2 octobre 2023
http://creativecommons.org/licenses/by-sa/
Ismaguil Hanade Houmma et al., « : Cartographie de la sensibilité biophysique des agrosystèmes du Sahel central à l'aide de modèles d'apprentissage automatique », HAL-SHS : géographie, ID : 10670/1.awi1hl
Les extrêmes climatiques et leurs tendances dans plusieurs parties du monde ont exacerbé la susceptibilité biophysique des agrosystèmes dans les régions semi-arides. Dans la région du Sahel, cela se traduit par une détérioration progressive de la résilience climatique des agrosystèmes et de leur productivité écosystémique, avec des pertes potentielles de rendement céréalier allant jusqu'à 27 % d'ici 2050. Pour relever les défis actuels et futurs en termes de sécurité alimentaire, de résilience des communautés rurales et de durabilité des systèmes agricoles, il est essentiel de mieux comprendre la sensibilité biophysique des unités spatiales qui composent un agrosystème. Dans les études précédentes, la cartographie de la sensibilité biophysique des unités spatiales a été abordée en utilisant des anomalies dans les indicateurs de l'état de la végétation pour approximer quantitativement la réponse des agrosystèmes aux déficits hydriques climatiques. Cependant, en raison des interactions complexes entre les facteurs affectant la sensibilité biophysique des agrosystèmes, les anomalies d'une seule composante peuvent ne pas être suffisantes pour évaluer la sensibilité biophysique. L'objectif de cette étude est donc de proposer une nouvelle approche pour cartographier la sensibilité biophysique en considérant les gradients des changements des anomalies des variables biophysiques au lieu de simples anomalies. À cette fin, des séries chronologiques de données relatives à l'indice de végétation, à la température de surface, à la productivité primaire de la végétation et à l'humidité du sol provenant des produits NOAA/AVHRR et TerraClimate ont été utilisées pour évaluer la sensibilité biophysique en comparant les performances de quatre modèles d'apprentissage automatique. Les étapes méthodologiques comprenaient l'analyse des tendances significatives obtenues par régression linéaire de l'indice à l'aide de la fonction lm() dans Rstudio. Ensuite, les modèles ont été implémentés à l'aide du package caret avec un partitionnement des données de 70 % de l'entraînement du modèle et de 30 % de son test. Les résultats suggèrent une variabilité spatiale de la sensibilité biophysique. Le modèle Random forest s’est distingué par sa grande capacité à prédire les classes de sensibilité biophysique, avec un AUC=94 %, alors que les AUC du modèle SVM, KNN et des Bayes naïfs étaient respectivement de 78,6 %, 72,03 % et 77,6 %. Enfin, l'analyse souligne l'importance de combiner les amplitudes de changement de plusieurs indicateurs pour obtenir une évaluation globale de la sensibilité biophysique des agrosystèmes, en particulier avec le modèle Random Forest.