Pour savoir comment effectuer et gérer un dépôt de document, consultez le « Guide abrégé – Dépôt de documents » sur le site Web de la Bibliothèque. Pour toute question, écrivez à corpus@ulaval.ca.
 

Personne :
Coulibali, Zonlehoua

En cours de chargement...
Photo de profil

Adresse électronique

Date de naissance

Projets de recherche

Structures organisationnelles

Fonction

Nom de famille

Coulibali

Prénom

Zonlehoua

Affiliation

Université Laval. Département des sols et de génie agroalimentaire

ISNI

ORCID

Identifiant Canadiana

ncf13675238

person.page.name

Résultats de recherche

Voici les éléments 1 - 1 sur 1
En cours de chargement...
Vignette d'image
PublicationAccès libre

Modèle de fertilisation NPK localisé de la pomme de terre (Solanum tuberosum L.) au Québec

2020, Coulibali, Zonlehoua, Cambouris, Athyna Nancy, Parent, Serge-Étienne

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.