L'ET comprend l'évaporation du sol et des bassins d'eau libre tels que les lacs, les rivières et les étangs, ainsi que la transpiration des feuilles des plantes. La différence entre les précipitations et l'ET indique le bilan hydrique disponible pour les besoins de la société, y compris la production agricole et industrielle. Cependant, mesurer l’ET est un défi. Une nouvelle étude de l'Université de l'Illinois à Urbana-Champaign présente un modèle informatique qui utilise l'intelligence artificielle (IA) pour la prédiction des ET basée sur des estimations par télédétection.

"Les estimations ET au sol capturent les flux locaux d'eau transférés dans l'atmosphère mais sont limitées en échelle. En revanche, les données satellitaires fournissent des informations ET à l'échelle mondiale. Pourtant, elles sont souvent incomplètes en raison de nuages ​​ou d'un dysfonctionnement des capteurs, et le le cycle des satellites sur une zone peut prendre plusieurs jours."

"Nous avons mené cette recherche pour prédire les données manquantes et générer des données ET continues quotidiennes qui tiennent compte de la dynamique de l'utilisation des terres et du mouvement de l'air atmosphérique", a déclaré l'auteur principal Jeongho Han, doctorant au Département de génie agricole et biologique (ABE). , qui fait partie du Collège des sciences de l'agriculture, de la consommation et de l'environnement et du Grainger College of Engineering de l'Illinois.

Les chercheurs ont créé « l’algorithme de modèle d’évapotranspiration dynamique de la couverture terrestre » (DyLEMa) basé sur des modèles d’apprentissage automatique à arbre de décision. Cet algorithme est destiné à prédire les données ET spatiales et temporelles manquantes à l'aide de modèles d'apprentissage automatique saisonniers entraînés. DyLEMa a été évalué à l'échelle de l'Illinois sur une grille quotidienne de 30 x 30 mètres pendant 20 ans à l'aide de données de la NASA, de l'US Geological Survey et de la National Oceanic and Atmospheric Administration.

"DyLEMa est beaucoup plus détaillé et complexe que les autres modèles. Il fait la distinction entre différentes utilisations des terres, notamment forestières, urbaines et agricoles, et différentes cultures, telles que le maïs et le soja. Le modèle inclut les précipitations, la température, l'humidité, le rayonnement solaire, la végétation. stade et propriétés du sol."

"Cela nous permet de capturer avec précision la dynamique de surface et de prédire l'ET sur la base de plusieurs variables. Ceci est particulièrement important pour les paysages agricoles où les cultures changent rapidement", a déclaré le co-auteur Jorge Guzman, professeur assistant de recherche à l'ABE.

Les chercheurs ont testé l'exactitude du modèle en comparant ses résultats avec les données existantes. Pour la validation au fil du temps, ils ont utilisé des mesures au sol de 2009 à 2016 sur quatre sites de l'Illinois. De plus, pour tester la précision spatiale, ils ont créé des scénarios artificiels dans lesquels ils ont inséré un nuage synthétique dans une image sans nuage, puis ont appliqué leur algorithme et comparé les résultats avec les données d'origine.

Dans l'ensemble, DyLEMA a réduit l'incertitude de prévision de l'ET dans les estimations ET cumulées d'une moyenne de +30 % (surprédit) à environ -7 % (sous-estimé) par rapport aux mesures existantes, ce qui indique une précision bien plus grande.

L'étude fait partie d'un projet plus vaste sur l'érosion des sols. Maria Chu, professeure agrégée à l'ABE, est la chercheuse principale de ce projet et co-auteur du nouvel article.

"L'ET contrôle la teneur en humidité du sol et vice versa, ce qui a un impact sur les processus de surface tels que le ruissellement et l'érosion hydrique. Notre prochaine étape consiste à intégrer nos données dans un modèle hydrologique distribué pour une meilleure estimation de l'érosion du sol", a déclaré Chu.

« L'un des défis liés aux pratiques de gestion des terres est que les gens ne voient peut-être pas les avantages de mettre en œuvre des changements immédiatement. Mais avec ce modèle, nous pouvons montrer que ce que vous faites maintenant aura un impact à long terme, par exemple 10 ou 10 ans. Dans 20 ans et dans des endroits éloignés de votre ferme, c'est le pouvoir d'utiliser les données et la capacité informatique pour impliquer les communautés et éclairer les mesures politiques", a ajouté Chu.

La recherche est publiée dans la revue Computers and Electronics in Agriculture. .