Prévision des prix des produits agricoles à partir de données satellitaires par apprentissage automatique

Forecasting agricultural commodity prices from satellite data satellite data using machine learning

• Auteur / Autrice : Florian Teste
• Direction : David Makowski
• Type : Projet de thèse
• Discipline(s) : Mathématiques aux interfaces
• Date : Inscription en doctorat le 01/01/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Laboratoire Mathématiques et Informatique Appliquées (Palaiseau, Essonne)
• Partenaire(s) de recherche : Equipe de recherche : SOLsTIS
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Mathématiques (2020-....)

Mots clés

Mots clés libres

Télédétection

Machine Learning

Prévision des prix

Commodités agricoles

Imagerie spatiale

Sécurité alimentaire

Remote sensing

Machine Learning

Price forecasting

Agricultural commodity

Satellite data

Food security

Résumé

Plusieurs approches basées sur des modèles statistiques, agronomiques mécanistes et économiques ont été développées et sont actuellement utilisées pour prévoir les prix des produits agricoles par les analystes de marché et les agences gouvernementales. La plupart du temps, ces approches s'appuient sur les valeurs de production des cultures régionales, soit estimées avant la récolte, soit mesurées après, ainsi que sur les estimations de la demande de produits alimentaires. Dans la pratique, cependant, il est difficile d'obtenir des données fiables sur la production agricole régionale suffisamment tôt avant la récolte pour prévoir les changements de prix, notamment en raison des multiples conditions environnementales qui influencent la production agricole régionale et des incertitudes qui y sont associées. Même après la récolte, les données de production régionale sont souvent peu fiables dans de nombreuses régions productrices clés. Il est également difficile d'estimer avec précision la demande de produits alimentaires en raison des nombreux facteurs en jeu. Les produits de données satellitaires (par exemple, dérivés de Sentinel 2 et MODIS) offrent des sources alternatives d'information intéressantes pour estimer les conditions environnementales locales à haute résolution. Comme les images satellitaires sont liées aux caractéristiques des terres et de la végétation, elles sont potentiellement utilisables pour prévoir l'évolution des prix des principaux produits agricoles à l'échelle mondiale sans qu'il soit nécessaire d'estimer la production agricole. De même, les informations satellitaires peuvent potentiellement être utiles pour estimer la demande de biens alimentaires. Ainsi, cette thèse vise à développer et à tester un cadre méthodologique pour la prévision des variations des prix des produits agricoles à l'échelle mondiale en se basant directement sur des données satellitaires à haute résolution. En cas de succès, l'approche proposée permettra de prédire les variations de prix en temps réel, en évitant l'utilisation des valeurs de production et de demande agricoles régionales, qui sont souvent indisponibles et incertaines. Notre approche sera basée sur des algorithmes d'apprentissage automatique et d'apprentissage profond capables d'identifier les caractéristiques critiques des images satellites avec de solides capacités de prédiction. Elle sera testée pour quatre espèces végétales majeures (maïs, soja, riz, blé), qui ont l'avantage de couvrir des zones de production contrastées, d'être impactées par des facteurs environnementaux et sociaux très différents, mais aussi de nourrir la majorité de la population mondiale (directement ou via l'alimentation animale).

Several approaches based on statistical, mechanistic agronomic, and economic models have been developed and are currently used to forecast agricultural commodity prices by market analysts and government agencies. Most of the time, these approaches rely on regional crop production values, either estimated before harvest or measured after, as well as on estimates of demand for food goods. In practice, however, obtaining reliable data on regional crop production early enough before harvest is difficult to predict price changes, partly because of the multiple environmental conditions that influence regional crop production and the associated uncertainties. Even after harvest, regional production data are often unreliable in many key producing regions. It is also difficult to accurately estimate the demand for food goods due to many factors involved. Satellite data products (e.g. derived from Sentinel 2 and MODIS) offer interesting alternative sources of information for estimating local environmental conditions at high resolution. As satellite images are linked to land and vegetation characteristics, they are potentially usable for forecasting changes in the prices of major agricultural commodities on a global scale without the need to estimate agricultural production. Similarly, satellite information can potentially be useful for estimating food goods' demand. Thus, this thesis aims to develop and test a methodological framework for predicting global agricultural commodity price variations based directly on high-resolution satellite data. If successful, the proposed approach will allow the prediction of price variations in real-time, avoiding the use of regional agricultural production and demand values, which are often unavailable and uncertain. Our approach will be based on machine learning and deep learning algorithms capable of identifying critical features of satellite images with solid predictive capabilities. It will be tested for four major plant species (maize, soybean, rice, wheat), which have the advantage of covering contrasting production areas, being impacted by very different environmental and social factors, but also feeding most of the world's population (either directly or via animal feed).