APPRENTISSAGE SUPERVISÉ POUR SIMULER L’EFFET DU CHANGEMENT CLIMATIQUE SUR LES RENDEMENTS AGRICOLES

Résumé. Les modèles biophysiques ont longtemps été les outils privilégiés pour quantifier
l’impact du changement climatique sur les rendements agricoles. Ces modèles décrivent
finement le fonctionnement des plantes et leurs interactions biologiques et physiques avec leur
environnement. Un des atouts des modèles biophysiques réside dans leur capacité à simuler les
rendements des cultures en fonction de variables explicatives décrivant le climat (température,
précipitation, rayonnement, en particulier), le sol (texture, profondeur, teneur en eau) et les
pratiques agricoles (fertilisation, date de semis et de récolte, type de variété). Les résultats de
leurs simulations ont été pris en compte par des organisations internationales depuis une
quarantaine d’années. Cependant, la fiabilité de leurs prédictions a été récemment remise en
cause par des études démontrant leur incapacité à anticiper des pertes de rendement majeurs.
L'apprentissage automatique supervisé constitue une alternative intéressante aux modèles
biophysiques. En plus de leur grande flexibilité, ces algorithmes sont capables de représenter
des phénomènes non-linéaires et de prendre en compte des interactions complexes entre les
variables prédictives. Ils peuvent être facilement entrainés et testés avec des bases de données
agricoles et climatiques. Plusieurs applications récentes ont montré que cette approche
permettait d’atteindre des niveaux de performance généralement aussi bons et même souvent
meilleurs que les modèles biophysiques. Dans cet exposé, nous présentons plusieurs de ces
algorithmes et montrons comment leur usage pourrait être généralisé, à l’avenir, dans le but de
simuler l’effet du changement climatique sur la production agricole.
Mots-clés. Apprentissage supervisé, Changement climatique, Production agricole, Séries
chronologiques