Apprentissage supervisé pour simuler l'effet du changement climatique sur les rendements de soja

Source Agritrop Cirad (https://agritrop.cirad.fr/611346/)

International audience

Inglés. The impact of climate change on agricultural yields is generally quantified using biophysical models, which finely describe the functioning of plants and their biological and physical interactions with their environment. One of the strengths of these models lies in their ability to simulate crop yields as a function of explanatory variables describing the climate (temperature, precipitation, radiation, in particular), the soil (texture, depth, water content) and agricultural practices (fertilization, date of sowing and harvesting, type of variety). The results of their simulations have been taken into account by international organizations for about forty years. However, the reliability of their predictions has recently been questioned by studies demonstrating their inability to anticipate major yield losses. Supervised machine learning is an interesting alternative to biophysical models. In addition to their high flexibility, these algorithms are able to represent non-linear relationships and to take into account complex interactions between predictors. They can be easily trained and tested using global agricultural and climatic databases. Several recent applications have shown that this approach makes it possible to achieve high levels of predictive accuracy, generally as good and often even better than biophysical models. In this talk, we present several of these algorithms and show how their use could be generalized, in the future, in order to simulate the effect of climate change on agricultural production.

Francés. Les modèles biophysiques ont longtemps été les outils privilégiés pour quantifier l'impact du changement climatique sur les rendements agricoles. Ces modèles décrivent finement le fonctionnement des plantes et leurs interactions biologiques et physiques avec leur environnement. Un des atouts des modèles biophysiques réside dans leur capacité à simuler les rendements des cultures en fonction de variables explicatives décrivant le climat (température, précipitation, rayonnement, en particulier), le sol (texture, profondeur, teneur en eau) et les pratiques agricoles (fertilisation, date de semis et de récolte, type de variété). Les résultats de leurs simulations ont été pris en compte par des organisations internationales depuis une quarantaine d'années. Cependant, la fiabilité de leurs prédictions a été récemment remise en cause par des études démontrant leur incapacité à anticiper des pertes de rendement majeurs. L'apprentissage automatique supervisé constitue une alternative intéressante aux modèles biophysiques. En plus de leur grande flexibilité, ces algorithmes sont capables de représenter des phénomènes non-linéaires et de prendre en compte des interactions complexes entre les variables prédictives. Ils peuvent être facilement entrainés et testés avec des bases de données agricoles et climatiques. Plusieurs applications récentes ont montré que cette approche permettait d'atteindre des niveaux de performance généralement aussi bons et même souvent meilleurs que les modèles biophysiques. Dans cet exposé, nous présentons plusieurs de ces algorithmes et montrons comment leur usage pourrait être généralisé, à l'avenir, dans le but de simuler l'effet du changement climatique sur la production agricole.