Development of machine learning algorithms fed by meteorological and remote sensing data to assess the available grass on pastures.

Les herbages couvrent une large partie des terres émergées. Cette large occupation des sols se voie aussi en Wallonie. Cette abondance d’herbage est le résultat d’une combinaison d’avantages qui peuvent être appelés des services écosystémiques (SE). Ces SE impliquent une floppée de parties prenantes, du politique à l’agriculteur, en passant par des acteurs industriels. En focalisant l’analyse sur l’intérêt agronomique des herbages, leur intérêt est souligné : ils constituent une source de nourriture pertinente pour les animaux d’élevage, particulièrement adaptée aux bovins qui constituent la majorité du cheptel ruminant wallon. Ces dernières années, le nombre d’exploitations agricoles a diminué à un rythme soutenu, tandis que la surface agricole n’a que peu changé. De ce fait et dû à un morcellement élevé du parcellaire agricole wallon, certaines exploitations agricoles exploitent des parcelles relativement éloignées pour l’élevage. Par conséquent, il y a un intérêt à offrir un ensemble d’outils pour faciliter la gestion, à pareille distance, du pâturage – entrant sous l’appellation d’outils d’aide à la décision (OAD). Cette thèse de doctorat vise à contribuer au développement de pareil outil et, plus spécifiquement, des informations l’alimentant.
Cette thèse couvre le développement d’un processus standardisé pour le développement de modèles d’apprentissage autormatique (machine learning - ML) utilisant des données météorologiques et issues de la télédétection, acquises par les constellations de satellites Sentinel-1 (S1) et Sentinel-2 (S2), pour prédire un proxy du disponible fourrager en pâtures : la hauteur d’herbe compressée (CSH). Ces 124 modèles de ML seront au cœur de l’OAD. Au-delà des algorithmes de ML, le processus de pré-traitement développé inclue aussi des transformations de variables. Au bout du compte, quatre modèles ont été défini comme étant les plus prometteurs pour une généralisation/un passage à plus grande échelle. L’erreur quadratique moyenne (RMSE) de ces modèles s’élève à plus ou moins 20 mm lorsque l’échelle pixellaire/sous-parcellaire est considérée. Après le développement des modèles, cette thèse se focalise sur le processus de création d’une plateforme de prédiction de la hauteur d’herbe compressée à l’échelle de la Wallonie, avec une résolution de 10 mètres. La manipulation des quantités importantes de données engendrées par ce processus a nécessité de revenir aux bases de la science et l’ingénierie des données. Afin d’estimer la fiabilité de la plateforme, une analyse rétrospective a été réalisée sur les saisons de pâturage de 2018 à 2021. La plateforme a réussi les tests concernant la recherche de prédictions anormales (moins d’un pourcent des données ont été mal prédites) et concernant la stabilité des prédictions (les coefficients de variation de la CSH par parcelle et par date variaient de 0 à 312%).
En conclusion, les modèles de ML et la plateforme associée, en l’état actuel, répondent aux critères de finesse spatiale, d’ajustement de la prédiction et de rapidité de délivrance de l’information. Par contre, ils ne répondent pas complètement au critère de régularité temporelle suite au fréquent manque d’information satellitaire. Pour résoudre ce problème, des modélisations complémentaires doivent être envisagées afin de combler les données manquantes.