Apprentissage supervisé pour simuler l'effet du changement climatique sur les rendements de soja
Makowski, David | Chen, Mathilde
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.
Показать больше [+] Меньше [-]