Les travaux de sous-solage qui améliorent le drainage interne et décompactent des horizons rendus pratiquement imperméables par la compaction profonde seraient bénéfiques aux sols de faible perméabilité. Le sous-solage profond exécuté perpendiculairement aux drains avec un bélier (bulldozer) pourrait être plus efficace pour temporairement améliorer le drainage de ces sols qu’une sous-soleuse conventionnelle attelée à un tracteur et opérée en mode parallèle aux drains. Toutefois, les aménagements réalisés pour améliorer le drainage de surface et interne de ces sols rendent complexe l’évaluation de ces pratiques en dispositif expérimental. L’objectif principal de ce projet était de comparer les forêts d’arbres décisionnelles (FAD) à la régression linéaire multiple (RLM) pour détecter les effets du sous-solage et des systèmes de drainage souterrain et de surface sur la hauteur des plants et la profondeur moyenne de la nappe durant la saison de croissance. Un essai de sous solage a été réalisé à l’automne 2014, dans une argilelimoneuse Kamouraska naturellement mal drainée, remodelée en planches arrondies et souffrant de compaction importante. L’essai comparait un témoin sans sous-solage à quatre traitements de sous-solage, soit une sous-soleuse sur bélier ou sur tracteur, opérées parallèlement ou perpendiculairement aux drains. Chaque traitement a été répété trois fois et disposé aléatoirement en autant de blocs. Au printemps 2016, 198 puits ont été creusés à 60 cm de profondeur pour enregistrer la profondeur de la nappe sous chaque traitement entre juin et juillet 2016. La photogrammétrie a été utilisée pour estimer la hauteur des plants de maïs. Les FAD et la RLM permettent de détecter les principaux facteurs affectant la hauteur des plants de maïs et la profondeur moyenne de la nappe, soit les aménagements antérieurs pour améliorer le drainage interne et le drainage de surface des sols. Les coefficients de détermination obtenus avec les FAD (R2 ≥ 0,94) étaient toutefois plus élevés que ceux obtenus avec la RLM (R2 ≥ 0,28). Aucun traitement de sous-solage n’a amélioré significativement le drainage interne ni la hauteur des plants de maïs par rapport au témoin sans sous-solage. Les FAD permettent en outre de mieux visualiser les relations non linéaires entre les variables prédites et les autres variables, notamment la position sur la planche et la distance aux drains souterrains, et finalement de déterminer les distances aux drains souterrains optimales (< 2 m) et critiques (> 4 m), la distance optimale à la raie de curage (> 8 m) et la profondeur moyenne critique de la nappe (< 0,25 m). Les FAD permettent ainsi de prédire la hauteur des plants de maïs et la profondeur moyenne de la nappe avec une plus grande précision qu’avec la RLM.

La quantité de biomasse est un solide indicateur de l'état de santé d'une plante. Elle permet de vérifier que l'environnement dans lequel évolue la plante, de même que les techniques culturales appliquées, sont favorables à son développement et à sa croissance. Pouvoir l'estimer permet, dans des grandes cultures par exemple, de faire des prévisions de récoltes. L'agriculture de précision met à contribution la télédétection pour représenter la variabilité spatiale et temporelle des caractéristiques biophysiques des cultures à l'échelle parcellaire. Le Lidar est un capteur de télédétection, à partir duquel on détermine la hauteur des arbres avec précision. La hauteur est un indicateur de la croissance des plantes que l'on peut relier à des quantités de biomasse. L'intensité du rayonnement électromagnétique émis par un capteur Lidar, réfléchi par une cible et retournée au capteur, peut être utilisée comme bande d'imagerie et servir, dans le cadre de classifications d'images, à l'identification des classes d'utilisation du sol. Notre étude propose de mettre à profit les données Lidar pour la caractérisation des grandes cultures. Il s'agit d'extraire la hauteur des cultures de maïs et de soya à partir des nuages de points Lidar, de sélectionner adéquatement, à partir d'une combinaison de bandes multispectrales et de l'intensité du Lidar, les pixels des cultures d'intérêts, et finalement de calculer des rendements. Un vol aéroporté est effectué au dessus de la zone d'étude, avec à bord un capteur Lidar et un capteur multispectral qui enregistrent simultanément les données. Dans le même temps, une campagne au sol permet de mesurer la hauteur des plantes, et leur position GPS. Un algorithme implémenté sous Fortran, permet d'estimer la hauteur des cultures, qui se trouve corrélée avec les hauteurs mesurées au sol. Une comparaison entre trois classifications, une avec l'intensité du Lidar, une seconde avec les bandes multispectrales, et une troisième avec les données multispectrales et l'intensité du Lidar, montre que la combinaison des bandes est celle qui produit les meilleurs résultats. Cette classification est utilisée pour sélectionner les pixels devant servir au calcul de rendement du maïs d'ensilage. Les rendements ainsi calculés sont comparés avec la production effective des parcelles sélectionnées. Les résultats obtenus par l'estimation des rendements de maïs d'ensilage à partir des données Lidar sont satisfaisants. / Biomass quantity is a robust indicator of plant health. It may be used to check if the environment in which the plant is being grown is proper to its development and growth. Being able to estimate biomass quantity allows making harvest forecasting on crops. Precision agriculture uses remote sensing to represent spatial and temporal variability of crops biophysical characteristics at parcel scale. Lidar is a remote sensing tool from which trees height can be determined with precision. Height is an indicator of plant's growth directly connected to biomass quantities. While a Lidar sensor is working, the intensity of the electromagnetic radiation emitted is reflected by a target and returned to the sensor. This intensity can be useful while making image classification for land use recognition. This project intends to take profit of Lidar data for high crops characterization. A first step is about extracting corn and soybean crops height from Lidar point cloud. The next step consists on using multispectral bands and Lidar intensity combination to correctly select pixels from parcels of interest. The last step finally makes yield estimate calculation on pixels selected with combined multispectral bands and Lidar intensity using crop height derived from Lidar data. An airborne platform, having on board Lidar and multispectral sensors, both recording data simultaneously, was flown over the study area. At the same time, a ground campaign was carried out, measuring plants height and GPS positions. An algorithm implemented under FORTRAN, made it possible to estimate crops height, which was found to have a good correlation with ground measured heights. Comparison between three classifications, one made with Lidar intensity only, another with multispectral data, and a last one, with combination of both Lidar and multispectral data, shows that the combination gives best results. Then this classification is used to select pixels that should be used to calculate the yield of silage corn. Results obtained on silage corn yield estimation are satisfying.