Méthodes de spatialisation des modèles de culture et métriques d'évaluation des performances des modèles de culture spatialisés dans un contexte d'agriculture de précision

Spatialization methods of crop models and metrics for evaluating spatialized crop model performances in a precision agriculture context

• Auteur / Autrice : Daniel Pasquel
• Direction : James Taylor, Sébastien Roux, Bruno Tisseyre
• Type : Thèse de doctorat
• Discipline(s) : Sciences Agronomiques
• Date : Soutenance le 05/10/2023
• Etablissement(s) : Montpellier, SupAgro
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : ITAP Information et Technologie pour les Agro-Procédés INRAE SupAgro Montpellier
• Jury : Président / Présidente : André Chanzy
• Jury : Examinateurs / Examinatrices : James Taylor, André Chanzy, Raffaele Casa, Taru Palosuo, Alessia Perego, Julie Constantin
• Jury : Rapporteurs / Rapporteuses : André Chanzy, Raffaele Casa

Mots clés

Mots clés libres

Réduction d'échelle

Motif spatial

Calibration spatiale

Métrique d'évaluation

Downscaling

Spatial pattern

Spatial calibration

Evaluation metric

Résumé

Les modèles de culture jouent un rôle clé dans la simplification et la compréhension des systèmes agronomiques complexes. Cependant, tous les utilisateurs ne sont pas intéressés par la modélisation de variables agronomiques à la même échelle spatiale. Changer l'échelle spatiale à laquelle ces variables sont modélisées est donc un processus nécessaire pour répondre aux attentes environnementales et sociétales. La spatialisation permet d'appliquer un modèle de culture à une échelle spatiale différente de son empreinte spatiale native. Plus précisément, les processus de spatialisation par réduction d'échelle sont identifiés comme une opportunité d'utiliser les modèles de culture existants, initialement conçus à l'échelle de la parcelle, à des échelles de modélisation plus fines (échelle intra-parcellaire) sans modifier la structure interne du modèle. Cela permettra une utilisation plus tactique des modèles de culture pour la gestion, par rapport à leur utilisation actuelle, principalement stratégique. Une attention particulière a été portée aux modèles de culture mécanistes, car ils permettent de mieux comprendre les processus biologiques, physiologiques et physiques associés aux variables agronomiques modélisées. Cependant, ces équations biophysiques des processus des cultures sont généralement conçues à l'échelle de la parcelle, et l'impact d'un changement de résolution spatiale est encore mal connu sur les prédictions des modèles de culture mécanistes. Ce projet de thèse est basé sur l'hypothèse que les modèles de culture existants sont efficients et bien reconnus par la communauté agronomique. Ainsi, les utiliser à des échelles spatiales plus fines, en repensant leur utilisation, permettrait d'employer ces modèles en agriculture de précision sans avoir à recourir à de « vrais » modèles spatiaux de culture, plus compliqués à concevoir. Cela a conduit à la question générale de recherche : la spatialisation des modèles de culture existants, en utilisant des processus de descente d'échelle, est-elle envisageable et pertinente pour leur utilisation à des échelles intra-parcellaires ? Cependant, l'évaluation des performances de ces modèles de culture spatialisés à différentes échelles a dû être repensée pour prendre en compte les erreurs de modèle aspatiales et spatiales. Ces constats ont conduit aux questions scientifiques spécifiques suivantes : comment effectuer une évaluation et une comparaison pertinentes des performances des modèles de culture spatialisés à différentes échelles spatiales ? Et, est-ce que la calibration spatiale des paramètres du modèle de culture sélectionné est une méthode efficace de réduction d'échelle des modèles de culture existants pour permettre la modélisation à l'échelle intra-parcellaire ? L'évaluation des performances des modèles de culture spatialisés à différentes échelles spatiales devrait être possible avec la bonne métrique. Cependant, les métriques actuellement utilisées ne sont pas les plus pertinentes pour évaluer les performances de tels modèles. Une nouvelle métrique a donc été proposée : Spatial Balanced Accuracy (SBA). Le SBA permet une évaluation pertinente des modèles de culture spatialisés, en tenant compte de l'erreur aspatiale et spatiale de la (ou des) variable(s) considérée(s). Une approche de calibration spatiale a également été mise en œuvre pour réduire l'échelle spatiale de deux modèles de culture, un modèle simple et un complexe, à l'échelle intra-parcellaire. Cette méthode s'est avérée efficace, pour les deux types de modèles, lorsque la variable modélisée était fortement structurée spatialement et que des données auxiliaires corrélées à cette variable étaient disponibles. L'intention n'était pas de tirer des conclusions générales sur la spatialisation des modèles de culture, mais de formaliser ce concept dans un contexte d'agriculture de précision et de construire une base pour de futures recherches sur l'utilisation tactique de ces modèles à l'échelle intra-parcellaire.

Crop models play a key role in simplifying and understanding complex agronomic systems. However, not all practitioners are interested in modeling agronomic variables at the same spatial scale. Changing the spatial scale at which such variables are modeled is therefore a necessary process to meet environmental and societal expectations. Spatialization enables a crop model to be applied at a different spatial scale from its native spatial footprint. More specifically, downscaling spatialization processes are identified as an opportunity to use existing crop models, initially designed at field scale use, at finer modeling scales (within-field scale) without modifying the internal structure of the model. This will permit a more tactical use of crop models for management, compared to their current, mainly strategic use. Particular attention was paid to mechanistic crop models, as they provide a better understanding of the biological, physiological and physical processes associated with the agronomic variables modeled. However, these biophysical crop process equations are generally designed at the field scale, and it is still unclear how a change of spatial resolution will particularly affect mechanistic crop models. This PhD project is based on the assumption that existing crop models are efficient and well recognized by the agronomic community. Thus, using them at finer spatial scales, by rethinking their use, would make it possible to employ these models into precision agriculture without having to use ‘true' spatial crop models, which are more complicated to design. This led to the general research issue: is the spatialization of existing crop models, by using downscaling processes, conceivable and relevant for their use at within-field scales? However, the evaluation of the performance of these spatialized crop models at different scales needed to be rethought to take into account both aspatial and spatial pattern errors. These statements have led to the following specific scientific questions: how to perform a relevant evaluation and comparison of spatialized crop model performances across different spatial scales? And, is the spatial calibration of selected crop model parameters an effective method of downscaling existing crop models to permit modeling at within-field scales? Evaluation of the spatialized crop model performances at different spatial scales should be possible with the right metric. However, the metrics currently used are not the most relevant for assessing the performance of such models. A new metric has therefore been proposed: Spatial Balanced Accuracy (SBA). The SBA enables a relevant evaluation of spatialized crop models, taking into account the aspatial and the spatial pattern-based error of the considered variable(s). A spatial calibration approach was also implemented to downscale the spatial scale of two crop models, a simple and a complex model, to the within-field scale. This method proved successful, for both model types, when the modeled variable was strongly spatially structured and when ancillary data correlated with this variable were available. The intention was not to draw general conclusions on the spatialization of crop models, but to formalize this concept in a precision agriculture context and to build a basis for future research on the tactical use of these models at the within-field scale.