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.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/66697 |
| Date | 18 April 2024 |
| Creators | Coulibali, Zonlehoua |
| Contributors | Cambouris, Athyna Nancy, Parent, Serge-Étienne |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | thèse de doctorat, COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xvii, 136 pages), application/pdf |
| Coverage | Québec (Province) |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.003 seconds