{"id":4009,"date":"2026-06-21T10:47:20","date_gmt":"2026-06-21T09:47:20","guid":{"rendered":"https:\/\/mag.inrameknes.info\/?p=4009"},"modified":"2026-06-21T11:29:25","modified_gmt":"2026-06-21T10:29:25","slug":"prediction-du-rendement-du-ble-de-la-biomasse-et-de-lindice-foliaire-par-teledetection-machine-learning-et-modele-apsim-cas-de-trois-parcelles-dans-la-plaine-du-sais-maroc","status":"publish","type":"post","link":"https:\/\/mag.inrameknes.info\/?p=4009","title":{"rendered":"Pr\u00e9diction du rendement du bl\u00e9, de la biomasse et de l\u2019indice foliaire par t\u00e9l\u00e9d\u00e9tection, machine learning et mod\u00e8le APSIM : cas de trois parcelles dans la plaine du Sa\u00efs (Maroc)"},"content":{"rendered":"\n

Par Amal LABAIOUI(1)<\/sup>,  Imane EL AMRANI(1,2)<\/sup><\/strong><\/h2>\n\n\n\n

1 : INRA CRRA Mekn\u00e8s – 2 : USMBA FST F\u00e8s<\/p>\n\n\n

\n
\"Ir
Ir Amal Labaioui,
Chercheure
URGRNSEQ – CRRA Meknes<\/figcaption><\/figure><\/div>\n\n\n

L\u2019agriculture constitue un pilier majeur de l\u2019\u00e9conomie marocaine, repr\u00e9sentant pr\u00e8s de 14 % du PIB national et assurant plus de 40 % des emplois, notamment en milieu rural (Touhtouh et al., 2015). Ce secteur joue un r\u00f4le essentiel dans la s\u00e9curit\u00e9 alimentaire du pays et dans la stabilit\u00e9 socio-\u00e9conomique des populations agricoles. Toutefois, sa forte d\u00e9pendance aux pr\u00e9cipitations et aux ressources naturelles rend la production particuli\u00e8rement vuln\u00e9rable \u00e0 la variabilit\u00e9 climatique, au d\u00e9ficit hydrique et \u00e0 l\u2019\u00e9l\u00e9vation progressive des temp\u00e9ratures.<\/p>\n\n\n\n

La plaine du Sa\u00efs, situ\u00e9e au nord du Maroc, figure parmi les principales zones c\u00e9r\u00e9ali\u00e8res du pays. Malgr\u00e9 un climat favorable \u00e0 la culture du bl\u00e9, cette r\u00e9gion a connu au cours des derni\u00e8res d\u00e9cennies plusieurs \u00e9pisodes de stress hydrique et thermique ayant affect\u00e9 les rendements. Les sols y sont vari\u00e9s, domin\u00e9s par des vertisols, sols fersiallitiques et calcimagn\u00e9siques, caract\u00e9ris\u00e9s par une bonne capacit\u00e9 de r\u00e9tention en eau et un potentiel agronomique \u00e9lev\u00e9 (Bregaglio et al., 2014). L’agriculture locale repose sur un m\u00e9lange d\u2019exploitations modernes et de petites exploitations familiales, confront\u00e9es \u00e0 des d\u00e9fis croissants li\u00e9s \u00e0 l\u2019optimisation des pratiques culturales et \u00e0 l\u2019adaptation aux changements climatiques (Fofack et al., 2018).<\/p>\n\n\n\n

Dans ce contexte, l\u2019am\u00e9lioration de l\u2019estimation et de la pr\u00e9diction de la performance du bl\u00e9 constitue un enjeu majeur pour la gestion durable des ressources et la prise de d\u00e9cisions agricoles. Les approches \u00e9mergentes bas\u00e9es sur la t\u00e9l\u00e9d\u00e9tection, les mod\u00e8les agronomiques et l\u2019apprentissage automatique offrent des outils compl\u00e9mentaires permettant d\u2019acc\u00e9der \u00e0 des informations spatialis\u00e9es, dynamiques et plus pr\u00e9cises.<\/p>\n\n\n\n

L\u2019objectif principal de cette \u00e9tude est de d\u00e9velopper et comparer diff\u00e9rentes m\u00e9thodes d\u2019estimation du rendement, de la biomasse et de l\u2019indice de surface foliaire (LAI) du bl\u00e9 au niveau de trois parcelles dans la plaine du Sa\u00efs \u00e0 travers l\u2019int\u00e9gration de donn\u00e9es satellitaires, de mod\u00e8les agronomiques et d\u2019algorithmes de machine learning.<\/p>\n\n\n\n\n\n\n\n

Mat\u00e9riels et m\u00e9thodes<\/strong><\/h2>\n\n\n\n

1. Site d\u2019\u00e9tude<\/strong><\/p>\n\n\n

\n
\"\"<\/figure><\/div>\n\n\n

L\u2019\u00e9tude est men\u00e9e dans la plaine du Sa\u00efs (Maroc), caract\u00e9ris\u00e9e par un climat m\u00e9diterran\u00e9en semi-aride et une forte variabilit\u00e9 interannuelle. Les sols sont principalement de type vertisol, fersiallitique et calcimagn\u00e9sique, et la r\u00e9gion constitue une zone c\u00e9r\u00e9ali\u00e8re majeure.<\/p>\n\n\n\n

2. Donn\u00e9es<\/strong><\/p>\n\n\n\n

Les donn\u00e9es utilis\u00e9es combinent trois sources principales. Les images satellitaires Sentinel-2 (10\u201320 m) et les produits MODIS (500 m, 8 jours) sont exploit\u00e9s pour g\u00e9n\u00e9rer des s\u00e9ries temporelles d\u2019indices de v\u00e9g\u00e9tation (NDVI, EVI, SAVI, NDWI, red-edge, SWIR) apr\u00e8s correction atmosph\u00e9rique et masquage des nuages. Les donn\u00e9es climatiques quotidiennes (temp\u00e9rature, pr\u00e9cipitations, rayonnement, ET0) ainsi que les propri\u00e9t\u00e9s des sols (texture, profondeur, capacit\u00e9 hydrique, MO, pH) sont utilis\u00e9es pour le param\u00e9trage des mod\u00e8les. Enfin, les donn\u00e9es agronomiques (calendriers culturaux, vari\u00e9t\u00e9s, LAI, biomasse et rendement mesur\u00e9s) servent de r\u00e9f\u00e9rence pour calibration et validation.<\/p>\n\n\n\n

3. M\u00e9thodes<\/strong><\/p>\n\n\n\n

L\u2019approche repose sur trois m\u00e9thodes compl\u00e9mentaires. La t\u00e9l\u00e9d\u00e9tection consiste \u00e0 \u00e9tablir des relations statistiques entre les indices de v\u00e9g\u00e9tation et les variables agronomiques (LAI, biomasse, rendement). Le mod\u00e8le APSIM simule la croissance du bl\u00e9 \u00e0 partir des donn\u00e9es climatiques, p\u00e9dologiques et de gestion culturale, et ses sorties sont \u00e9valu\u00e9es via des indicateurs de performance (R\u00b2, RMSE, MAE, NSE). Enfin, deux mod\u00e8les d\u2019apprentissage automatique (Random Forest et Gradient Boosting) sont entra\u00een\u00e9s sur des variables satellitaires, climatiques et \u00e9daphiques, avec validation crois\u00e9e pour s\u00e9lectionner le mod\u00e8le le plus performant et analyser l\u2019importance des variables.<\/p>\n\n\n\n

4. Comparaison des approches<\/strong><\/p>\n\n\n\n

Les performances des trois approches (t\u00e9l\u00e9d\u00e9tection, APSIM et machine learning) sont compar\u00e9es \u00e0 l\u2019aide de m\u00e9triques statistiques (R\u00b2, RMSE, MSE) ainsi que selon leur coh\u00e9rence agronomique et leur stabilit\u00e9 spatiale et temporelle afin d\u2019identifier la m\u00e9thode la plus fiable pour la pr\u00e9diction des variables du bl\u00e9 dans la plaine du Sa\u00efs.<\/p>\n\n\n\n

R\u00e9sultats et discussion<\/strong><\/h2>\n\n\n\n

Les r\u00e9sultats obtenus montrent des diff\u00e9rences notables entre les approches de t\u00e9l\u00e9d\u00e9tection, de machine learning et de mod\u00e9lisation APSIM pour l\u2019estimation de l\u2019indice de surface foliaire (LAI), de la biomasse et du rendement du bl\u00e9 dans les trois parcelles \u00e9tudi\u00e9es. Concernant le LAI, les estimations issues de la t\u00e9l\u00e9d\u00e9tection et du mod\u00e8le de For\u00eat Al\u00e9atoire pr\u00e9sentent des valeurs proches, mais tendent \u00e0 sous-estimer les observations de terrain dans les fermes 1 et 3 (Tableau 1). Cette sous-estimation peut \u00eatre li\u00e9e aux limites des indices de v\u00e9g\u00e9tation utilis\u00e9s, notamment leur saturation lorsque le couvert v\u00e9g\u00e9tal devient dense. \u00c0 l\u2019inverse, le mod\u00e8le APSIM non calibr\u00e9 fournit des estimations relativement proches des mesures r\u00e9elles dans ces deux fermes, mais surestime fortement le LAI dans la ferme 2. Cette variabilit\u00e9 met en \u00e9vidence la sensibilit\u00e9 du mod\u00e8le aux conditions locales de culture et confirme les r\u00e9sultats de la litt\u00e9rature montrant que la performance d\u2019APSIM d\u00e9pend fortement de la qualit\u00e9 de sa calibration et de la repr\u00e9sentation des conditions agro\u00e9cologiques locales (Saddique et al., 2016 ; Ibnmrhar et al., 2024).<\/p>\n\n\n

\n
\"\"
Tableau 1 : Comparaison entre LAI MODIS, LAI ML et LAI r\u00e9el<\/figcaption><\/figure><\/div>\n\n\n

Pour la biomasse, APSIM pr\u00e9sente une tendance \u00e0 la surestimation dans les fermes 1 et 2, tandis que la t\u00e9l\u00e9d\u00e9tection fournit des estimations plus \u00e9lev\u00e9es dans la ferme 3 (Tableau 2). Ces \u00e9carts sugg\u00e8rent que les diff\u00e9rences de conditions agro\u00e9cologiques et de pratiques culturales entre les parcelles influencent fortement les performances des mod\u00e8les. Les r\u00e9sultats indiquent \u00e9galement qu\u2019APSIM reproduit correctement les tendances g\u00e9n\u00e9rales de croissance, mais que son utilisation sans calibration limite sa pr\u00e9cision quantitative. Ces observations sont coh\u00e9rentes avec des \u00e9tudes ant\u00e9rieures montrant que l\u2019int\u00e9gration de donn\u00e9es de t\u00e9l\u00e9d\u00e9tection permet d\u2019am\u00e9liorer la calibration et la performance des mod\u00e8les m\u00e9canistes de culture, notamment dans le cas du mod\u00e8le APSIM-Wheat (Kirui et al., 2022).<\/p>\n\n\n

\n
\"\"
Tableau 2 : Biomasse estim\u00e9e par mod\u00e8le empirique<\/figcaption><\/figure><\/div>\n\n\n

Concernant le rendement, les deux approches montrent une sous-estimation syst\u00e9matique par rapport aux mesures r\u00e9elles, particuli\u00e8rement marqu\u00e9e dans les fermes 1 et 3 (Tableau 3). Cela sugg\u00e8re que les relations utilis\u00e9es entre biomasse et rendement ainsi que les param\u00e8tres du mod\u00e8le ne capturent pas pleinement la variabilit\u00e9 des conditions de croissance. Les performances globalement meilleures des approches de machine learning sont coh\u00e9rentes avec les r\u00e9sultats rapport\u00e9s par Mamassi et al. (2024), qui montrent que les mod\u00e8les empiriques tels que Random Forest offrent une bonne capacit\u00e9 pr\u00e9dictive du rendement du bl\u00e9 en zones pluviales marocaines, tandis que les mod\u00e8les m\u00e9canistes offrent une meilleure interpr\u00e9tation des processus mais n\u00e9cessitent une calibration plus d\u00e9taill\u00e9e et des donn\u00e9es plus compl\u00e8tes pour atteindre des performances comparables.<\/p>\n\n\n

\n
\"\"
Tableau 3 : Rendement estim\u00e9 \u00e0 partir de la biomasse<\/figcaption><\/figure><\/div>\n\n\n

Globalement, les performances de la For\u00eat Al\u00e9atoire confirment l\u2019int\u00e9r\u00eat des approches bas\u00e9es sur la machine learning pour l\u2019estimation des variables agronomiques \u00e0 partir des donn\u00e9es de t\u00e9l\u00e9d\u00e9tection. De leur c\u00f4t\u00e9, les simulations APSIM d\u00e9montrent le potentiel des mod\u00e8les m\u00e9canistes pour repr\u00e9senter les processus de croissance des cultures, tout en mettant en \u00e9vidence la n\u00e9cessit\u00e9 d\u2019une calibration locale pour am\u00e9liorer leur capacit\u00e9 pr\u00e9dictive. Ces r\u00e9sultats soulignent ainsi la compl\u00e9mentarit\u00e9 entre les approches empiriques et m\u00e9canistes et sugg\u00e8rent qu\u2019une int\u00e9gration de la t\u00e9l\u00e9d\u00e9tection, de la machine learning et de la mod\u00e9lisation agronomique pourrait constituer une voie prometteuse pour renforcer la pr\u00e9cision du suivi et de la pr\u00e9vision des performances du bl\u00e9 dans les conditions de la plaine du Sa\u00efs.<\/p>\n\n\n\n

R\u00e9f\u00e9rences bibliographiques<\/strong><\/h2>\n\n\n\n

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<\/em>. https:\/\/doi.org\/10.1007\/s13593-014-0225-6<\/a><\/p>\n\n\n\n

Fofack, R., Billaud, J.-P., Kuper, M., & Petit, O. (2018). Analyse du basculement des modes d\u2019extraction des eaux souterraines dans le Sa\u00efss (Maroc). D\u00e9veloppement durable et territoires, 9(2). https:\/\/doi.org\/10.4000\/developpementdurable.12197<\/a><\/p>\n\n\n\n

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.<\/p>\n\n\n\n

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\u20132), 214\u2013231.<\/p>\n\n\n\n

Touhtouh, D., Moujahid, Y., Faleh, E. M. E., & Halimi, R. E. (2015). Caract\u00e9risations physico-chimiques de trois types de sols du Sais (M\u00e9moire).<\/p>\n\n\n\n

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\u201316. https:\/\/doi.org\/10.1093\/insilicoplants\/diad020<\/p>\n\n\n\n

Ibnmrhar, M., Bouabdli, A., Baghdad, B., & Moussadek, R. (2024). Calibration and validation of APSIM-Wheat model in Mediterranean areas. Journal of Phytology, 16, 147\u2013155. https:\/\/doi.org\/10.25081\/jp.2024.v16.8810<\/p>\n\n\n\n

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\u201318. https:\/\/doi.org\/10.17700\/jai.2022.13.1.629<\/p>\n\n\n\n

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\u2013401. https:\/\/doi.org\/10.1016\/j.compag.2016.03.015<\/p>\n","protected":false},"excerpt":{"rendered":"

Par Amal LABAIOUI(1),  Imane EL AMRANI(1,2) 1 : INRA CRRA Mekn\u00e8s – 2 : USMBA FST F\u00e8s L\u2019agriculture constitue un pilier majeur de l\u2019\u00e9conomie marocaine, repr\u00e9sentant pr\u00e8s de 14 % du PIB national et assurant plus de 40 % des … Continuer la lecture →<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[65,376,378,379,97,377],"_links":{"self":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts\/4009"}],"collection":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=4009"}],"version-history":[{"count":5,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts\/4009\/revisions"}],"predecessor-version":[{"id":4062,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts\/4009\/revisions\/4062"}],"wp:attachment":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=4009"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=4009"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=4009"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}