Prédiction de l'efficacité d'utilisation de l'azote dans les systèmes maïs-soja grâce à l'apprentissage automatique

Introduction

L'amélioration de l'efficacité d'utilisation de l'azote (NUE) au sein des systèmes agricoles maïs-soja est essentielle afin d'optimiser la productivité tout en atténuant les impacts environnementaux. Ce défi majeur résulte notamment d'une gestion souvent sous-optimale des engrais azotés. Des approches telles que l'apprentissage automatique (ML) apparaissent prometteuses en permettant une prédiction précise de la NUE grâce à la prise en compte de divers paramètres environnementaux et agricoles.

Matériels et méthodes

Cette étude explore plusieurs modèles ML pour prédire la NUE dans des rotations culturales maïs-soja. Les données utilisées englobent différents paramètres climatiques (température, précipitations), du sol (pH, matière organique, texture) et des pratiques agricoles (quantités et dates d'application d'azote, rendements historiques).

Collecte et préparation des données

Les données provenaient d'expérimentations au champ menées sur plusieurs années, permettant ainsi d'obtenir un jeu de données varié et représentatif des conditions réelles. Lors de l'étape de pré-traitement, les données manquantes ont été imputées et les données aberrantes identifiées ont été retirées afin d'améliorer la fiabilité des prédictions.

Techniques d'apprentissage automatique utilisées

Divers algorithmes ont été évalués dans leur capacité à prédire efficacement la NUE :

• Random Forest (forêts aléatoires)
• Réseau neuronal artificiel (ANN)
• Régression vectorielle de support (SVR)

Ces modèles sont reconnus pour gérer efficacement des jeux de données complexes et non-linéaires.

Résultats obtenus

Performance comparative des modèles

Parmi tous les modèles évalués, les forêts aléatoires ont présenté les meilleures performances en termes de capacité prédictive avec une précision moyenne de plus de 85 %. Les réseaux neuronaux et la SVR montraient quant à eux une performance légèrement inférieure mais toujours satisfaisante.

Importance des variables explicatives

Les résultats démontrent que parmi toutes les variables incluses dans l'analyse, les quantités d'azote appliquées, la pluviométrie durant la saison de croissance et la texture du sol s'avèrent cruciales pour prédire efficacement la NUE.

Discussion

Les résultats soulignent clairement l'efficacité des modèles ML, en particulier la méthode des forêts aléatoires, pour l'estimation de la NUE du maïs et du soja. La combinaison de paramètres pédoclimatiques et de pratiques culturales permet d'obtenir des prédictions robustes et précises. Par conséquent, ces méthodes pourraient être efficacement intégrées à des outils d'aide à la décision sous forme d'applications pratiques pour les agriculteurs, optimisant les apports en azote.

Implications pratiques

Les prévisions précises de NUE peuvent favoriser :

• La réduction des apports inutiles d'engrais, limitant ainsi les pertes environnementales par lessivage et volatilisation.
• L'amélioration significative du rendement économique des exploitations agricoles.
• Une meilleure gestion des ressources agricoles disponibles.

Conclusion et perspectives futures

L'application de méthodes d'apprentissage automatique pour prédire la NUE laisse entrevoir des perspectives prometteuses dans la gestion durable de l'azote au sein des systèmes agricoles. Cependant, ces approches nécessitent une validation approfondie dans différents contextes agro-environnementaux afin de garantir la généralisation de leurs prédictions. Les études futures devraient également intégrer d'autres variables, potentiellement influentes, telles que le microbiome du sol ou les modèles économiques associés à la gestion des intrants agricoles.

En somme, le recours à l'apprentissage automatique dans l'agriculture ouvre de nouvelles voies pour améliorer à la fois la productivité et la durabilité des systèmes de production maïs-soja.

Source : https://www.sciencedirect.com/science/article/pii/S0167198725001576?dgcid=rss_sd_all