L'estimation précise et efficace de la biomasse aérienne (AGB) est importante pour le phénotypage de l'arachide et la gestion des champs. Cette étude évalue les caractéristiques spectrales et texturales dérivées des images multispectrales obtenues par véhicule aérien sans pilote (UAV) pour une estimation non destructive et à haut débit de l'AGB d'arachide. Les indices de végétation (VIs) et les caractéristiques texturales de la matrice de cooccurrence des niveaux de gris (GLCM) (TFs) sont dérivés des bandes verte, rouge, bord rouge et proche infrarouge et évalués via six modèles de régression. Les résultats révèlent que les TFs proches infrarouges présentent la sensibilité la plus élevée à l'AGB. Parmi les configurations GLCM, un réglage de taille de fenêtre 7×7, orientation à 45° et 16 niveaux de gris produit la représentation texturale la plus stable. Bien que la combinaison de tous les VIs et TFs améliore légèrement la précision de la prédiction, les différences relativement importantes entre le coefficient de détermination (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001c.jpg"/></graphic></alternatives></inline-formula>) et le R² ajusté (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M001c.jpg"/></graphic></alternatives></inline-formula>) dans certains modèles suggèrent que l'ensemble complet des caractéristiques contient des prédicteurs redondants et que la parcimonie du modèle est limitée. Une stratégie de sélection de caractéristiques combinant Extreme Gradient Boosting (XGBoost) et les explications additives de Shapley (SHAP) est donc utilisée pour identifier cinq variables clés : l'indice de végétation par différence (DVI), la variance, la moyenne, l'énergie et l'indice de végétation ajusté au sol modifié (MSAVI). Cet ensemble compact de caractéristiques réduit considérablement la dimensionnalité des prédicteurs, limite les différences entre le (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M003.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M003c.jpg"/></graphic></alternatives></inline-formula>) et le R² ajusté (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M4"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004c.jpg"/></graphic></alternatives></inline-formula>) à moins de 0,020, et atteint une précision prédictive cohérente, avec un (<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M004c.jpg"/></graphic></alternatives></inline-formula>) supérieur à 0,840 et l'erreur quadratique moyenne ( <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M6"><mi mathvariant="normal">R</mi><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">E</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M006.jpg"/></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/D3DABA79-ACE0-492f-BA63-A164A6A969B1-M006c.jpg"/></graphic></alternatives></inline-formula>) inférieure à 0,055 kg/m². L'approche proposée fournit un outil pratique pour la surveillance à haut débit de la biomasse d'arachide, le phénotypage et la gestion de la production.

Surveillance à haut débit;Télédétection par véhicule aérien sans pilote (UAV);Arachide;Biomasse aérienne;Caractéristiques texturales (TFs)