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.
Matériels et méthodes
1. Site d’étude
L’étude est menée dans la plaine du Saïs (Maroc), caractérisée par un climat méditerranéen semi-aride et une forte variabilité interannuelle. Les sols sont principalement de type vertisol, fersiallitique et calcimagnésique, et la région constitue une zone céréalière majeure.
2. Données
Les données utilisées combinent trois sources principales. Les images satellitaires Sentinel-2 (10–20 m) et les produits MODIS (500 m, 8 jours) sont exploités pour générer des séries temporelles d’indices de végétation (NDVI, EVI, SAVI, NDWI, red-edge, SWIR) après correction atmosphérique et masquage des nuages. Les données climatiques quotidiennes (température, précipitations, rayonnement, ET0) ainsi que les propriétés des sols (texture, profondeur, capacité hydrique, MO, pH) sont utilisées pour le paramétrage des modèles. Enfin, les données agronomiques (calendriers culturaux, variétés, LAI, biomasse et rendement mesurés) servent de référence pour calibration et validation.
3. Méthodes
L’approche repose sur trois méthodes complémentaires. La télédétection consiste à établir des relations statistiques entre les indices de végétation et les variables agronomiques (LAI, biomasse, rendement). Le modèle APSIM simule la croissance du blé à partir des données climatiques, pédologiques et de gestion culturale, et ses sorties sont évaluées via des indicateurs de performance (R², RMSE, MAE, NSE). Enfin, deux modèles d’apprentissage automatique (Random Forest et Gradient Boosting) sont entraînés sur des variables satellitaires, climatiques et édaphiques, avec validation croisée pour sélectionner le modèle le plus performant et analyser l’importance des variables.
4. Comparaison des approches
Les performances des trois approches (télédétection, APSIM et machine learning) sont comparées à l’aide de métriques statistiques (R², RMSE, MSE) ainsi que selon leur cohérence agronomique et leur stabilité spatiale et temporelle afin d’identifier la méthode la plus fiable pour la prédiction des variables du blé dans la plaine du Saïs.
Résultats et discussion
Les résultats obtenus montrent des différences notables entre les approches de télédétection, de machine learning et de modélisation APSIM pour l’estimation de l’indice de surface foliaire (LAI), de la biomasse et du rendement du blé dans les trois parcelles étudiées. Concernant le LAI, les estimations issues de la télédétection et du modèle de Forêt Aléatoire présentent des valeurs proches, mais tendent à sous-estimer les observations de terrain dans les fermes 1 et 3 (Tableau 1). Cette sous-estimation peut être liée aux limites des indices de végétation utilisés, notamment leur saturation lorsque le couvert végétal devient dense. À l’inverse, le modèle APSIM non calibré fournit des estimations relativement proches des mesures réelles dans ces deux fermes, mais surestime fortement le LAI dans la ferme 2. Cette variabilité met en évidence la sensibilité du modèle aux conditions locales de culture et confirme les résultats de la littérature montrant que la performance d’APSIM dépend fortement de la qualité de sa calibration et de la représentation des conditions agroécologiques locales (Saddique et al., 2016 ; Ibnmrhar et al., 2024).
Pour la biomasse, APSIM présente une tendance à la surestimation dans les fermes 1 et 2, tandis que la télédétection fournit des estimations plus élevées dans la ferme 3 (Tableau 2). Ces écarts suggèrent que les différences de conditions agroécologiques et de pratiques culturales entre les parcelles influencent fortement les performances des modèles. Les résultats indiquent également qu’APSIM reproduit correctement les tendances générales de croissance, mais que son utilisation sans calibration limite sa précision quantitative. Ces observations sont cohérentes avec des études antérieures montrant que l’intégration de données de télédétection permet d’améliorer la calibration et la performance des modèles mécanistes de culture, notamment dans le cas du modèle APSIM-Wheat (Kirui et al., 2022).
Concernant le rendement, les deux approches montrent une sous-estimation systématique par rapport aux mesures réelles, particulièrement marquée dans les fermes 1 et 3 (Tableau 3). Cela suggère que les relations utilisées entre biomasse et rendement ainsi que les paramètres du modèle ne capturent pas pleinement la variabilité des conditions de croissance. Les performances globalement meilleures des approches de machine learning sont cohérentes avec les résultats rapportés par Mamassi et al. (2024), qui montrent que les modèles empiriques tels que Random Forest offrent une bonne capacité prédictive du rendement du blé en zones pluviales marocaines, tandis que les modèles mécanistes offrent une meilleure interprétation des processus mais nécessitent une calibration plus détaillée et des données plus complètes pour atteindre des performances comparables.
Globalement, les performances de la Forêt Aléatoire confirment l’intérêt des approches basées sur la machine learning pour l’estimation des variables agronomiques à partir des données de télédétection. De leur côté, les simulations APSIM démontrent le potentiel des modèles mécanistes pour représenter les processus de croissance des cultures, tout en mettant en évidence la nécessité d’une calibration locale pour améliorer leur capacité prédictive. Ces résultats soulignent ainsi la complémentarité entre les approches empiriques et mécanistes et suggèrent qu’une intégration de la télédétection, de la machine learning et de la modélisation agronomique pourrait constituer une voie prometteuse pour renforcer la précision du suivi et de la prévision des performances du blé dans les conditions de la plaine du Saïs.
Références bibliographiques
Bregaglio, S., et al. (2014). New multi-model approach gives good estimations of wheat yield under semi-arid climate in Morocco. Agronomy for Sustainable Development, 35. https://doi.org/10.1007/s13593-014-0225-6
Fofack, R., Billaud, J.-P., Kuper, M., & Petit, O. (2018). Analyse du basculement des modes d’extraction des eaux souterraines dans le Saïss (Maroc). Développement durable et territoires, 9(2). https://doi.org/10.4000/developpementdurable.12197
Louis, J., Debaecker, V., Pflug, B., Main-Knorn, M., Bieniarz, J., Mueller-Wilm, U., Cadau, E., & Gascon, F. (2016). Sentinel-2 Sen2Cor: L2A processor for users. ESA Living Planet Symposium, Prague.
Myneni, R. B., et al. (2002). Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 83(1–2), 214–231.
Touhtouh, D., Moujahid, Y., Faleh, E. M. E., & Halimi, R. E. (2015). Caractérisations physico-chimiques de trois types de sols du Sais (Mémoire).
Mamassi, A., Lang, M., Tychon, B., Lahlou, M., Wellens, J., El Gharous, M., & Marrou, H. (2024). A comparison of empirical and mechanistic models for wheat yield prediction at field level in Moroccan rainfed areas. In Silico Plants, 6, 1–16. https://doi.org/10.1093/insilicoplants/diad020
Ibnmrhar, M., Bouabdli, A., Baghdad, B., & Moussadek, R. (2024). Calibration and validation of APSIM-Wheat model in Mediterranean areas. Journal of Phytology, 16, 147–155. https://doi.org/10.25081/jp.2024.v16.8810
Kirui, B. K., Makokha, G. O., & Kuria, B. T. (2022). Calibration and parameterization of APSIM-Wheat using Earth observation data for wheat simulation in Kenya. Journal of Agricultural Informatics, 13(1), 9–18. https://doi.org/10.17700/jai.2022.13.1.629
Saddique, Q., Cai, H., Ishaque, W., et al. (2016). Calibration and validation of APSIM-Wheat and CERES-Wheat for spring wheat under rainfed conditions. Computers and Electronics in Agriculture, 123, 384–401. https://doi.org/10.1016/j.compag.2016.03.015
