La forme d’un indice de télédétection est généralement définie de manière empirique, qu’il s’agisse du choix de bandes de réflectance spécifiques, de la forme d’équation ou de ses coefficients. Ces indices spectraux sont utilisés comme étape de prétraitement avant la détection ou la classification d’objets. Toutefois, aucune étude ne semble avoir cherché la forme optimale de l’indice par approximation de fonctions, afin d’optimiser la classification et/ou la segmentation. L’objectif de cette étude est de développer une méthode permettant de trouver l’indice optimal, en adoptant une approche statistique fondée sur la descente de gradient appliquée à différentes formes d’équations génériques. À partir d’images à six bandes, cinq types d’équations ont été testés : linéaire, rapport linéaire, polynomiale, approximateur universel de fonctions et morphologie dense. Certaines techniques issues du traitement du signal et de l’analyse d’image ont également été intégrées dans un cadre d’apprentissage profond. Les performances des indices standards et des DeepIndices ont été évaluées à l’aide de deux métriques : le score Dice (analogue au score F1) et le score moyen d’intersection sur union (mIoU). L’étude se concentre sur une caméra multispectrale spécifique utilisée pour l’acquisition à courte distance de surfaces de sol et de végétation. Les DeepIndices ont été construits et comparés à 89 indices végétaux courants, sur la même base de données végétale et avec les mêmes métriques. À titre d’illustration, l’indice le plus utilisé pour la végétation, le NDVI (Normalized Difference Vegetation Index), obtient un score mIoU de 63,98 %, tandis que nos meilleurs modèles fournissent une solution analytique permettant de reconstruire un indice avec un score mIoU atteignant 82,19 %. Cette différence est suffisamment significative pour améliorer la segmentation et la robustesse de l’indice face à divers facteurs externes, ainsi que la forme des éléments détectés.