L'indice du printemps indique la période de développement de la végétation en Suisse sous la forme d’un écart en jours par rapport à la moyenne à long terme 1991-2020. L'indice déterminé annuellement résume les phases phénologiques du printemps. La température étant un facteur clé pour la croissance des plantes, l'indice du printemps est particulièrement indiqué comme mesure de l'impact du changement climatique sur la végétation.
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.
La végétation printanière en 2024 s'est développée avec une précocité inégalée depuis le début des observations phénologiques. Elle a eu une avance de 10 jours sur la moyenne à long terme 1991-2020. Les premiers noisetiers ont fleuri début janvier, puis ils ont fleuri plus largement à partir du 24 janvier, avec une avance de 3 semaines sur la moyenne. Le pas-d’âne, l'anémone des bois, la dent-de-lion et les arbres fruitiers n'ont jamais fleuri aussi tôt que cette année. Seule l'année 1961 avait connu une floraison aussi précoce des cerisiers et des pommiers. La floraison des arbres fruitiers a débuté dans la dernière décade de mars, avec une avance de 14-15 jours sur la moyenne 1991-2020, et même de 22-25 jours sur la moyenne 1961-1990. Le déploiement des feuilles a été freiné dans la seconde quinzaine d'avril par des températures basses. Le déploiement des feuilles du marronnier et du noisetier ainsi que le déploiement des aiguilles du mélèze ont eu une avance de 7-9 jours sur la moyenne, tandis que le hêtre n'a déployé ses feuilles que 3 jours avant la date moyenne.
Les dix phases phénologiques suivantes (entre janvier et mai) sont utilisées pour caractériser le printemps phénologique dans son ensemble:
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.