An integrated, probabilistic model for improved seasonal forecasting of agricultural crop yield under environmental uncertainty.

Newlands, N.K., Zamar, D.S., Kouadio, L., Zhang, Y., Chipanshi, A.C., Potgieter, A., Toure, S., et Hill, H.S. (2014). « An integrated, probabilistic model for improved seasonal forecasting of agricultural crop yield under environmental uncertainty. », Frontiers in Environmental Science, 2(17). doi : 10.3389/fenvs.2014.00017  Accès au texte intégral (en anglais seulement)

Résumé

Nous présentons une nouvelle méthode de prévision permettant de prédire le rendement des cultures à l’échelle d’une saison et d’une région en intégrant diverses variables agroclimatiques et divers indices obtenus par télédétection. La méthode fait appel à un modèle statistique multivarié pour calculer le biais et l’incertitude associés au rendement prévu à l’échelle de chaque région du Recensement de l’agriculture (région RA) pour l’ensemble des Prairies canadiennes. Un procédé robuste de sélection des variables permet de choisir celles qui constituent les meilleurs prédicteurs du rendement dans le cas de chaque sous-unité géographique. Une simulation de Monte Carlo par chaînes de Markov (simulation MCMC), intégrée à des techniques d’apprentissage automatique par forêts d’arbres décisionnels, permet ensuite d’obtenir des prévisions séquentielles pour toute la saison de culture. Nous avons validé le modèle au moyen de prévisions a posteriori et par comparaison avec les données historiques disponibles (1987-2011) sur le blé de printemps (Triticum aestivum L.). Nous avons également validé le modèle pour la saison de culture 2012 en comparant les prévisions obtenues aux données de recensement disponibles, à l’échelle de chaque région RA, de chaque province et de l’ensemble des Prairies canadiennes. Les prévisions obtenues pour le rendement du blé présentaient des pourcentages moyens d’écart correspondant à une sous-estimation de 1 à 4 % à la mi-saison et à une surestimation de 1 % en fin de saison. Cette méthode intégrée se révèle à la fois cohérente et généralisable pour la prévision séquentielle du rendement des diverses cultures à l’échelle régionale. Elle est robuste sur le plan statistique, mais elle demeure souple, car elle peut être rajustée de manière concurrente en fonction de l’abondance ou de la rareté des données, et elle permet la sélection de différents prédicteurs du rendement selon le degré d’incertitude environnementale; de plus, les prévisions peuvent être mises à jour de manière séquentielle de manière à prendre en compte les nouvelles données à mesure qu’elles sont disponibles. Cette méthode intégrée peut aussi fournir un soutien statistique d’appoint lorsqu’il faut évaluer l’exactitude et la fiabilité, dans le temps et dans l’espace, des prévisions de rendement obtenues par modélisation.

Date de modification :