Work

Estimation du yield gap et cartographie des niveaux d'intensification par télédétection et méthodes de machine learning

Year: 2024
Type: dissertation
Abstract: Etant une zone où la sécurité alimentaire demeure un enjeu crucial, l'Afrique subsaharienne est caractérisée par des cultures de subsistance (agriculture familiale) qui varient d'une région à l'autre. Ces systèmes agricoles sont parfois très complexes à étudier en raison de plusieurs facteurs endogènes très hétérogènes. Ces facteurs peuvent être de natures agronomiques et/ou socioéconomiques et impactent directement sur le rendement des cultures. Cependant, Plusieurs systèmes d'alerte précoce (SAP) ont été développés pour anticiper les crises et planifier des mesures d'urgence. Toutefois, ces SAP présentent des alertes contrastées et parfois contradictoires, et donc une alternative est d'étudier les yield gap et les niveau d'intensification. Ces derniers peuvent être considérés comme des paramètres représentant de manière synthétique des facteurs agronomiques et socioéconomiques expliquant l'écart entre le rendement atteignable et rendement réel. Dans cette étude nous tirons parti d'un jeu de données de rendements déclarés spatialisé, et de données issues de télédétection au travers de méthodes de machine learning (ML) pour évaluer les possibilités de réalisation de cartographie du yield gap de niveau II+III à l'échelle de la bande soudano-sahelienne, une sous-région particulièrement concernée par les problématiques de sécurité alimentaire. Des indices de végétation et des paramètres du sol issus de la télédétection sont utilisés avec des modèle ML comme le Random forest (Rf), le Xgboos le ADaBoost (ADB) et le Decision Tree (DT). Nos résultats montrent que l'approche RF retourne des performances assez correctes dans l'estimation du yield gap avec un R2 = 76,54% et avec des valeurs très faible de moins de -500 Kg/ha traduisant des niveaux d'intensification élevé localisés par exemple au nord du Bénin et le long du fleuve Niger.
Author: Diop, Mansour
Language: French
Subfield: Ecology
Open Access status: green
OpenAlex ID: W7047181794
Cites: 36
Cited by: 1
Related to: 9