Développement d’un outil d’aide au diagnostic pour la production de maïs

Développement d’un outil d’aide au diagnostic pour la production de maïs

Classification de zones agricoles pour une meilleure gestion de l’eau d’irrigation

Objectifs

 A une époque où le soucis de préserver l’eau pour les générations futures préconise une politique d’économie, la question de la gestion du partage de l’eau s’avère constituer un problème crucial ; il s’agit d’optimiser les usages en répartissant équitablement la ressource en eau entre les différents besoins (naturels, agricoles, économiques, humains) en s’adaptant aux habitudes existantes et aux spécificités de chaque secteur. Une grande partie de l’eau destinée à l’irrigation est prélevée dans les eaux superficielles, principalement pour une question d’accessibilité, mais aussi pour éviter des chocs thermiques aux plantes. La concurrence avec les autres utilisations de l’eau et le maintien d’un débit minimal résiduel pour assurer les diverses fonctions des cours d’eau (p.ex. habitat pour la faune et la flore aquatique, couloir à faune, structuration du paysage, ou dégradation de polluants) peuvent alors conduire à des situations critiques voire conflictuelles. Le risque de pénurie en eau durant les mois d’été à l’échelle des bassins versants augmente, en outre, considérablement avec le changement climatique. Par conséquent, préserver l’eau en assurant une répartition équilibrée et ajustée aux besoins de chaque zone apparaît maintenant primordial. Plus précisément, pour les agriculteurs de maïs, les besoins en eau peuvent sensiblement varier en fonction de différents critères pédologiques, géographiques, et météorologiques. Le but de ce volet du projet MAISEO est donc d’assurer l’apport nécessaire et minimal d’eau à chaque exploitation de manière à ce que les plants atteignent leur potentiel de rendement, en tenant compte des spécificités de leur zone géographique [Hunger, 2010]. En d’autres termes, il s’agit d’apporter aux irrigants, aux gestionnaires des ouvrages, et à l’administration chargée du contrôle, les éléments d’appréciation de la meilleure stratégie de gestion de la demande en eau ayant lieu en cours de campagne, et d’anticiper des décisions concernant l’autorisation ou l’interdiction d’irriguer potentiellement lourdes de conséquences pour les rendements des cultures. A terme, le projet MAISEO doit permettre aux compagnies de gestion de l’eau de connaître a priori les zones d’exploitation nécessitant une alimentation en eau d’irrigation, les quantités respectives, de manière à établir une juste prédiction, en recoupant ces informations avec les données météorologiques prévisionnelles, des besoins à venir et d’anticiper les problèmes issus de la politique de restriction d’arrosage sur un bassin entier. 

 La problématique de gestion de l’eau avant le projet MAISEO 

Les besoins en eau des différentes exploitations peuvent être estimés de différentes manières. La plus simple – mais fastidieuse et à la fiabilité inégale – est l’enquête auprès des agriculteurs, associée à une étude météorologique prévisionnelle. Les questionnaires soumis aux exploitants traitent des infrastructures et équipements disponibles actuellement ou attendus, la surfaces des différentes parcelles à irriguer, l’historique des quantités d’eau utilisées, les facteurs limitants, les stratégies d’adaptation,… Les résultats des enquêtes peuvent ainsi permettre de dresser une carte représentant les besoins en eau estimés par zone. Néanmoins, cette méthode est tributaire de la bonne foi des agriculteurs, de la précision de leurs réponses, et aussi du nombre de questionnaires renvoyés – car bon nombre d’entre eux n’y répondent pas, malgré les sollicitations [Fuhrer, 2010]. Pour davantage de précision et de certitude visà-vis des données accessibles, et aussi une répartition plus homogène et complète de ces informations, il est donc préférable d’associer à ces questionnaires des données obtenues à partir de modèles experts et d’observations systématiques sur l’ensemble de la zone à analyser. Une estimation des besoins hydriques peut aussi être obtenue à partir de calculs décrits par Fuhrer [Fuhrer et Jasper, 2009] et mis en pratique par des modèles, cherchant à simuler la dynamique et le régime de l’eau du sol de la manière la plus proche possible de la réalité. Ces calculs s’appuient sur l’estimation de l’évapotranspiration. Plus précisément, il s’agit d’estimer l’humidité moyenne du sol à la profondeur d’enracinement en tenant compte de la différenciation par surface, ainsi que le rapport entre l’évapotranspiration actuelle et potentielle (ET/ETP). La quantité d’eau d’irrigation nécessaire est estimée relativement à la différence entre la valeur cible – correspondant à l’état d’humidité du sol à partir de laquelle la transpiration actuelle diminue par rapport à la transpiration potentielle – et la valeur actuelle de l’humidité du sol à la profondeur d’enracinement. Il est important de faire la différence entre l’ET qui décrit la quantité de vapeur d’eau transférée dans l’atmosphère par transpiration des plantes et par évaporation de l’eau contenue par le sol, par des retenues d’eau -naturelles ou non, … et l’ETP définie comme étant la vapeur maximale d’évapotranspiration d’un couvert végétal continu lorsqu’il y a suffisamment d’eau disponible dans le sol pour satisfaire la demande évaporatrice de l’atmosphère [Bouchet]. D’autres modèles, orientés vers une approche basée sur le bilan hydrique du sol, prennent en compte le type de culture et son évolution du stade phénologique, les caractéristiques texturales et hydriques du sol (capacité au champ, mouvement capillaire, point de flétrissement), et la météorologie [et al., 2011]. Certains logiciels, basés sur ces modèles, permettent d’assurer un conseil à l’irrigation précis et efficace. [Pepin et Bourgeois, 1992] Néanmoins, ces modèles demandent un niveau de détail vis-à-vis des données en entrée qu’il est souvent difficile d’obtenir, en particulier lorsqu’il s’agit de gérer la distribution de l’eau sur des zones étendues. Il demeure bien souvent des incertitudes relatives aux prévisions climatiques, aux proprié13 tés pédologiques et aux interventions anthropogènes (prélèvements d’eau, exploitation des lacs et des réservoirs,…) Ainsi une analyse suffisamment fine nécessiterait l’emploi de données spécifiques à la culture du maïs et précisément connues pour chaque parcelle, ce qui ne semble pas réalisable dans le cadre de ce projet – et une étude grossière ne s’avérerait pas véritablement discriminante ; c’est pourquoi dans le projet MAISEO, la question de la distribution de l’eau n’a pas vocation à être étudiée à l’échelle parcellaire mais en traitant des îlots constitués de plusieurs exploitations. Il s’agit donc d’analyser les besoins en eau de zones, à partir de caractéristiques objectives et facilement accessibles par enquêtes ou données satellites. 

Fonctionnement global du système 

Pour ce lot, nous avons collaboré avec la CACG. La Compagnie d’Aménagement des Coteaux de Gascogne est une société qui conçoit, construit, et met en œuvre des projets dans le but de concourir à l’aménagement du territoire. Dans ce cadre, ses principaux clients sont les collectivités territoriales, les agriculteurs et les entreprises privées. Elle gère notamment le canal de la Neste, qui alimente la grande majorité des rivières de Gascogne. Cette mission s’inscrit dans le cadre d’une concession d’état. Notre implication dans cette partie du projet réside dans l’importance d’établir une classification des besoins en eau d’îlots d’exploitation pour une région donnée. L’outil permet de définir, comme représenté dans la figure 4, à partir d’un certain nombre de caractéristiques, des profils de zones afin d’évaluer la quantité d’eau d’irrigation nécessaire à chacune d’elles pour la culture du maïs. La définition des profils s’est opérée – au même titre que le lot précédent – au moyen d’une classification non supervisée, basée un ensemble d’individus décrits par six caractéristisques. Chacune d’elles a été obtenue à partir de mesures précises basées sur des observations satellites ou des observations de terrain. Toutes les caractéristiques décrivant les données d’entraînement sont impliquées dans le processus de définition des profils et dans la reconnaissance. Ce sont les experts de la CACG qui, par la suite, analysent les différents profils obtenus afin d’associer à chacun d’eux une estimation des besoins en eau. Les caractéristiques sont les suivantes : – La distance au cours d’eau le plus proche et géré par la CACG. Elle est exprimée en mètres. – L’altitude entre îlot et la retenue collinaire la plus proche. Elle permet d’estimer la difficulté rencontrée par les agriculteurs pour irriguer leur parcelle par eux-mêmes. Elle est exprimée en mètres. – La distance entre l’îlot et le réseau en concession d’état. Elle est exprimée en mètres. – Le type du point de prélèvement. Cet attribut a son importance car il implique des différences en terme de température et de qualité de l’eau. Ces écarts trouvent leur explication dans des caractéristiques physiques que sont la profondeur, la pente de la berge, le renouvellement de l’eau, la densité et la nature du fond. Tous ces éléments sont reliés à la genèse du plan d’eau. Ici, il peut s’agir d’un barrage, d’une gravière, ou d’un DCE ( Directive Cadre Européenne sur l’Eau). Un plan d’eau DCE fait l’objet de suivis biologique, physico-chimique et chimique bien définis, et doit témoigner d’un respect de normes et de valeurs-seuil formellement établies. – La pente. Elle joue un rôle important dans la capacité du sol à retenir l’eau pour les plantes. Plus le sol sur lequel se trouve l’exploitation est pentu, plus l’eau aura tendance à s’écouler en aval. Elle est exprimée en degrés. – L’altitude de la parcelle. Elle est exprimée en mètres. – L’orientation. Elle influe sur le temps et le degré d’exposition de la plante au soleil, et donc sur le rayonnement subi et l’évapotranspiration. Elle est exprimée en fonction des points cardinaux.

Table des matières

Introduction
1 Le projet MAISEO
1.1 Contexte
1.2 Classification et apprentissage de parcelles de maïs
1.2.1 Pratiques culturales avant le projet MAISEO
1.2.2 Description du projet
1.2.2.1 Fonctionnement global du système
1.2.2.2 Sélection des informations pertinentes
1.2.2.3 La partie apprentissage
1.2.2.4 La partie reconnaissance
1.3 Classification de zones agricoles pour une meilleure gestion de l’eau d’irrigation
1.3.1 Objectifs
1.3.2 La problématique de gestion de l’eau avant le projet MAISEO
1.3.3 Fonctionnement global du système
1.4 Conclusion
2 Outil de classification pour le diagnostic de parcelles de maïs
2.1 Les enjeux de la classification
2.2 Les méthodes de classification
2.2.1 La classification supervisée
2.2.1.1 Les Réseaux de Neurones Artificiels (RNA)
2.2.1.2 Les arbres de décision
2.2.1.3 Les réseaux bayésiens
2.2.1.4 Machine à vecteurs de support (SVM : Support Vector Machine)
2.2.1.5 Les k-plus proches voisins
2.2.2 La classification non supervisée
2.2.2.1 Les K-moyennes
2.2.2.2 Les K-moyennes floues
2.2.2.3 Les cartes de Kohonen
2.2.3 Le deep-learning
2.2.4 La méthode LAMDA
2.3 Conclusion
3 La méthode LAMDA
3.1 Traitement de données hétérogènes
3.1.1 Degré d’Adéquation Marginale (MAD)
3.1.1.1 Descripteurs quantitatifs
3.1.1.2 Descripteurs qualitatifs
3.1.1.3 Intervalles
3.1.2 Degré d’Appartenance Global (GAD)
3.2 Classification selon LAMDA
3.2.1 Classification non-supervisée
3.2.2 Classification supervisée
3.2.3 Reconnaissance
3.3 Sélection des descripteurs
3.4 Evaluation de la qualité de la partition de l’espace de données
3.5 Conclusion
4 Traitement de données manquantes ou multidimensionnelles
4.1 Classification multicouche
4.2 Prise en compte de la proximité des données qualitatives
4.3 Traitement des données manquantes
4.4 Conclusion
5 Application au projet MAISEO
5.1 Classification des parcelles
5.1.1 Représentation des données parcellaires
5.1.1.1 Données météorologiques
5.1.1.2 Types de sol
5.1.1.3 Autres caractéristiques
5.1.2 Utilisation de données lacunaires
5.1.3 Résultats
5.2 Classification des îlots d’exploitations
5.2.1 Représentation des données
5.2.1.1 Orientation
5.2.1.2 Autres caractéristiques
5.2.2 Résultats
5.3 Conclusion
Conclusion
Annexe
A.1 Annexe I : Le projet MAISEO
A.1.1 Contexte du projet
A.1.2 Les données météorologiques
A.2 Annexe II : Les méthodes de classification
A.3 Annexe III : Prise en considération de la proximité des modalités d’une même variable qualitative
A.4 Annexe IV : Données relatives au projet MAISEO
A.4.1 Annexe IV.1 : Conception du système de classification
A.4.2 Annexe IV.2 : Partie concernant le conseil aux exploitants
A.4.3 Annexe IV.3 : Partie concernant le conseil au gestionnaire du bassin versant
B Développement d’un outil d’aide au diagnostic pour la production de maïs permettant la réduction de la consommation en eaux d’irrigation et en traitements phytosanitaires
B.1 Résumé
B.2 Mots Clés
C Development of a diagnosis support tool for the corn production to reduce the irrigation water consuption and the use of phytosanitary treatments
C.1 Summary
C.2 Key Words
D Remerciements
Bibliographie

projet fin d'etudeTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *