Data-driven approach for addressing global agricultural issues : application to assess productivity of conservation agriculture under current and future climate
Synthèse de données pour l’analyse des enjeux agricoles mondiaux : application pour évaluer la productivité de l'agriculture de conservation dans les conditions climatiques actuelles et futures
Résumé
In this thesis, we present a machine learning (ML) pipeline that produces data-driven global maps to address the global agricultural issues, such as assessing the spatial distribution of the productivity conservation agriculture (CA) versus conventional tillage (CT) under current and future climate. Our approach covers the selection and comparison of ML algorithms, model training, tuning with cross-validation, testing, and results global projection. We demonstrate its relevance using a global dataset we conducted which comparing the crop yields of conservation agriculture (CA) and no tillage (NT) vs. conventional tillage (CT) systems with a wide range of crop species, farming practices, soil characteristics and climate conditions over crop growing season. Through this ML pipeline, various models for classification, regression and quantile regression are trained based on 12 mainstream ML algorithms. The models are used to map the crop productivity of CA and its variants vs. CT at the global scale under different farming practices and climate conditions in the past (1981-2010), current (2011-2020) and future (2051-2060) scenarios. We reveal large differences in the probability of yield gains with CA across crop types, agricultural management practices, climate zones, and geographical regions. We show that CA stands a more than 50% chance to outperform CT in dryer regions of the world, especially with proper agricultural management practices. In conclusion, CA appears as a sustainable agricultural practice if targeted at specific climatic regions and crop species.
Dans cette thèse, nous présentons un pipeline d'apprentissage machine (ML) qui produit des cartes mondiales générées par synthèse de données pour répondre aux enjeux agricoles mondiaux, tels que l'évaluation de la distribution spatiale de la productivité de l'agriculture de conservation (CA) par rapport au travail du sol conventionnel (CT) sous les climats actuels et futurs. Notre approche comporte la sélection et la comparaison d'algorithmes d'apprentissage automatique, l’entrainement du modèle, son optimisation avec validation croisée, les tests et la projection globale des résultats. Nous illustrons la démarche proposée à l'aide d'un jeu de données mondial pour comparer les rendements des systèmes d'agriculture de conservation (AC) et de non-travail du sol (NT) par rapport au travail du sol conventionnel (CT) avec un large éventail d'espèces de cultures, de pratiques agricoles, de caractéristiques du sol et de conditions climatiques pendant la saison de croissance des cultures. Grâce à ce pipeline, une série de modèles de classification, de régression et de régression quantile sont développés sur la base de 12 algorithmes ML courants. Les modèles les plus performants sont utilisés pour cartographier la productivité des cultures de l'AC et de ses variantes par rapport au CT à l'échelle mondiale pour différentes pratiques agricoles et conditions climatiques dans les scénarios passés (1981-2010), actuels (2011-2020) et futurs (2051-2060). Nous révélons de grandes différences dans la probabilité de gains de rendement avec l'AC entre les types de cultures, les pratiques de gestion agricole, les zones climatiques et les régions géographiques. Nous montrons que l'AC a plus de 50% de chances de surpasser le CT dans les régions sèches du monde, en particulier avec des pratiques de gestion agricole appropriées. En conclusion, l'AC apparaît comme une pratique agricole durable si elle est ciblée sur des régions climatiques et des espèces de cultures spécifiques.
Origine : Version validée par le jury (STAR)