Modélisation des rendements de la pomme de terre par réseau de neurones

Abstract

Parmi les éléments nutritifs influençant la croissance de la pomme de terre, l'azote est considéré comme étant le plus limitant. Le coefficient de recouvrement azoté des engrais minéraux appliqués à la pomme de terre est d'environ 45% en raison des sols sableux sur lesquels on la cultive et de son système racinaire peu développé. Pour cette raison, le fractionnement spatio-temporel des applications azotées se révèle nécessaire afin d'optimiser les rendements et de minimiser les pertes d'azote dans le sol, l'air et l'eau. L'objectif principal de cette thèse est le développement d'un modèle de simulation et de prédiction des rendements de pommes de terre à l'échelle intra-champ. Pour ce faire, un premier sous-objectif vise à développer un modèle par réseau de neurones permettant d'estimer la radiation solaire incidente, donnée importante pour les modèles de croissance mais faisant souvent défaut dans les bases de données météorologiques. Nos résultats concernant ce premier sous-objectif montrent qu'un réseau de neurones utilisant la radiation solaire extraterrestre, les écarts diurnes de température et le jour de l'année performe mieux que deux modèles empiriques classiques. Le deuxième sous-objectif consiste à développer un modèle de croissance et de prédiction des rendements à l'échelle intra-champ par réseau de neurones et de comparer celui-ci à une régression linéaire multiple et au modèle SUBSTOR. Cette comparaison s'est faite tant au niveau de la simulation des rendements, utilisant des données couvrant toute la saison de croissance, qu'au niveau de la prédiction des rendements considérant des horizons temporels de 9, 10 et 11 semaines. Ces horizons de temps correspondaient plus ou moins au stade de floraison, durant lequel une seconde application de N est généralement appliquée sous nos conditions. Les résultats démontrent qu'un modèle par réseau de neurones utilisant des fonctions du LAI et la pluviométrie cumulative permettrait de simuler et de prédire les rendements en tubercules de façon plus précise que SUBSTOR et un modèle de régression linéaire multiple. Cela suggère que la période critique influençant les rendements de pomme de terre se situerait entre 5 et 8 semaines après la plantation et que la croissance subséquente des tubercules serait essentiellement contrôlée par le transfert de biomasse vers les tubercules. Cette période critique varie selon les cultivars, étant d'environ 5 semaines pour 11 les cultivars hâtifs et d'environ 8 semaines pour les cultivars tardifs. Nos résultats suggèrent aussi que la mesure de LAI intégrerait plusieurs paramètres pris en compte par les modèles de croissance mécanistes classiques, comme par exemple les paramètres pédologiques et génétiques. On observe d'ailleurs une forte corrélation entre le LAI saisonnier maximal et la concentration du sol en nitrate. Ce travail de recherche devra être complété en évaluant, notamment, la capacité d'un tel modèle à tenir compte 1) des effets d'applications différentielles de N sur le rendement et 2) de la sensibilité des différentes zones d'aménagement aux pertes environnementales de N.