Les cultures à haute valeur ajoutée comme la pomme de terre (Solanum tuberosum L.), sont de bons candidats pour l'adoption de l'agriculture de précision en raison des coûts de production particulièrement élevés. Les quantités de fertilisants requises alimentent le défi permanent de la recherche de l’optimisation de fertilisation spécifique à chaque agroécosystème. La modélisation fournit une trousse d’outils pour l’aide à la décision. En ce qui concerne la fertilisation, le rendement est habituellement relié à des doses variables d’un fertilisant à l'aide de fonctions simples(quadratique, linéaire ou linéaire-quadratique,Mitscherlich ou autres). Même si ces fonctions ne devraient être utilisées que pour décrire le comportement des données expérimentales, elles ont été largement utilisées pour prédire les doses optimales de fertilisants. Ce projet de recherche a proposé un modèle de recommandation des doses optimales d’azote (N), de phosphore (P) et de potassium (K)pour la culture de pomme de terre en exploitant les techniques d’autoapprentissage. Dans une première partie, il a d’abord été question de regrouper les cultivars sur la base de la composition chimique de la feuille diagnostique en utilisant une classification non supervisée. Ce regroupement a permis de montrer que les cultivars étudiés sont associés à une composition ionomique spécifique. Ensuite, dans une perspective de prédiction de catégories de rendement en fonction de la composition foliaire, les algorithmes des k plus proches voisins (KNN), des forêts aléatoires (RF) et des machines à vecteurs de supports(SVM) ont montré un potentiel de diagnostic acceptable, avec une précision de 70 %,pour détecter un déséquilibre nutritionnel en cours de saison. Enfin, le vecteur de perturbation de l’espace de composition d’Aitchison pourrait être un bon indicateur pour détecter la présence et l’ampleur d’un déséquilibre nutritionnel en cours de saison. Dans la deuxième partie, les modèles d’autoapprentissage utilisant les algorithmes des KNN,des RF, des réseaux neuronaux (NN) et des processus gaussiens (PG), ont prédit le rendement et le poids spécifique en fonction des conditions expérimentales de façon pratiquement similaire avec des coefficients de détermination (R²) supérieurs à celui du modèle de Mitscherlich. Les R² étaient de 0,52 pour les KNN, de 0,59 pour les RF, de 0,49 pour les NN, de 0,58 pour les PG et de 0,37 pour le modèle de Mitscherlich. Les R² des modèles de prédiction de la balance des tubercules de taille moyenne (R² = 0,60 –0,69) et du poids spécifique (R² = 0,58 – 0,67) étaient plus élevés comparés aux R² de la balance des tubercules de grande taille (R² = 0,55 – 0,64) et du rendement vendable. Des dissemblances importantes sont apparues entre les modèles dans le rendu des courbes de réponse et la prédiction des doses agroéconomiques optimales de N, P et K. C'est prédictions étaient spécifiques au site. Les processus gaussiens étaient plus appropriés en raison de leur capacité d’élaborer des surfaces de réponse lisses et des recommandations probabilistes. / High-value crops, like potato (Solanum tuberosumL.), are good candidates for the adoption of Precision Agriculture because of the high cost of inputs.The large amount of potato fertilizers requirement makes it economically and environmentally important for producers to determinate site-specific fertilizers dosages. Crop performance responses to fertilizer inputs have yet been modeled using simple functions like quadratic, linear-plateau or Mitscherlich. Even though they should only be used to describe experimental data, such models are used to predict optimal fertilizer doses considering the cost of the fertilizer and crop sales. As large amounts of data are being assembled in repeated observational data sets, machine learning models can become useful to predict and detect patterns in data without hardly presuming how a response curve should behave.This project generated models recommending optimal economic doses of nitrogen (N), phosphorus (P) and potassium (K) for potato crops using machine learning techniques. We assessed the validity of cultivar grouping as new predictive feature, and predicted potato tuber yields using foliar ionomes. A density-based clustering algorithm (dbscan) failed to delineate groups of high-yield cultivars linked to specific cultivar ionomic composition. Algorithms of k-nearest neighbors (KNN), random forests (RF) and support vector machines (SVM) showed a fair diagnostic potential to detect in-season nutritional imbalance, with practically similar accuracy of 70%. The perturbation vector of Aitchison compositional space appeared a good indicator indetecting the presence and magnitude of a nutritional imbalance. Moreover, machine-learning models using KNN, RF, neural networks (NN) and Gaussian processes (GP) algorithms returned almost similar coefficients of determination (R²) superior to that of the Mitscherlich model. The R² values were 0.52, 0.59, 0.49 and 0.58 respectively for the KNN, RF, ANN,and GP, and 0.37 with the Mitscherlich model to predict marketable yield.The models were somewhat more efficient to predict medium-size tubers (R²= 0.60–0.69) and tuber specific gravity (R²= 0.58–0.67) than large-size tubers (R²= 0.55–0.64) and marketable yield. Disagreements appeared between models in site-specific response curves and optimal economic or agronomic N, P, and K doses prediction. However, GP models stood up as the most promising algorithm due to its built-in ability to develop smooth response surfaces and recommendations within a probabilistic risk-assessment framework.

Thèse ou mémoire avec insertion d'articles. / Le compactage des sols agricoles affecte négativement les performances des cultures et devrait être évité grâce à des stratégies de gestion des sols appropriées. Les recherches antérieures montrent un manque d'études complètes sur l'impact des différents niveaux de compactage du sol sur les propriétés hydrodynamiques. Cette étude s'est concentrée sur l'effet du compactage sur les propriétés hydrodynamiques du sol dans des conditions non saturées et saturées en utilisant le système Hydraulic Property Analyzer (HYPROP). Nous avons étudié l'impact de cinq niveaux de compactage sur des échantillons de sol de sable limoneux prélevés dans un champ de pommes de terre dans les régions agricoles du nord du Québec, au Canada, en utilisant quatre répétitions par niveau. Tout d'abord, la conductivité hydraulique saturée de chaque échantillon a été mesurée en utilisant la méthode de la charge constante. Les données relatives à la courbe de rétention d'eau du sol (CRS) et à la conductivité hydraulique non saturée ont été obtenues à l'aide de l'appareil de mesure de l'évaporation HYPROP et d'un potentiomètre à point de rosée WP4C. Seize modèles hydrauliques de sol du logiciel HYPROP-Fit ont été simulés. Nos résultats soutiennent l'application de la variante Peters-Durner-Iden (PDI) du modèle bimodal sans contrainte de van Genuchten (VGm-b-PDI) pour l'estimation complète du CES sur la base de la métrique de l'erreur quadratique moyenne (EQM). Le modèle VGm-b-PDI a été implémenté dans le logiciel HYDRUS-1D pour calculer la quantité d'irrigation pour différents niveaux de compactage et fournir des estimations plus précises des propriétés hydrauliques du sol. Nous avons simulé des scénarios de compactage et d'irrigation du sol avec le modèle de double porosité et les résultats ont indiqué que le compactage du sol peut fortement influencer les propriétés hydrauliques du sol de différentes manières. La conductivité saturée et non saturée diminue avec l'augmentation du compactage du sol. À un niveau modéré de compactage, la quantité d'irrigation pour la culture de pommes de terre était optimale. Dans l'ensemble, la méthodologie combinée d'HYPROP et d'HYDRUS 1D a donné d'excellents résultats en termes de comportement hydraulique des sols compactés. / Agricultural soil compaction adversely affects crop performance and should be avoided through appropriate soil management strategies. Previous research shows a lack of comprehensive studies on the impact of different levels of soil compaction on hydrodynamic properties. This study focused on the effect of compaction on soil hydrodynamic properties under unsaturated and saturated conditions using the Hydraulic Property Analyzer (HYPROP) system. We studied the impact of five compaction levels on silty sand soil samples taken from a potato field in the northern agricultural regions of Quebec, Canada, using four replicates per level. First, the saturated hydraulic conductivity of each sample was measured using the constant-load method. Soil water retention curve (SWRC) and unsaturated hydraulic conductivity data were obtained using the HYPROP evaporation measurement device and a WP4C dew point potentiometer. Sixteen hydraulic soil models in the HYPROP-Fit software were simulated. Our results support the application of the Peters-Durner-Iden (PDI) variant of van Genuchten's bimodal unconstrained model (VGm-b-PDI) for full SWRC estimation based on the root mean square error (RMSE) metric. The VGm-b-PDI model was implemented in HYDRUS-1D software to calculate the amount of irrigation for different compaction levels and provide more accurate estimates of soil hydraulic properties. We simulated soil compaction and irrigation scenarios with the dual-porosity model and the results indicated that soil compaction can strongly influence soil hydraulic properties in different ways. Saturated and unsaturated conductivity decreases with increasing soil compaction. At a moderate level of compaction, the amount of irrigation for potato cultivation was optimal. Overall, the combined methodology of HYPROP and HYDRUS 1D gave excellent results in terms of the hydraulic behavior of compacted soils.

Les mauvaises herbes sont souvent distribuées en îlots dans les champs agricoles. Cette disposition est propice au désherbage localisé. Cependant, cette pratique agricole est peu adoptée par les producteurs agricoles et plusieurs défis restent à relever pour sa mise en pratique fiable et économique. Cette thèse tente de répondre à trois questions fondamentales qui ont peu été étudiées, et qui sont nécessaires pour l'élaboration de plusieurs stratégies de mise en pratique du désherbage localisé. Les données utilisées sont des photos numériques de la couverture par les mauvaises herbes acquises sur la totalité de la surface de 19 parcelles de 1 ha en maïs grain. Le premier objectif était de vérifier si des capteurs optiques pouvait être utilisés dans les entre-rangs pour déterminer les besoins en herbicide sur le rang de maïs adjacent. Les résultats de ce chapitre ont démontré qu'en moyenne il n'y avait pas de différence entre la couverture par les mauvaises herbes du rang et de l'entre-rang dans 61 % des champs visités, mais qu'en comparant les zones adjacentes une à une, une erreur d'inférence de plus de 27 % s'en suivait. La deuxième partie consistait à vérifier le lien existant entre la structure spatiale d'un couvert multi-espèces et les types de mauvaises herbes présents. Les résultats de cette partie ont démontré que la structure spatiale d'un couvert multi-espèces n'est pas liée à la dominance d'un type de mauvaises herbes en particulier, que les monocotylédones et les dicotylédones sont associées de façon aléatoire et que le fait de distinguer les types de mauvaises herbes permet de détecter une structure en îlots dans 32 % des cas comparativement à 21 % dans les cas sans distinction des types de mauvaises herbes. Finalement, une technique a été développée permettant d'identifier les champs ayant un meilleur potentiel pour le désherbage localisé par un échantillonnage systématique sommaire. Les résultats de ce chapitre ont permis d'élaborer une technique utilisant la ségrégation spatiale et le niveau d'infestation pour déterminer le potentiel d'un champ pour le désherbage localisé. Nos estimés suggèrent que cette technique pourrait prendre moins de 6 minutes par hectare à l'aide d'un véhicule tout terrain.