectance de sols est confinée sur une droite
dont la pente et l’intersection à l’origine varie de manière indépendante à l’humidité pour chaque type
de sol. Pour un sol donné, la réflectance dans le R et la réflectance dans le PIR sont reliés par
l’équation d’une droite dénommée « droite des sols » :
PIR (sol) = a * R (sol) + b
II.3. Interactions sol – végétation
Le sol et le feuillage forment un système au sein duquel les deux composantes interagissent
sur la façon dans le rayonnement incident est réfléchit. L’influence du sol sur le spectre de réflectance
de la couverture végétale est en partie due aux propriétés optiques du feuillage. Les différences de
transferts du R et du PIR à travers le feuillage génèrent des interactions complexes entre le sol et la
végétation et rend difficile de soustraire ou de minimiser les influences du sol. Le feuillage disperse et
transmet une part significative du rayonnement lumineux du PIR vers le sol. Le sol retransmet et
disperse une partie du rayonnement vers le capteur d’une manière liée à ses propriétés optiques. Par
contre, la lumière rouge est fortement absorbée par le feuillage et l’éclairage du sol est dés lors
dépendant du rayonnement direct du soleil et du rayonnement diffus du ciel à travers les trous du
feuillage. (Huete, 1985)
Selon Huete, la contribution du sol dépend de manière non linéaire du taux de couverture
végétal. Lorsque la couverture est faible, il y a peu d’interaction entre le feuillage et le sol. Le R et le
PIR transmis de manière équivalente. Les contributions du sol et du feuillage dans la réflectance

6. 5
agissent telle un somme et l’influence du sol est alors relativement aisée à soustraire. Lorsque la
végétation devient dense, le signal émergeant du sol devient non significatif et la réflectance perçue
par le capteur est uniquement celle de la végétation. Les couvertures intermédiaires où l’interaction
sol - feuillage est le plus marqué sont donc celles dont le signal du sol est le plus difficile à éliminer.
II.4. Evolution de la réflectance d’un couvert végétal au cours de la phase active de
croissance et de la sénescence:
Selon Guyot et al. (1989) l’âge, la santé ou le degré de développement du couvert végétal
affectent directement les propriétés optiques des feuilles, car ils influencent la structure et la
composition des feuilles. Lors de la croissance du couvert végétal, la densité foliaire et la
concentration chlorophyllienne augmentent, accentuant respectivement la réflectance dans le PIR et
l’absorption dans le R (Fig. 2).
Figure 2. Représentation schématique du sens de l’évolution de signature d’un couvert végétal au
cours de la phase active de croissance et de la sénescence (Guyot, 1989).
Ces évolutions temporelles s’atténuent à mesure que la végétation devient couvrante et
épaisse jusqu’à atteindre un niveau asymptotique. La réflectance se stabilise à un niveau seuil qui
dépend de la bande spectrale considérée. Ainsi, dans le proche PIR, les feuilles sont plus
transparentes au rayonnement et le niveau de saturation est atteint pour une végétation plus dense
que dans le R. Ensuite, la phase de sénescence ramène les propriétés de la réflectance vers des
valeurs qui caractérisent essentiellement le sol.

7. 6
III. Indices de Végétation
Le comportement spectral très particulier de la végétation et le contraste important entre la
période végétative et de repos a donné naissance à une grande quantité d’indices de végétation
visant à mesurer ce contraste. Ces indices sont calculés par des opérations mathématiques entre
bandes spectrales, le plus souvent le canal R et le PIR. Ces indices permettent de mesurer le
développement et l’état de santé de la végétation.
Au cours des dernières décennies, les chercheurs ont développé des indices plus sensibles à
la végétation et moins sensibles aux effets perturbateurs. Les indices n’ont néanmoins pas encore
éliminer l’entièreté de ces derniers en raison de la complexité des les facteurs les produisant. Le
nombre d’indices de végétation construit à ce jour est très élevé et ne semble être limité que par
l’imagination des ses inventeurs (Mather, 1987). Dans cette optique, nous tenterons de dresser les
grandes familles d’indices et surtout les plus aboutis. Nous distinguerons les indices de végétation en
trois grandes catégories :
les indices intrinsèques, tels que le RVI et le NDVI qui ne prennent en compte aucun
facteur externe autre que la réflectance spectrale mesurée au capteur.
Les indices basés sur la droite des sols, tels que le PVI et les indices de type SAVI,
qui utilisent des paramètres de la droite des sols.
Les indices corrigeant l’effet atmosphérique, tels que le ARVI et le GEMI.
III.1. Indices de végétation intrinsèques
Remarque préliminaire :
Des études menées notamment par Tucker (1976) ont croisés grand nombre d’indices de
végétation utilisant le PIR, le R et le vert (V) avec un grand nombre de variable biologique de la
végétation et ont démontrés statistiquement que la bande R contenait plus d’information que la V
lorsque couplée avec le PIR. Les indices (à deux bandes) exposés ci-dessous n’utilisent ainsi que le
R et le PIR.
III.1.1. DVI – Difference Vegetation Index
Les premiers indices prennent uniquement en compte la simple différence de réflectance
entre le PIR et le R.
DVI : Difference Vegetation Index
DVI = PIR − R

8. 7
La figure 3 représente deux points de couverture
végétale identique mais ne recevant pas la même
quantité d’éclairement direct par unité de surface en
raison de l’orientation des versants par rapport au
rayonnement direct solaire. L’éclairement en B est égal
à 50% de l’éclairement en A. La différence entre les
comptes numériques de PIR et R n’est pas identique
entre les deux points. Le DVI ne nous donne donc pas
une bonne indication de l’état de la végétation car il est
extrêmement influencé par l’éclairement différentiel et
donc par les variations topographiques (Mather, 1987). Il
en résulte que le DVI est très rarement utilisé, en
comparaison aux autres indices plus performants.
III.1.2. RVI – Ratio Vegetation Index
Pearson et Miller (1972) ont proposé de prendre le rapport entre les bandes afin de normaliser
l’effet topographique (Pearson et al, 1972. dans Leblon, 2007, Baret & Guyot, 1991 ; Bonn & Rochon,
1992 dans Soudani, 2007).
RVI : Ratio Vegetation Index
RVI = PIR / R (2)
RVI = tan(α)
Le RVI correspond à la pente de la droite reliant l’origine (0,0) au point représentant la
végétation dans l’espace spectral à deux dimensions (R - PIR). Le RVI varie entre [0, +∞ [. Cet indice
pose des problèmes car il n’est pas aisément cartographiable vu ses valeurs extrêmes possible
s’étalant sur plusieurs ordres (Fig. 4). Une végétation dense générera des valeurs allant jusque 10, le
sol des valeurs proche ou supérieures à 1 tandis que nuages, eau et neige (plus forte réflectance
dans le visible que dans le PIR) auront des valeurs inférieures à 1.
Les indices de type RVI ont eu un grand succès et un grand nombre furent créés mais seule
la version présenté ci-dessus a subsisté dans les études récentes, notamment sous le nom de
« simple ratio, SR ».

9. 8
III.1.3. NDVI – Normalized Difference Vegetation Index
Rouse et al (1974) ont amélioré le RVI en définissant le “Normalized Difference Vegetation
Index” (NDVI) ou la différence normalisée.
NDVI : Normalized Difference Vegetation Index
NDVI = (PIR − R ) / (PIR + R) (3)
Le NDVI et le RVI peuvent s’exprimer explicitement l’un en fonction de l’autre:
NDVI = (RVI − 1) / (1 + RVI) = (tan(α) − 1) / (tan(α) + 1) = tan(α − 45°).
Cet indice contient la même information spectrale que le RVI (Soudani, 2005), minimise de
même l’effet topographique mais présente l’avantage d’être borné entre : [-1,1]. Le NDVI varie entre
0,1 et 0,8 pour les pixels couverts de végétation, les pixels de sol ont des valeurs un peu supérieures
à 0 tandis que nuages et eau auront des valeurs inférieures à 0 (Lillesand et al. 1994).
Ces indices ont eu un grand succès dés leur première parution car ils ont très vite prouvé
leurs intérêts. En effet, ils sont bien corrélés à certains paramètres biophysique tels que le LAI et sont
de ce fait aussi corrélés aux propriétés biophysique de la couverture végétale telles que la quantité de
radiation photosynthétiquement active absorbée (APAR), productivité, etc. Les indices de végétation
intrinsèques, sont néanmoins extrêmement sensible aux propriétés optiques du sol sous-jacent et
sont sujet à des erreurs très importantes quand la végétation est peu dense.
Bien qu’il ne soit pas toujours approprié, le NDVI est de loin l'indice de végétation le plus
utilisé dans tous les travaux. (Rondeaux et al. 1996)
Figure 4. Représentations graphiques des indices RVI et NDVI dans l’espace spectral (R-PIR) (Source : Mather 1987).

10. 9
III.2. Indices basés sur la droite des sols
Les indices intrinsèques ne distinguent pas la réflectance du couvert végétal de celle du sol
sous-jacent. Ils sont dits « dépendants du sol » car leurs valeurs dépendent des propriétés de la
réflectance du sol sous jacent. Par exemple pour une certaine quantité de végétation donnée, les sols
plus foncés produisent un NDVI plus élevé (Elvidge & Lyon, 1985 ; Huete et al. 1985 ; cité dans Baret
et Guyot (1991)).
III.2.1. PVI – Perpendicular Vegetation Index
Selon Richardson et Wiegand (1977) la
variation de la réflectance d’un couvert végétal en
croissance s’éloigne perpendiculairement à la
droite des sols. Ils sont les premiers à avoir eu
l’intuition que la distribution des réflectances des
sols dans l’espace spectral (R-PIR) pourrait permet
de mieux comprendre les effets du sol sur le
comportement spectral des couvertures végétales
et donc sur les indices de végétation. Ils
démontrent que la distance perpendiculaire d’un
point de végétation à la droite des sols dans
l’espace spectral (R-PIR) était corrélée au
développement ou à l’accumulation de la
biomasse. Le PVI est défini comme étant cette
distance (Fig 5).
Figure 5. Comportement du PVI dans l’espace spectral (R-PIR)
Attention, les axes sont inversés. (Source : Mather 1987).
PVI : Perpendicular Vegetation Index
PVI = √(R (sol) - Rvégé)) ² + (PIR(sol) - PIR(végé))²)
Où
R (sol) = réflectance du sol dans le R
R (végé) = réflectance de la végétation dans le R
PIR (sol) = réflectance du sol dans le PIR
PIR (végé) = réflectance de la végétation dans le
PIR
Puisque PIR (sol) = a * R (sol) + b
Où
a = pente de la droite des sols
b = intersection avec l’axe PIR
PVI peut encore s’écrire
PVI = PIR (végé) - a * R (végé) - b
√ (1+a²)
Le PVI est alors explicitement fonction de la droite
des sols.

11. 10
Le PVI est nul pour des pixels correspondant aux sols, il est négatif pour des pixels correspondant à
l’eau et aux nuages et il est positif pour des pixels correspondant à la végétation (Fig.5).
Soulignons que lorsque a=1 et b=0 le PVI équivaut au DVI. Le PVI n’a une signification que
sur des zones faiblement couvertes de végétation où le signal du sol est prépondérant, et se détériore
lorsque la végétation se densifie (Huete, 1985).
III.2.2. WDVI – Weighted Difference Vegetation Index
Le PVI a donné naissance à un autre indice basé sur le même principe : le Weighted
Difference Vegetation Index ou WDVI (Clevers et al, 1994) qui mesure la distance verticale entre le
point de végétation et la droite des sols (translatée à l’origine). Dans cet exposé, les propriétés du
WDVI ne seront pas discutées. Il sera néanmoins utilisé dans une formule ultérieure afin de calculer le
MSAVI (voir chapitre III.2.3.2).
WDVI = PIR – a*R
III.2.3. indices de type SAVI
III.2.3.1. SAVI – Soil Adjusted Vegetation Index
Huete (1985) ne se satisfait pas des résultats du PVI et NDVI. Il prend en compte l’interaction
complexe entre le feuillage et le sol et introduit le fait que le taux de couverture végétal est un
paramètre fondamental dans la sensibilité des indices aux influences du sol.
Lorsque la couverture est faible, il y a peu d’interaction entre le feuillage et le sol, le spectre du
sol est peu modifié, les indices orthogonaux tels que le PVI sont alors efficaces. Lorsque la végétation
devient dense et que le sol ne joue aucun rôle, les indices de type NDVI et RVI deviennent utilisables.
Les indices portant sur des couvertures intermédiaires où l’interaction sol - feuillage est important sont
très affectés par le signal du sol.
Pour construire un indice plus adéquat, Huete (1988) part d’une observation et émet une
hypothèse. Tous les indices utilisent une droite caractérisant le sol dans l’espace spectral (R-PIR) (i.e.
isoligne 0 ou 1 pour NDVI ou RVI). Il fait l’hypothèse que la majorité des spectres des sols tombent
sur ou près de cette droite, et que puisque cette droite intercepte l’axe PIR près de l’origine la valeur
de RVI, NDVI ou PVI ne varie que très peu pour un large éventail de sols. Il admet qu’un axe
secondaire de variation de sols peu être significatif (« largeur de la droite globale») dans certaines
conditions et empêcher la détection de faible quantité de végétation (Huete et al, 1984). Ces
influences secondaire sont surtout remarquables sur des sols rouges ou jaunes (Kauth et Thomas,
1976).

12. 11
Pour Huete (1988) le concept de la droite des sols fonctionne pour une couverture végétale
donnée lorsqu’on modifie les propriétés optiques du sol sous-jacent. La figure 6 représente des
isolignes de PVI, NDVI et RVI. Selon la définition de l’indice de végétation ces isolignes représentent
des lignes de végétation constante ou « isolignes de végétation ». Les isolignes des NDVI et RVI ont
des pentes croissantes avec la quantité de végétation alors que celles du PVI restent parallèles à la
droite des sols. Les informations offertes par les deux types d’indices pour décrire le comportement
spectral du sol et de la végétation sont donc contradictoires. Un couvert végétal sur un sol sec est
représenté sur la fig. 6 par le point A. Si le sol s’humidifie (ou s’assombrit, de manière plus générale),
ce point doit subir une translation le long d’une isoligne de manière à normaliser ce changement.
Selon le NDVI et le RVI le vecteur formé se dirige vers l’origine (AB). Selon le PVI le vecteur doit
rester parallèle à la droite des sols (AC).
Huete et al (1985) et Huete & Jackson (1988) ont étudié le comportement des isolignes de
végétation soumises à différentes humidités et différents types de sols. Ils ont remarqué que les
isolignes de végétation ont des pentes comprises entre celles des indices orthogonaux et fractionnels
(AD). La pente et l’intersection augmentent avec la densité de végétation. Aucune ne converge vers
l’origine (comme le veulent le NDVI et le RVI) ni n’est reste parallèle à la droite des sols (comme le
veut le PVI).
Graphiquement, le comportement spectral des isolignes de végétation peut être modélisé par
un glissement de l’origine du repère (R-PIR) vers le point de convergence des isolignes (E). Translater
l’origine revient à ajouter une constante l1 aux réflectances dans le R et une l2 dans le PIR de telle
manière que le NDVI devient
[(NIR + l2) – (R+l1)]/ [(NIR + l2) + (R+l1)]
Figure 6. Comportement du NDVI, PVI, et des isolignes de végétation dans l’espace
spectral R-PIR

13. 12
Puisque la droite des sols à une pente proche de 1, l1 et l2 sont très proche. La translation de
l’origine avec l1 = l2 revient à ajouter une constante L = 2l au dénominateur du NDVI pour obtenir la
formule suivante :
(NIR - R)/ (NIR + R + L)
De manière à garder le bornage [-1 ; 1] il faut multiplier l’équation précédente par (1 + L). On
obtient ainsi le SAVI
SAVI : Soil Adjusted Vegetation Index
SAVI = (NIR - R)/ (NIR + R + L) x (1 + L)
Le facteur correctif L dépend en réalité de la densité du feuillage (LAI = Leaf Area Index) et le
meilleur ajustement dépendra du fait que l’utilisateur veuille analyser des faibles densités de
végétation (L=1), des végétations intermédiaires (L=0,5) ou des végétations denses (L=0,25) (Figure
7). Néanmoins, Huete affirme dans son étude que pour un L=0,5, le SAVI réduit de manière
conséquente les variations induites par le sol et améliore la linéarité entre index et LAI en
comparaison aux NDVI et PVI. Dans la littérature, l’indice SAVI est défini avec un facteur correctif L
est égal à 0,5.
Le SAVI correspond à la pente d’une droite qui joint un point de végétation et un point origine
appartenant à droite 1 :1 et ayant une position fonction du facteur L. Lorsque L tend vers l’infini, le
SAVI équivaut au DVI. A l’inverse, pour un L nul, SAVI équivaut le NDVI.
figure 7. Influence du sol (clair et foncé) sur le SAVI en fonction du facteur correctif L.

14. 13
III.2.3.2. MSAVI – Modified Soil Adjusted Vegetation Index
Qi et al (1994) ont proposé la relation L= 1 – 2*NDVI*WDVI pour essayer de rendre compte
de la variation de L d’un type de sol à un autre, L varie avec la densité du feuillage de 0 à 1 pour des
feuillage dense à très spartiate. L’indice de végétation qui utilise cette relation pour déterminer L est
appelé le Modified Soil Ajusted Vegetation Index ou MSAVI.
III.2.3.3. TSAVI – Transformed Soil Adjusted Vegetation Index
Baret et Guyot (1989) soulignent le principal défaut du SAVI : l’hypothèse de la droite des sols
globale. Le SAVI renvoie une solution exact pour les sols nus uniquement lorsque les paramètres de
la droite des sols sont a = 1 et b = 0 ce qui n’est généralement pas le cas. Il est important qu’un indice
de végétation soit ajusté aux caractéristiques de chaque droite des sols pour être exempt de toute
erreur pour les faibles couvertures végétales (faible LAI). Hors de telles situations sont communes sur
la surface de la planète.
Pour cette raison, les deux chercheurs proposent de définir l’indice de végétation TSAVI
comme étant la mesure de l’angle entre la droite des sols et la ligne qui joint le pixel concerné et
l’intersection de la droite des sols avec l’axe du PIR (0,b) (Fig. 8).
TSAVI : Transformed Soil Adjusted Vegetation Index
TSAVI = a*(PIR – a*R – b)/(R + a*PIR – a*b)
Figure 8. Représentation graphique de la droite des
sols (PIR=1,16R+0,067), d’isolignes de végétation (LAI
constant) et de l’indice TSAVI (ainsi que le PVI, le RVI
et le NDVI) (source : Baret et Guyot, 1989)

15. 14
TSAVI vaut 0 pour un sol nu et proche de 1 pour des LAI très élevé. Pour a=1 et b=0 TSAVI
équivaut le NDVI.
III.3. Indices résistants aux influences atmosphériques
Huete et Jackson (1988) ont mené une étude visant à déterminer l’influence de l’atmosphère
sur les indices de végétation. Les résultats démontrent que l’influence de l’atmosphère est fonction de
la contribution du sol dans le spectre de réflectance des couverts végétaux. Les deux composantes
atmosphériques principales : l’effet de la transmittance et l’éclairement du ciel reçu par le capteur,
varie en importance en fonction de la « clarté » de la cible. L’éclairement du ciel reçu par le capteur a
une forte influence sur les cibles « sombres » alors que l’effet de la transmittance atmosphérique est
plus important sur les cibles plus « claires ». Puisque l’a réflectance du sol influence de manière assez
forte le spectre global du feuillage, l’effet de l’atmosphère se trouve dépendant du sol sous-jacent.
En général, la composante R du feuillage est faible et la composante PIR est importante
comme nous l’avons vu précédemment. Dans le R, la contribution de l’éclairement du ciel est donc
significative et altère la luminance de la végétation reçue par le capteur. Néanmoins, le sol a tendance
à augmenter la luminance dans le R, dés lors l’amplitude de l’extinction atmosphérique dans cette
longueur d’onde augmente. Si la luminance du sol devient assez importante dans le R, l’extinction de
l’atmosphère va être, à un moment donné, contrecarrée par la luminance du ciel et l’effet net de
l’atmosphère sera nul.
Dans le PIR, la contribution du l’éclairement du ciel est très réduite par rapport à la forte
luminance du feuillage dans cette bande. L’extinction de l’atmosphère et l’absorption par la vapeur
d’eau deviennent les facteurs dominants de perturbations atmosphériques. L’addition de la réflectance
du sol dans le PIR augmente l’extinction et le feuillage devient d’autant plus sensible aux conditions
atmosphériques.
L’étude démontre que les influences du sol sont aussi importantes que les effets de
l’atmosphère sur la dégradation des indices de végétation. Dans de telles conditions, les indices de
végétation doivent se prémunir d’un arsenal mathématique pour contrecarrer ces effets.
III.3.1. ARVI – Atmospherically Resistant Vegetation Index
De manière à diminuer la dépendance du NDVI aux propriétés atmosphériques, Kaufman et
Tanré (1992) ont proposé une modification de la formulation de l’indice en introduisant une information
atmosphérique contenue dans la bande bleue. L’indice prend en compte la différence entre la bande
les bandes bleue (B) et R.

16. 15
ARVI : Atmospherically Resistant Vegetation Index
ARVI = (PIR – RB) / (PIR + RB),
Où RB est une combinaison des réflectances dans les
canaux bleu (B) et rouge (R) :
RB = R – γ (B – R),
Où γ dépend du type d’aérosol (γ = 1 est une bonne valeur
lorsque cette information est inconnue)
Myeni et Asrar (1992) ont testé la sensibilité de cet indice et trouvé que le ARVI réagissait de
manière semblable au NDVI sur des données de réflectances spectrales collectées à la surface de la
terre donc en l’absence d’atmosphère.
Les auteurs insistent sur le fait que le concept du ARVI peut être appliqué à d’autres indices
tels que le SAVI et donner le SARVI ou le TSAVI et donner le TSARVI en remplaçant tout simplement
le terme R par RB. Néanmoins, selon Myeni et Asrar (1992), bien que le SAVI et ARVI minimisent les
effets du sol et de l’atmosphère de manière indépendante, ils sont beaucoup moins performants pour
minimiser leurs effets combinés lorsqu’ils sont appliqués de manière simultanée. Notons que l’indice
EVI (Enhanced Vegetation Index) qui est produit pour le capteur MODIS est calqué sur le SARVI.
SARVI : Soil and Atmospherically Resistant Vegetation Index
SARVI = ( PIR – RB ) / ( PIR + RB + L)
III.3.2. GEMI – Global Environment Monitoring Index
De manière indépendante, Pinty et Verstraete (1992) ont proposé un tout autre modèle. Ils ont
analysé l’impact de l’atmosphère sur le RVI et sur le NDVI et étudié leur comportement pour
différentes densités de végétation. Ils ont remarqué que l’atmosphère, même transparente, induisait
des déviations conséquentes du RVI au dessus de feuillages denses, tandis que le NDVI était plus
sensible sur des végétations peu denses. Contrairement aux autres approches qui utilisent des
données caractérisant l’atmosphère, les auteurs ont créé un indice tout à fait empirique qui se
comporte comme le RVI sur des végétations denses et comme le NDVI sur végétations peu denses
c'est-à-dire moins sensible sur toute l’étendue des densités.

17. 16
GEMI : Global Environment Monitoring Index
GEMI = η (1 – 0.25 η) – (R – 0.125)/(1 – R)
Où η = [2 ( PIR² - R²) + 1.5PIR + 0.5R]/(PIR + R+ 0.5)
Pinty et Verstraete (1992) ont trouvé que l’indice est au moins autant corrélé aux informations
biologiques que le NDVI tout en étant transparent à l’atmosphère. L’inconvénient de cet indice reste
sa formulation complexe et ses difficultés d’interprétation (Rondeaux, 1996).
IV. Influences des résolutions spectrale et spatiale sur les indices de végétation
Selon Teillet et al. (1997), les caractéristiques des bandes spectrales R et le PIR variant
distinctement d’un capteur à un autre, les valeurs des indices de végétation basés sur des données
provenant d’instruments différents ne seront pas directement comparables. La résolution spatiale
varie de même entre les capteurs, ainsi qu’au sein d’une même scène dans le cas d’un de grand
angle et de l’obliquité des vues. De ce fait, les valeurs des indices vont varier selon des combinaisons
de l’hétérogénéité et de l’échelle de la surface terrestre et de la taille du pixel au sol. Teillet et al
(1997) pose dés lors la question de l’impact des différences de résolution spectrale et spatiale sur les
indices de végétation. L’étude tente aussi de trouver l’effet de la position de la bande PIR sur le
plateau au sein duquel plusieurs options sont possible ainsi que l’effet de la position de ces bandes au
sein du spectre.
Teilly et al (1997) montre dans une étude que la résolution spatiale peut avoir un impact sur les
indices calculés. En effet, lorsque la couverture végétale est hétérogène du point de vue spatial et
spectral, une meilleure résolution permet d’éviter de mélanger des spectres végétaux avec les
spectres du sol. Le mieux est d’utiliser une résolution spatiale du même ordre de grandeur que les
hétérogénéité de la végétation. Dans les applications agricoles, seul des systèmes à haute résolution
apportent le détail spatial nécessaire, mais leurs périodes de retour son relativement long par rapport
au période de croissance des cultures, surtout quand l’acquisition des données est limitée par la
couverture nuageuse. Il y’a donc un avantage à combiner des données provenant de plus d’un
capteur. La résolution spatiale importe moins dans des études à échelle globale puisque les
hétérogénéités des couverts végétaux à petite échelle sont souvent d’ordre supérieur à la résolution.
Teilly et al (1997) montre aussi que des indices calculés à partir de données provenant de
capteur différents, même après calibration radiométrique, ne sont pas toujours comparables. Ce fait
est lié à la variabilité de la largeur et à l’emplacement spectral de la bande rouge et infrarouge. Quand
la bande rouge est plus large, comme c’est le cas pour AVHRR, le NDVI sont systématiquement

18. 17
inférieur. La position de la zone d’absorption chlorophyllienne est relativement précise et se situe vers
les 660-665 nm.
La position optimale de la bande PIR sur le plateau (de 750 à 1300 nm) est moins claire car la
valeur de ce plateau varie beaucoup en fonction des caractéristiques structurelles de la végétation. De
plus, la région du plateau est significativement affectée par l’absorption des gaz atmosphériques. Les
zones les plus variables sont celles de l’absorption de la vapeur d’eau dont la plus importante se situe
entre 880 et 1000 nm et une plus faible entre 780 et 860 nm. L’étude préconise donc l’utilisation d’une
bande placée entre 850 et 880 nm de largeur n’excédant pas les 50 nm comme étant la plus sure.
De nombreuses études concernant la position des bandes dans le rouge et le proche
infrarouge ont été menées et ont conclu que les indices de végétation sont tous sensibles à la
végétation verte tant que les bandes excluent les zones d’absorption de la vapeur d’eau (citée ci-
dessus) et la zone de fort gradient de réflectance entre R et PIR (« red-edge ») (Galvao, Vitorello &
Pizarro 2000, Tucker 1978). L’étude affirme que Landsat MSS, TM et ETM+, SPOT-2 et SPOT-4
HRV, IRS, IKONOS, MODIS, Quickbird et MERIS répondent à ces conditions (Steven et al. 2003).
Une table de conversion a été proposée par Steven et al. (2003) afin de normaliser les différences
entre les indices de végétation construits à partir des différents capteurs.
V. Applications
Les indices de végétation servent déjà aujourd’hui dans différentes applications d’observation de
la végétation par différentes agences dans les cadres de la sécurité alimentaire, de prédiction de la
production agricole ou d’estimation de probabilité des feux de foret par exemple. L’analyse de séries
de données saisonnières des NDVI produites par la NOAA a produit un potentiel d’estimation de la
production primaire nette sur différents types de biomes, d’observation des variations phénologiques
de la surface végétative terrestre, dont des épisodes de sécheresse. (Goward et al, 1991 ;Tucker &
Sellers, 1986 ;Justice et al. 1985; Running, 1990). Mais ces études, sont souvent faussée par des
variables non prises en compte telles que l’influence du sol.
En effet, ce que les indices de végétation mesurent vraiment n’est pas déterminé avec
certitude. Il est certain qu’ils servent d’indicateur de la croissance relative et/ou de la vigueur de la
végétation (Wickland, 1989). De nombreuses études ont montré de bonnes corrélations entre
différents indices et différents paramètres de la végétation dont un, le LAI, est considéré comme un
paramètre clé dans les modélisations écologiques car en lien par exemple, à l’interception des
précipitations, à l’évapo- transpiration, ou à la formation de couche humifère. Un autre paramètre est
bien corrélé : la radiation photosynthétiquement active absorbée (APAR) utilisée dans l’étude du cycle
du carbone par exemple (Soudani et al. 2005).
VI. Extraction de paramètres de la végétation
Ces trois dernières décennies, alors que les indices évoluait vers une meilleure
compréhension des propriétés bio-physiques du couvert végétal et que les contraintes qui limitaient

19. 18
l’extension de l’utilisation des indices à des échelles globales tant spatiales que temporelles étaient
surmontées les chercheurs proposaient des relations liants les indices aux paramètres clé de la
végétation. Les qualités de ces relations empiriques liant les indices et les paramètres de la
végétation sont jugées par leurs caractères linéaires, leurs dynamiques élevées même dans les
végétations denses (degré de saturation) et leurs faibles variances au sein de la régression lorsque
l’on fait varier certain facteurs de bruits tels que la réflectance du sol ou l’inclinaison du feuillage.
Comme nous l’avons souligné précédemment, certains indices ont un réel potentiel à prédire
certaines variables. Malheureusement, aucune généralisation quant aux relations, ou quant aux
capacités des indices n’a encore trouvé de consensus. Ceci s’explique par trois raisons.
Premièrement, il est difficile d’obtenir des conditions expérimentales comparables d’une étude à
l’autre à cause du nombre important de variables non maîtrisée. Les relations sont donc très
attachées aux conditions expérimentales liées à la couverture du sol, aux propriétés propres des
couverts végétaux de l’étude (Baret & Guyot, 1991; Be´gue´, 1993; Goward & Huemmrich, 1992).
Deuxièmement, les études sont effectuées dans des conditions qui sont rarement des conditions que
l’on retrouve en milieux naturels. En effet, les réflectances sont issu d’un modèle qui simule la
réflectance bidirectionnelle des couverts végétaux (SAIL (Verhoef,1984)) et ces réflectances sont
extraites de semis homogènes de plantes cultivées couramment sous lequel on fait varier la
réflectance du sol ou l’inclinaison des feuilles. Dernièrement, étant donné le grand nombre d’indices
créés à ce jour, les études ne comparent pas nécessairement les mêmes indices et il est difficile de
recouper les informations. D’autant plus que beaucoup d’études prétendent avoir trouvé un indice
meilleur que les autres…
L’extraction de paramètres de la végétation à partir d’indices de végétation est quelque chose
de possible. Cependant cela doit se faire à échelle très locale, dans des conditions locales où certains
facteurs sont normalisés et où les coefficients des relations empiriques ne fonctionnent que dans ces
conditions particulières.
Certaines constantes apparaissent néanmoins, a travers les différentes études. Le NDVI
semblent mieux répondre prioritairement à la bande de forte absorption dans le rouge. Le NDVI serait
donc plus apte à déterminer des paramètres attachés aux caractères chimiques des plantes. D’un
autre cotés, les indices sol-ajustés tel que le SARVI, semblent mieux répondre aux variations dans le
proche infrarouge et dés lors sature moins vite que le NDVI sur des couverts denses et est plus
adéquats pour l’extraction de paramètres plus liés à la structure du feuillage (Huete, 1997). De plus, il
est évident que les indices ajustés aux sols et à l’atmosphère sont moins sensibles à ces facteurs de
bruits.
VII. Choix d’un indice
Le choix optimal d’un indice de végétation dépend du type d’étude, du type de végétation et de la
quantité d’information disponible.
Si aucune information n’est connue concernant la droite des sols, ce qui arrive généralement dans
des études plus globales, l’indice SAVI convient généralement mieux que le NDVI quelque soit le type
de végétation. Le SARVI peut être préféré car il permet une meilleure continuité temporelle grâce à

20. 19
une correction atmosphérique appliqué pixel par pixel. Notons que le facteur L du SAVI peut être
ajusté en fonction des conditions.
Si la droite des sols est connue, ce qui arrive généralement dans des études plus locales, ou le
feuillage n’est pas trop dense le TSAVI est adéquat. Si la végétation présente des variations de
densité, il faut préférer le MSAVI. Le PVI peut être utilisé, mais uniquement sur des types de
végétation très spartiate.
Echelle Globale
(ex : phénologie globale)
Echelle Locale
(ex : agriculture)
Paramètres de la droite des sols
connus
TSAVI, MSAVI, PVI
Paramètres de la droite des sols
inconnus
SARVI SAVI
VIII. Conclusion
Les indices de végétation montre une réelle opportunité de quantifier l’état de la végétation à
partir de données satellitaires. De nombreuses applications ont déjà montré leurs aptitudes dans de
nombreuses études autant au niveau global que local même si certains facteurs, comme l’influence du
sol, étaient négligés en première approximation. Pourtant, même si l’avancement des recherches à
permis la neutralisation des facteurs perturbateurs principaux et l’extension des possibilités à une
échelle globale tant spatiale que temporelle, les indices sont restés en majeure partie empiriques et
ont montré leurs limites. En effet, la variabilité des milieux est telle, selon les types de végétation,
selon les types de plantes, selon les types de sols, selon les types de capteurs, qu’aucun indice ne
parvient a extraire l’information de la végétation seule. C’est bien simple, même si les indices
montrent de bonnes corrélations avec certains paramètres de la végétation aucun scientifique n’est en
mesure d’expliquer clairement ce que les indices nous montrent de manière claire et évidente. C’est
pourquoi, les indices de végétation, même si ils sont de formidables outils de qualification, doivent être
étudié avec beaucoup de minutie lorsqu’ils servent une démarche de quantification. Pour que les
indices de végétation permettent un jour d’extraire des informations à propos de la végétation de
manière globale, les études devront sans doute tendre vers une démarche moins empirique qui prend
mieux en compte la diversité des facteurs. Malheureusement, cette démarche entraînera certainement
une complexification de ces indices. Hors, n’est ce pas la simplicité mathématique qui a fait le succès
de NDVI ?
Références
Consultées

21. 20
Baret, F., and G., Guyot, 1991. Potentials and limits of vegetation indices for LAI and APAR assessment, Remote Sensing of
Environment, 35: 161-173.
Baret, F., G., Guyot, and D.J., Major, 1989. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and
APAR estimation. in Proceedings of the 12th Canadian Symposium on Remote Sensing and IGARSS'89, Vancouver
(Canada). 3: 1355-1358.
Cihlar, J., L. St.-Lauren and J.A. Dyer, 1991: Relation between the normalized difference vegetation index and ecological
variables, Remote Sensing of Environment, 35: 279-298.
David L. Peterson, John D. Aber, Pamela A. Matson, Don H. Card, Nancy Swanberg, Carol Wessman and Michael Spanner.
Remote sensing of forest canopy and leaf biochemical contents. Remote Sensing of Environment, 24:85-108
Elvidge C.D.; Zhikang C. 1995. Comparison of Broad-Band and Narrow-Band Red and Near-Infrared Vegetation Indices,
Remote Sensing of Environment 54: 38-48 (11)
G. Garik Gutman, 1991. Vegetation indices from AVHRR: An update and future prospects. Int. J. Remote Sensing, 8: 1235-
1242.
Goward, S.N., B.Markham, D.G. Dye, W. Dulaney and J. Yang, 1991: Normalized difference vegetation index measurements
from the Advanced Very High Resolution Radiometer, Remote Sensing of Environment, 35: 257-277.
Gutman, G., 1987: The derivation of vegetation indices from AVHRR data. Int. J. Remote Sensing, 8: 1235-1242.
Huete A. R. & Jackson R. D., 1988: Soil and atmosphere influences on the spectra of partial canopies.Remote Sensing of
Environment, 25: 89-105
Huete, A. R., 1988: A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25, 295-309
Huete, A. R., Liu, H. Q., Batchily, K., & van Leeuwen, W. J. D., 1997. A comparison of vegetation indices over a global set of
TM images for EOS-MODIS. Remote Sensing of Environment, 59, 440–451.
Huete, A. R., Tucker, C. J., 1991: Investigation of soil influences in AVHRR red and near-infrared vegetation index imagery.
Int. J Remote Sensing 12: 1223-1242.
Huete, A., Justice, C., & Liu, H. 1994. Development of vegetation and soil indices for MODIS-EOS. Remote Sensing of
Environment, 49, 224– 234.
Justice, C.O., B.N. Holben and M.D. Gwynne, 1986: Monitoring east African vegetation using AVHRR data. Int. J. Remote
Sens., 7: 1435-1474.
Leblon, B. 2007. Applications in remote sensing volume 4, Soil and vegetation optical properties (University of New
Brunswick). 5p.
Los, S.O., C.O. Justice and C.J. Tucker, 1994: A global 1 x 1 degree NDVI dataset for climate studies derived from the
GIMMS continental NDVI data, Int. J. Remote Sens., 5: 3493-3518.
Mather, Paul M.,John Wiley & Sons. 1987, Computer processing of remotely-sensed images.352 p
Pinty, S., and M., Verstrate, 1992. GEMI: a non linear index to monitor global vegetation from satellites. Vegetatio, 101: 15-
20.
Price, J.C., 1987: Calibration of satellite radiometers and the comparison of vegetation indices, Remote Sensing of
Environment, 21:15-27.
Richardson, A.J., and C.L., Wiegand, 1977. Distinguishing vegetation from soil background information, Photogrammetric
Engineering and Remote Sensing, 43(2): 1541-1552.
Rondeaux, G., Steven, M., and Baret, F. (1996), Optimization of soil-adjusted vegetation indices. Remote Sensing of
Environment, 55:95–107.
Soudani, K. 2005. Introduction à la Télédétection. Paris. 20p
Soudani, K., François, C., le Maire, G., Le Dantec, V. et Dufrêne, E. (2006), Comparative analysis of IKONOS, SPOT, and
ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands. Remote Sensing of
Environment, 102: 161-175.
Tarpley, J.D., 1991: The NOAA global vegetation index product - a review, Palaeogeogr.-Palaeoclim. Palaeoecol., 90: 189-
194.

22. 21
Teillet, P. M., Staenz, K. and William, D. J. 1997 : Effects of spectral, spatial, and radiometric characteristics on remote
sensing vegetation indices of forested regions. Remote Sensing of Environment, 61: 139-149.
Tucker, C.J., 1979: Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of
Environment, 8: 127-150.
Wiegand, C.L., A.J. Richardson, D.E. Escobar, and A.H. Gerbermann. 1991. Vegetation indices in crop assessments.
Remote Sensing of Environment, 35:105–119.
Citées
Asrar, G., Myneni, R. B., and Choudhury, B. J. (1992), Spatial heterogeneity in vegetation canopies and remote sensing of
absorbed photosynthetically active radiation: amodeling study.. Remote Sens. Environ. 41:85–103.
Be´gue´ , A. (1993), Leaf area index, intercepted photosynthetically active radiation, and spectral vegetation indices: a
sensitivity analysis for regular-clumped canopies. Remote Sensing of Environment 46:45–59.
Bonn, F. et G. Rochon (1992). Précis de Télédétection: Principe et Méthodes, Presses de l'Université de Québec
Clevers, J. G. P. W., and Verhoef, W. (1993), LAI estimation by means of the WDVI: A sensitivity analysis with a combined
PROSPECT-SAIL model, Remote Sens. Env. 7:43-64.
Elvidge, C D; Lyon, R J P. 1985 : Influence of rock-soil spectral variation on the assessment of green biomass. Remote
Sensing of Environment. Vol. 17, pp. 265-279
Goward, S. N., and Huemmrich, K. F. (1992), Vegetation canopy PAR absorptance and the normalized difference vegetation
index: an assessment using the SAIL model. Remote Sensing of Environment. 39:119–140.
Guyot G., Guyon D. , Riom J.,1989: Factors affecting the spectral responses of forest canopies : A review. Geocarto
International, 3, 3-17.
Justice, C.O., J.R.G. Townshend, B.M. Holben and C.J. Tucker, 1985: Analysis of the Phenology of Global Vegetation using
Meteorological Satellite Data, Int. J. Remote Sens. 6(8): 1271-1318.
Kaufman, Y. J., & Tanré, D. (1992). Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS. IEEE Transactions
on Geoscience and Remote Sensing, 30, 261–270.
Kauth, R J; thomas G S. 1976 : The tasselled cap - A graphic description of the spectral-temporal development of agricultural
crops as seen by Landsat. Symposium on Machine Processing of Remotely Sensed Data, Purdue University, West
Lafayette, pp. 4B-41 to 4B-51
Lillesand, T.M. & Kiefer, R.W. (1994) Remote Sensing and Interpretation. John Wiley & Sons, New York, NY.
Pearson, R L; Miller, L D. 1972: Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass
prairie, Pawnee National Grasslands, Colorado. International Symposium on Remote Sensing of Environment, 8th,
Ann Arbor, Mich , Proceedings. 2: 1355-1379
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote
Sensing of Environment, 48, 119–126
Rouse, J. W., & Haas, R. H. (1973). Monitoring vegetation systems in the great plain with ERTS. Third ERTS Symposium,
vol. 1 (pp. 309–317). Washington, DC: NASA.
Steven, M. D., Malthus, T. J., Baret, F., Xu, H., & Chopping, M. J. (2003). Intercalibration of vegetation indices from different
sensor systems. Remote Sensing of Environment, 88(4): 412–422
Verhoef, W. (1984). Light scattering by leaf layers with application to canopy reflectance modeling: The SAIL model. Remote
Sensing of Environment. 16 :125–141.
Wickland, D. E. 1989. Future Directions for Remote Sensing in Terrestrial Ecological Research. Theory
and Applications of Optical Remote Sensing Ed. G. Asrar. New York, John Wiley and Sons. 691-719.
Acronymes
APAR: Absorbed Photosynthetically Absorbed Radiation PVI: Perpendicular Vegetation Index
DVI: Difference Vegetation Index R: Rouge
EVI: Enhanced Vegetation Index RVI: Ratio Vegetation Index
LAI: Leaf Area Index SAVI: Soil Adjusted Vegetation Index
MSAVI: Modified Soil Adjusted Vegetation Index TSAVI: Transformed Soil Adjusted Vegetation

23. 22
Index
NDVI: Normalized Difference Vegetation Index WDVI: Weighted Difference Vegetation Index
PIR: Proche Infrarouge