L’objectif du projet est de proposer des méthodes permettant à terme de construire un outil de prévision du rendement et de la qualité (teneur en huile et teneur en acide oléique) du tournesol quelques semaines avant sa récolte, à l’échelle d’un bassin de collecte, à l’aide de modèles plus ou moins complexes associés à des observations d’états de culture (GAI: green area index) acquises par voie satellitaire et supposées améliorer la qualité de prédiction des modèles. Il s’agit donc d’identifier les types de modèles les mieux adaptés à la prévision à l’échelle territoriale parmi une gamme de modèles allant des modèles corrélatifs les plus simples (à une ou deux variables explicatives) aux modèles de cultures dynamiques plus ou moins spécifiques (SUNFLO, SAFY). L’intérêt des techniques d’assimilation de données de GAI acquises par télédétection dans les modèles dynamiques de culture pour en améliorer la qualité de prédiction est également évalué. Des sujets périphériques à ces problématiques, mais incontournables dans l’objectif d’élaborer les modèles et de construire un outil de prévision opérationnel, sont étudiés: (i) détermination de méthodes simples et rapides d’estimation du GAI au sol afin de faciliter la constitution de réseaux de dispositifs de «vérité terrain» nécessaires à la calibration des modèles biophysiques, (ii) constitution d’une base de données d’itinéraires techniques, de contextes de culture (données d’entrée des modèles de culture), de production (rendement, teneurs en huile et en acide oléique: données indispensables pour construire et évaluer les modèles de prédiction) et d’images satellitaires sur plusieurs centaines de parcelles agricoles, (iii) estimation de la date de levée de la culture (rarement disponible, mais indispensable pour certains modèles de culture) par voie satellitaire et (iv) localisation de toutes les parcelles de tournesol d’un territoire en cours de campagne, à l’aide de la télédétection.Le principal résultat est que les modèles corrélatifs simples à une ou deux variables explicatives (GAI maximal au cours du cycle et persistance du GAI pendant la phase reproductive du cycle) paraissent les plus pertinents pour prédire le rendement à l’échelle de parcelles au sein d’un territoire.