L'indice du printemps est calculé en fonction des dix premières phases phénologiques du printemps et actualisé chaque année à la fin du mois de mai. Il intègre les observations effectuées chaque année dans quelque 80 stations du réseau de surveillance phénologique qui disposent de séries suffisamment longues.

Le graphique et le fichier de données peuvent être téléchargés dans l'application « Indice de printemps » (« Download »).

Le printemps 2025

Durant le printemps 2025, la végétation s'est développée 7 jours plus tôt que la moyenne à long terme 1991-2020. C'est très tôt et il s’agit du 7e rang depuis 1954. Les mois de janvier à avril ont été 1,7 °C plus chauds que la moyenne. La floraison générale des noisetiers a été observée à partir du 25 janvier au Tessin et à partir de fin janvier au Nord des Alpes. Dans l’ensemble, les noisetiers ont fleuri cette année avec 9 jours d'avance par rapport à la moyenne sur 30 ans de 1991 à 2020. La floraison des arbres fruitiers a commencé dans les derniers jours de mars avec une avance de 9 à 10 jours. Dans le même temps, les pissenlits et les cardamines des prés ont fleuri avec une avance de 11 à 12 jours par rapport à la moyenne. Le déploiement des feuilles du marronnier et du noisetier ainsi que l'apparition des aiguilles du mélèze en avril ont eu une avance de 5 à 6 jours par rapport à la moyenne, tandis que les feuilles du hêtre ont bourgeonné 4 jours avant la date moyenne à partir de la mi-avril.

Calcul de l'indice du printemps

Les dix phases phénologiques suivantes (entre janvier et mai) sont utilisées pour caractériser le printemps phénologique dans son ensemble:

• Floraison du noisetier
• Floraison du pas-d'âne
• Floraison de l'anémone des bois
• Floraison du cerisier
• Déploiement des feuilles du marronnier d'Inde
• Déploiement des feuilles du noisetier
• Déploiement des aiguilles du mélèze
• Floraison du pissenlit
• Floraison de la cardamine des prés
• Déploiement des feuilles du hêtre

L'écart à la date moyenne est déterminé par une analyse en composantes principales. Cette méthode est adéquate pour structurer de grands ensembles de données afin de les simplifier et d'illustrer ou de filtrer les dépendances spatiales et temporelles. Le résultat de la 1ère composante principale est finalement retransformé en un écart du nombre de jours par rapport à la moyenne.