L’hétérogénéité des paysages agricoles influence la prédiction du rendement du blé : apport de la télédétection, de l’apprentissage automatique et de la validation spatiale adaptative au Maroc

Par Keltoum Khechba (post-doctorante, UMR Dynafor)

Les modèles d’apprentissage automatique (ML) basés sur les données de télédétection offrent un fort potentiel pour améliorer la prédiction des rendements céréaliers à différentes échelles géographiques. Toutefois, la complexité et l’hétérogénéité des paysages agricoles posent des limites importantes à la robustesse des prédictions à l’échelle de la parcelle. La fiabilité des modèles dépend à la fois de la capacité des données d’apprentissage à représenter cette hétérogénéité spatiale et de l’utilisation d’échantillons de validation spatialement indépendants. De plus, la variabilité spatio-temporelle des facteurs influençant le rendement affecte la pertinence des variables d’entrée, rendant difficile le développement de modèles généralisables. Dans ce contexte, ce travail analyse l’impact de l’hétérogénéité spatiale et temporelle sur la performance des modèles ML pour la prédiction du rendement du blé à l’échelle parcellaire sur une large zone d’étude au Maroc.