Par Amal LABAIOUI(1), Imane EL AMRANI(1,2)
1 : INRA CRRA Meknès – 2 : USMBA FST Fès

Chercheure
URGRNSEQ – CRRA Meknes
L’agriculture constitue un pilier majeur de l’économie marocaine, représentant près de 14 % du PIB national et assurant plus de 40 % des emplois, notamment en milieu rural (Touhtouh et al., 2015). Ce secteur joue un rôle essentiel dans la sécurité alimentaire du pays et dans la stabilité socio-économique des populations agricoles. Toutefois, sa forte dépendance aux précipitations et aux ressources naturelles rend la production particulièrement vulnérable à la variabilité climatique, au déficit hydrique et à l’élévation progressive des températures.
La plaine du Saïs, située au nord du Maroc, figure parmi les principales zones céréalières du pays. Malgré un climat favorable à la culture du blé, cette région a connu au cours des dernières décennies plusieurs épisodes de stress hydrique et thermique ayant affecté les rendements. Les sols y sont variés, dominés par des vertisols, sols fersiallitiques et calcimagnésiques, caractérisés par une bonne capacité de rétention en eau et un potentiel agronomique élevé (Bregaglio et al., 2014). L’agriculture locale repose sur un mélange d’exploitations modernes et de petites exploitations familiales, confrontées à des défis croissants liés à l’optimisation des pratiques culturales et à l’adaptation aux changements climatiques (Fofack et al., 2018).
Dans ce contexte, l’amélioration de l’estimation et de la prédiction de la performance du blé constitue un enjeu majeur pour la gestion durable des ressources et la prise de décisions agricoles. Les approches émergentes basées sur la télédétection, les modèles agronomiques et l’apprentissage automatique offrent des outils complémentaires permettant d’accéder à des informations spatialisées, dynamiques et plus précises.
L’objectif principal de cette étude est de développer et comparer différentes méthodes d’estimation du rendement, de la biomasse et de l’indice de surface foliaire (LAI) du blé au niveau de trois parcelles dans la plaine du Saïs à travers l’intégration de données satellitaires, de modèles agronomiques et d’algorithmes de machine learning.
Continuer la lecture




