Tesis sobre el tema "Estimation des rendements agricoles"

La météo et le climat ont un impact important sur les rendements agricoles. De nombreuses études basées sur différentes approches ont été réalisées pour mesurer cet impact. Cette thèse se concentre sur les modèles statistiques pour mesurer la sensibilité des cultures aux conditions météorologiques sur la base des enregistrements historiques. Lors de l'utilisation d'un modèle statistique, une difficulté critique survient lorsque les données sont rares, ce qui est souvent le cas pour la modélisation des cultures. Il y a un risque élevé de sur-apprentissage si le modèle n'est pas développé avec certaine précautions. Ainsi, la validation et le choix du modèle sont deux préoccupations majeures de cette thèse. Deux approches statistiques sont développées. La première utilise la régression linéaire avec régularisation et validation croisée (c.-à.-d. leave-one-out ou LOO), appliquée au café robusta dans la principale région productrice de café du Vietnam. Le café est une culture rémunératrice, sensible aux intempéries, et qui a une phénologie très complexe en raison de sa nature pérenne. Les résultats suggèrent que les informations sur les précipitations et la température peuvent être utilisées pour prévoir l'anomalie de rendement avec une anticipation de 3 à 6 mois selon la région. Les estimations du rendement du robusta à la fin de la saison montrent que les conditions météorologiques expliquent jusqu'à 36 % des anomalies de rendement historiques. Cette première approche de validation par LOO est largement utilisée dans la littérature, mais elle peut être mal utilisé pour de nombreuses raisons : elle est technique, mal interprétée et nécessite de l'expérience. Une alternative, l'approche “leave-two-out nested cross-validation” (ou LTO), est proposée pour choisir le modèle approprié, évaluer sa véritable capacité de généralisation et choisir la complexité du modèle optimale. Cette méthode est sophistiquée mais simple. Nous démontrons son applicabilité pour le café robusta au Vietnam et le maïs en France. Dans les deux cas, un modèle plus simple avec moins de prédicteurs potentiels et d'entrées est plus approprié. Utiliser uniquement la méthode LOO peut être très trompeur car cela encourage à choisir un modèle qui sur-apprend les données de manière indirecte. L'approche LTO est également utile dans les applications de prévision saisonnière. Les estimations de rendement du maïs en fin de saison suggèrent que les conditions météorologiques peuvent expliquer plus de 40 % de la variabilité de l'anomalie de rendement en France. Les impacts du changement climatique sur la production de café au Brésil et au Vietnam sont également étudiés à l'aide de simulations climatiques et de modèles d'impact ou “suitability models”. Les données climatiques sont cependant biaisées par rapport au climat réel. De nombreuses méthodes de “correction de biais” (appelées ici “calibration”) ont été introduites pour corriger ces biais. Une présentation critique et détaillée de ces calibrations dans la littérature est fournie pour mieux comprendre les hypothèses, les propriétés et les objectifs d'application de chaque méthode. Les simulations climatiques sont ensuite calibrées par une méthode basée sur les quantiles avant d'être utilisées sur nos modèles d'impact. Ces modèles sont développés sur la base des données de recensement des zones caféières, et les variables climatiques potentielles sont basées sur un examen des études précédentes utilisant des modèles d'impact pour le café et des recommandations d'experts. Les résultats montrent que les zones propices à l'arabica au Brésil pourraient diminuer d'environ 26 % d'ici le milieu du siècle dans le scénario à fortes émissions, les régions compatibles avec la culture du robusta vietnamien pourraient quant à elle diminué d'environ 60 %. Les impacts sont significatifs à basse altitude pour les deux types de café, suggérant des déplacements potentiels de la production vers des endroits plus élevés<br>Weather and climate strongly impact crop yields. Many studies based on different techniques have been done to measure this impact. This thesis focuses on statistical models to measure the sensitivity of crops to weather conditions based on historical records. When using a statistical model, a critical difficulty arises when data is scarce, which is often the case with statistical crop modelling. There is a high risk of overfitting if the model development is not done carefully. Thus, careful validation and selection of statistical models are major concerns of this thesis. Two statistical approaches are developed. The first one uses linear regression with regularization and leave-one-out cross-validation (or LOO), applied to Robusta coffee in the main coffee-producing area of Vietnam (i.e. the Central Highlands). Coffee is a valuable commodity crop, sensitive to weather, and has a very complex phenology due to its perennial nature. Results suggest that precipitation and temperature information can be used to forecast the yield anomaly with 3–6 months' anticipation depending on the location. Estimates of Robusta yield at the end of the season show that weather explains up to 36 % of historical yield anomalies. The first approach using LOO is widely used in the literature; however, it can be misused for many reasons: it is technical, misinterpreted, and requires experience. As an alternative, the “leave-two-out nested cross-validation” (or LTO) approach, is proposed to choose the suitable model and assess its true generalization ability. This method is sophisticated but straightforward; its benefits are demonstrated for Robusta coffee in Vietnam and grain maize in France. In both cases, a simpler model with fewer potential predictors and inputs is more appropriate. Using only the LOO method, without any regularization, can be highly misleading as it encourages choosing a model that overfits the data in an indirect way. The LTO approach is also useful in seasonal forecasting applications. The end-of-season grain maize yield estimates suggest that weather can account for more than 40 % of the variability in yield anomaly. Climate change's impacts on coffee production in Brazil and Vietnam are also studied using climate simulations and suitability models. Climate data are, however, biased compared to the real-world climate. Therefore, many “bias correction” methods (called here instead “calibration”) have been introduced to correct these biases. An up-to-date review of the available methods is provided to better understand each method's assumptions, properties, and applicative purposes. The climate simulations are then calibrated by a quantile-based method before being used in the suitability models. The suitability models are developed based on census data of coffee areas, and potential climate variables are based on a review of previous studies using impact models for coffee and expert recommendations. Results show that suitable arabica areas in Brazil could decrease by about 26 % by the mid-century in the high-emissions scenario, while the decrease is surprisingly high for Vietnamese Robusta coffee (≈ 60 %). Impacts are significant at low elevations for both coffee types, suggesting potential shifts in production to higher locations. The used statistical approaches, especially the LTO technique, can contribute to the development of crop modelling. They can be applied to a complex perennial crop like coffee or more industrialized annual crops like grain maize. They can be used in seasonal forecasts or end-of-season estimations, which are helpful in crop management and monitoring. Estimating the future crop suitability helps to anticipate the consequences of climate change on the agricultural system and to define adaptation or mitigation strategies. Methodologies used in this thesis can be easily generalized to other cultures and regions worldwide

En agriculture, la météo est le principal facteur de variabilité d’une année sur l’autre. Cette thèse vise à construire des modèles statistiques à grande échelle qui estiment l’impact des conditions météorologiques sur les rendements agricoles. Le peu de données agricoles disponibles impose de construire des modèles simples avec peu de prédicteurs, et d’adapter les méthodes de sélection de modèles pour éviter le sur-apprentissage. Une grande attention a été portée sur la validation des modèles statistiques. Des réseaux de neurones et modèles à effets mixtes (montrant l’importance des spécificités locales) ont été comparés. Les estimations du rendement de maïs aux États-Unis en fin d’année ont montré que les informations de températures et de précipitations expliquent en moyenne 28% de la variabilité du rendement. Dans plusieurs états davantage météo-sensibles, ce score passe à près de 70%. Ces résultats sont cohérents avec de récentes études sur le sujet. Les prévisions du rendement au milieu de la saison de croissance du maïs sont possibles à partir de juillet : dès juillet, les informations météorologiques utilisées expliquent en moyenne 25% de la variabilité du rendement final aux États-Unis et près de 60% dans les états plus météo-sensibles comme la Virginie. Les régions du nord et du sud-est des États-Unis sont les moins bien prédites. Le rendements extrêmement faibles ont nécessité une méthode particulière de classification : avec seulement 4 prédicteurs météorologiques, 71% des rendements très faibles sont bien détectés en moyenne. L’impact du changement climatique sur les rendements jusqu’en 2060 a aussi été étudié : le modèle construit nous informe sur la rapidité d’évolution des rendements dans les différents cantons des États-Unis et localisent ceux qui seront le plus impactés. Pour les états les plus touchés (au sud et sur la côte Est), et à pratique agricole constante, le modèle prévoit des rendements près de deux fois plus faibles que ceux habituels, en 2060 sous le scénario RCP 4.5 du GIEC. Les états du nord seraient peu touchés. Les modèles statistiques construits peuvent aider à la gestion sur le cours terme (prévisions saisonnières) ou servent à quantifier la qualité des récoltes avant que ne soient faits les sondages post-récolte comme une aide à la surveillance (estimation en fin d’année). Les estimations pour les 50 prochaines années participent à anticiper les conséquences du changement climatique sur les rendements agricoles, pour définir des stratégies d’adaptation ou d’atténuation. La méthodologie utilisée dans cette thèse se généralise aisément à d’autres cultures et à d’autres régions du monde<br>In agriculture, weather is the main factor of variability between two consecutive years. This thesis aims to build large-scale statistical models that estimate the impact of weather conditions on agricultural yields. The scarcity of available agricultural data makes it necessary to construct simple models with few predictors, and to adapt model selection methods to avoid overfitting. Careful validation of statistical models is a major concern of this thesis. Neural networks and mixed effects models are compared, showing the importance of local specificities. Estimates of US corn yield at the end of the year show that temperature and precipitation information account for an average of 28% of yield variability. In several more weather-sensitive states, this score increases to nearly 70%. These results are consistent with recent studies on the subject. Mid-season maize crop yield forecasts are possible from July: as of July, the meteorological information available accounts for an average of 25% of the variability in final yield in the United States and close to 60% in more weather-sensitive states like Virginia. The northern and southeastern regions of the United States are the least well predicted. Predicting years for which extremely low yields are encountered is an important task. We use a specific method of classification, and show that with only 4 weather predictors, 71% of the very low yields are well detected on average. The impact of climate change on yields up to 2060 is also studied: the model we build provides information on the speed of evolution of yields in different counties of the United States. This highlights areas that will be most affected. For the most affected states (south and east coast), and with constant agricultural practice, the model predicts yields nearly divided by two in 2060, under the IPCC RCP 4.5 scenario. The northern states would be less affected. The statistical models we build can help for management on the short-term (seasonal forecasts) or to quantify the quality of the harvests before post-harvest surveys, as an aid to the monitoring (estimate at the end of the year). Estimations for the next 50 years help to anticipate the consequences of climate change on agricultural yields, and to define adaptation or mitigation strategies. The methodology used in this thesis is easily generalized to other cultures and other regions of the world

En agriculture, la météo est le principal facteur de variabilité d’une année sur l’autre. Cette thèse vise à construire des modèles statistiques à grande échelle qui estiment l’impact des conditions météorologiques sur les rendements agricoles. Le peu de données agricoles disponibles impose de construire des modèles simples avec peu de prédicteurs, et d’adapter les méthodes de sélection de modèles pour éviter le sur-apprentissage. Une grande attention a été portée sur la validation des modèles statistiques. Des réseaux de neurones et modèles à effets mixtes (montrant l’importance des spécificités locales) ont été comparés. Les estimations du rendement de maïs aux États-Unis en fin d’année ont montré que les informations de températures et de précipitations expliquent en moyenne 28% de la variabilité du rendement. Dans plusieurs états davantage météo-sensibles, ce score passe à près de 70%. Ces résultats sont cohérents avec de récentes études sur le sujet. Les prévisions du rendement au milieu de la saison de croissance du maïs sont possibles à partir de juillet : dès juillet, les informations météorologiques utilisées expliquent en moyenne 25% de la variabilité du rendement final aux États-Unis et près de 60% dans les états plus météo-sensibles comme la Virginie. Les régions du nord et du sud-est des États-Unis sont les moins bien prédites. Le rendements extrêmement faibles ont nécessité une méthode particulière de classification : avec seulement 4 prédicteurs météorologiques, 71% des rendements très faibles sont bien détectés en moyenne. L’impact du changement climatique sur les rendements jusqu’en 2060 a aussi été étudié : le modèle construit nous informe sur la rapidité d’évolution des rendements dans les différents cantons des États-Unis et localisent ceux qui seront le plus impactés. Pour les états les plus touchés (au sud et sur la côte Est), et à pratique agricole constante, le modèle prévoit des rendements près de deux fois plus faibles que ceux habituels, en 2060 sous le scénario RCP 4.5 du GIEC. Les états du nord seraient peu touchés. Les modèles statistiques construits peuvent aider à la gestion sur le cours terme (prévisions saisonnières) ou servent à quantifier la qualité des récoltes avant que ne soient faits les sondages post-récolte comme une aide à la surveillance (estimation en fin d’année). Les estimations pour les 50 prochaines années participent à anticiper les conséquences du changement climatique sur les rendements agricoles, pour définir des stratégies d’adaptation ou d’atténuation. La méthodologie utilisée dans cette thèse se généralise aisément à d’autres cultures et à d’autres régions du monde<br>In agriculture, weather is the main factor of variability between two consecutive years. This thesis aims to build large-scale statistical models that estimate the impact of weather conditions on agricultural yields. The scarcity of available agricultural data makes it necessary to construct simple models with few predictors, and to adapt model selection methods to avoid overfitting. Careful validation of statistical models is a major concern of this thesis. Neural networks and mixed effects models are compared, showing the importance of local specificities. Estimates of US corn yield at the end of the year show that temperature and precipitation information account for an average of 28% of yield variability. In several more weather-sensitive states, this score increases to nearly 70%. These results are consistent with recent studies on the subject. Mid-season maize crop yield forecasts are possible from July: as of July, the meteorological information available accounts for an average of 25% of the variability in final yield in the United States and close to 60% in more weather-sensitive states like Virginia. The northern and southeastern regions of the United States are the least well predicted. Predicting years for which extremely low yields are encountered is an important task. We use a specific method of classification, and show that with only 4 weather predictors, 71% of the very low yields are well detected on average. The impact of climate change on yields up to 2060 is also studied: the model we build provides information on the speed of evolution of yields in different counties of the United States. This highlights areas that will be most affected. For the most affected states (south and east coast), and with constant agricultural practice, the model predicts yields nearly divided by two in 2060, under the IPCC RCP 4.5 scenario. The northern states would be less affected. The statistical models we build can help for management on the short-term (seasonal forecasts) or to quantify the quality of the harvests before post-harvest surveys, as an aid to the monitoring (estimate at the end of the year). Estimations for the next 50 years help to anticipate the consequences of climate change on agricultural yields, and to define adaptation or mitigation strategies. The methodology used in this thesis is easily generalized to other cultures and other regions of the world

La télédétection spatiale est d’une importance primordiale pour la cartographie et la surveillance des problèmes environnementaux. Son intérêt réside dans la capacité des capteurs satellitaires spatiaux à fournir des informations globales et permanentes de la planète, aux échelles locale à globale. La télédétection radar a montré son grand potentiel ces dernières années dans la caractérisation des états de surface du sol. L’état de la surface du sol, et en particulier l’humidité et la rugosité, exerce une influence fondamentale sur la répartition de la pluie entre infiltration, rétention superficielle et ruissellement. Il a un rôle essentiel dans les processus hydrologiques de surface et ceux associés à l’érosion et aux processus d’évapotranspiration. La caractérisation et la prise en compte de ces conditions de surface constituent actuellement un enjeu important pour la modélisation à base physique des processus hydrologiques ou pour le couplage surface-atmosphère. Dans ce cadre et depuis plusieurs années, plusieurs études scientifiques ont montré le potentiel des données micro-ondes actives dans l’estimation de l’état hydrique du sol et de sa rugosité de surface.Les nouveaux systèmes radar (SAR ʺSynthetic Aperture Radarʺ) ont permis d’ouvrir de nouvelles perspectives pour l’observation de la terre grâce à l’amélioration de la résolution spatiale (métrique sur TerraSAR-X et COSMO-SkyMed) et temporelle (TerraSAR-X, COSMO-SkyMed, Sentinel-1). La disponibilité depuis peu des nouveaux capteurs radar bande C Sentinel-1 (Sentinel-1A et Sentinel-1B) rend indispensable l’évaluation des données Sentinel-1 pour la caractérisation des états de surface du sol et en particulier la rugosité de surface.Le travail de thèse se structure en trois parties. La première partie consiste à évaluer les modèles de rétrodiffusion de radar les plus utilisés (IEM, Oh, Dubois and AIEM) en utilisant un large ensemble de données de SAR et des mesures expérimentales des paramètres du sol. Cette évaluation permet de trouver le modèle de rétrodiffusion le plus robuste qui simule le mieux le signal radar afin de l'utiliser par la suite dans la procédure d'inversion du signal radar pour estimer la rugosité du sol. Le deuxième axe de recherche de cette thèse consiste à proposer un modèle de rétrodiffusion radar semi-empirique pour les polarisations HH, HV et VV. Ce nouveau modèle sera construit à l'aide d'une grande base de données réelle. Ce nouveau modèle sera également utilisé dans la procédure d'inversion du signal radar pour estimer la rugosité du sol. Le dernier axe de cette thèse consiste à construire une méthode d’inversion du signal radar en utilisant les réseaux de neurones afin d’évaluer le potentiel des données Sentinel-1 pour l’estimation de la rugosité des sols en milieux agricoles. Ces réseaux de neurones seront entrainés à l'aide d'un ensemble de données synthétiques élaborées à partir des modèles de rétrodiffusion radar choisis (IEM calibré par Baghdadi et du nouveau modèle proposé) et validés en utilisant deux ensembles de données: un ensemble de données synthétiques et une base de données réelle (images Sentinel-1 et mesures in situ d’humidité et de rugosité du sol). La base de données réelle a été collectée en Tunisie (Kairouan) et en France (Versailles)<br>Spatial remote sensing is of paramount importance for mapping and monitoring environmental problems. Its interest lies in the ability of space satellite sensors in providing permanent information of the planet, at local, regional and global scales. Also, it provides spatial and repetitive territories visions and ecosystem views. Radar remote sensing has shown great potential in recent years for the characterization of soil surface conditions. The state of the soil surface, in particular moisture and roughness, has a fundamental influence on the distribution of rainfall between infiltration, surface retention and runoff. In addition, it plays an essential role in surface hydrological processes and those associated with erosion and evapotranspiration processes. Characterization and consideration of these surface conditions have been recently considered as an important issue for physically based modeling of hydrological processes or for surface-atmosphere coupling. In this context and for several years, several scientific studies have shown the potential of active microwave data for estimation of the soil moisture and the surface roughness.New SAR (Synthetic Aperture Radar) systems have opened new perspectives for earth observation through improved spatial resolution (metric on TerraSAR-X and COSMO-SkyMed) and temporal resolution (TerraSAR-X, COSMO-SkyMed, Sentinel-1) . The recent availability of new Sentinel-1 C-band radar sensors (free and open access) makes it essential to evaluate the potential of Sentinel-1 data for the characterization of soil surface conditions and in particular surface roughness.The work revolves around three parts. The first part consist of evaluation of the most used radar backscattering models (IEM, Oh, Dubois, and AIEM) using a wide dataset of SAR data and experimental soil measurements. This evaluation gives the ability to find the most robust backscattering model that simulates the radar signal with good agreement in order to use later in the inversion procedure of the radar signal for estimating the soil roughness. The second research axe of this thesis consists of proposing an empirical radar backscattering model for HH, HV and VV polarizations. This new model will be developed using a large real dataset. This new model also will be used in the inversion procedure of the radar signal for estimating the soil roughness. The last axe of this thesis consists of producing a method to invert the radar signal using neural networks. The objective is to evaluate the potential of Sentinel-1 data for estimating surface roughness. These neural networks will be trained using wide synthetic dataset produced from the radar backscattering models chosen (IEM calibrated by Baghdadi and the new proposed model) and validated using two datasets: one synthetic dataset and one real (Sentinel 1 images and in-situ measurements). The real datasets are collected from Tunisia (Kairouan) and France (Versailles)

Cette thèse cherche à étudier les relations climat/agriculture en Afrique de l'Ouest dans un contexte de croissance démographique nécessitant une augmentation des rendements agricoles futurs. Nous cherchons à caractériser dans un premier temps les changements climatiques passés et futurs dans la région, puis à passer en revue plusieurs études qui donnent une estimation de l'impact du climat futur sur les rendements agricoles de la sous-région, afin de produire des résultats robustes et de souligner les limites de ces études. La valeur médiane d'évolution des rendements futurs se situe ainsi vers -11%, et cette valeur est robuste au type de modèle agronomique employé. Il semble de plus nécessaire de travailler plus en détail sur les scénarii futurs, parfois trop limités et sur les différences entre variétés qui peuvent être importantes. Nous soulignons également l'hétérogénéité des résultats à l'échelle de la sous-région. Nous nous fondons dans un deuxième temps sur ces constatations pour réaliser une étude d'impact originale utilisant des données observées sur 35 stations météorologiques en Afrique de l'Ouest. Pour cela, nous définissons 35 scénarii possibles fondés sur cinq anomalies de pluie (de -20% à +20%) et sept de température (de +0°C à +6°C) et nous simulons les rendements pour trois variétés contrastées de mil et trois de sorgho. Les résultats montrent entre autre une évolution négative du rendement moyen principalement due à l'augmentation de température que la pluie peut seulement atténuer ou aggraver. On note également un impact plus négatif pour les variétés à cycle court et constant que pour les variétés sensibles à la photopériode. Enfin, pour une même anomalie de température, si on considère comme équiprobables les cinq scénarii de pluie, la probabilité d'avoir une forte baisse des rendements est plus importante dans le Sud de la sous-région. Les constatations sur la forte variabilité interannuelle de la pluie (et donc des rendements) et sur le climat futur incertain nous poussent donc à étudier l'intérêt pour les paysans sahéliens de prévisions climatiques saisonnières qui donnent avant le début de la saison des pluies une information sur la catégorie du cumul pluviométrique (plutôt sec, normal ou humide). Cette prévision permet ainsi de minimiser l'impact de l'aléa pluviométrique et est robuste à l'incertitude du changement climatique. Nous calculons de ce fait la valeur d'une telle information pour les cultivateurs de mil nigériens en utilisant un modèle économique représentant les stratégies des agents considérés (choix culturaux, aversion au risque...). Les résultats montrent un impact sur le revenu globalement positif, même en années sèches et avec une prévision d'une précision proche de l'existant. Ainsi, cette prévision imparfaite donne une augmentation du revenu de +6.9% sur les 18 années. Ce gain est légèrement supérieur avec une prévision parfaite (+11%) et atteint +34% si on fournit des informations supplémentaires sur le début et la fin de la saison: ces informations permettent en effet d'utiliser de nouvelles stratégies culturales. Enfin, afin d'étudier des points que l'évaluation théorique laissait en suspens nous élaborons au Sénégal des ateliers participatifs qui visent à étudier avec les acteurs locaux les changements de stratégies culturales en réaction à des prévisions climatiques (saisonnières et décadaires), ainsi que le gain engendré par ces prévisions sur les rendements. L'impact sur les rendements est évalué avec l'aide d'un expert et montre que les prévisions ont certes un effet nul dans 62% des cas, mais qu'il est positif dans 31%. Ces résultats dépendent cependant des villages étudiés.

This thesis explores the suitability of the multi-layer perceptron (MLP) neural network for prediction of corn and soybean yield and for classification of nitrogen corn stressed vegetation. The results show while using a combination of vegetation and texture indices, and topographic data, we can successfully predict corn yield with MLP. The regression coefficient between observed and predicted yield for corn and soybean were respectively 92% and 43% for the middle season image only. This research also indicates that the information from an image is more important when it is acquired during the period of maximum crop biological activity. Thus, MLP developed on the middle season predicts the corn and soybean yield with respective R[superscript 2] of 89% and 40%. The degree of relationship between the inputs and the outputs and the quality of the data are very important, because they determine the capabilities of the MLP. When the generalization capabilities of the MLP models were tested on a non-corrected crop yield dataset, the results drop to 45% and 36% for corn and soybean respectively. The MLP demonstrated also its capability to discriminate corn nitrogen status during the growing season. MLP models based on image spectral and textural indices reach a Kappa coefficient of 72% for middle season image and 81% for the combined multidate images. Image texture features also provide useful complementary information for the discrimination of different nitrogen stress levels. The best MLP for predicting corn nitrogen status was the one that integrates image features and topographic parameters. It outperforms the first one with an accuracy of 90% for middle season image and 95% for all two images. Evidence that topographic data are a critical discriminatory information source is both obvious and strong. In consequence, crop physiological status monitoring systems require taking into account the combined effects of soil background and canopy architecture. This thesis have highlighted that MLP has a strong potential for detecting corn nitrogen stressed vegetation and that they would help farmers to better manage crop status during the growing season, when there is still time to respond to problems. The other contributions of this study are the development of crop yield data correction and filtering algorithm and the identification of discriminant analysis as the best method for the MLP inputs selection"--Résumé abrégé par UMI.