• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> La nature
    Une nouvelle recherche prédit avec précision le rendement du blé australien des mois avant la récolte

    Crédit :CC0 Domaine public

    En tête de liste des principales cultures australiennes, le blé est cultivé sur plus de la moitié des terres cultivées du pays et est un produit d'exportation clé. Avec tant de chevauchée sur le blé, des prévisions de rendement précises sont nécessaires pour prévoir la sécurité alimentaire régionale et mondiale et les marchés des produits de base. Une nouvelle étude publiée dans Météorologie agricole et forestière montre que les méthodes d'apprentissage automatique peuvent prédire avec précision le rendement du blé pour le pays deux mois avant la maturité de la culture.

    "Nous avons testé diverses approches d'apprentissage automatique et intégré des données climatiques et satellitaires à grande échelle pour proposer une prévision fiable et précise de la production de blé pour l'ensemble de l'Australie, " dit Kaiyu Guan, professeur adjoint au Département des ressources naturelles et des sciences de l'environnement de l'Université de l'Illinois, professeur Blue Waters au National Center for Supercomputing Applications, et chercheur principal de l'étude. "L'incroyable équipe de collaborateurs internationaux contribuant à cette étude a considérablement amélioré notre capacité à prédire le rendement du blé pour l'Australie."

    Les gens ont essayé de prédire le rendement des cultures presque aussi longtemps qu'il y a eu des cultures. Avec une puissance de calcul croissante et un accès à diverses sources de données, les prévisions continuent de s'améliorer. Dans les années récentes, les scientifiques ont développé des estimations de rendement des cultures assez précises en utilisant des données climatiques, données satellitaires, ou les deux, mais Guan dit qu'il n'était pas clair si un ensemble de données était plus utile que l'autre.

    "Dans cette étude, nous utilisons une analyse complète pour identifier le pouvoir prédictif des données climatiques et satellitaires. Nous voulions savoir ce que chacun contribue, " dit-il. " Nous avons constaté que les données climatiques seules sont assez bonnes, mais les données satellitaires fournissent des informations supplémentaires et élèvent les performances de prédiction de rendement au niveau supérieur."

    En utilisant à la fois des ensembles de données climatiques et satellitaires, les chercheurs ont pu prédire le rendement du blé avec une précision d'environ 75 pour cent deux mois avant la fin de la saison de croissance.

    "Spécifiquement, nous avons constaté que les données satellitaires peuvent progressivement capturer la variabilité du rendement des cultures, qui reflète également les informations climatiques accumulées. Les informations climatiques qui ne peuvent pas être saisies par les données satellitaires constituent une contribution unique à la prévision du rendement du blé tout au long de la saison de croissance, " dit Yaping Cai, doctorant et auteur principal de l'étude.

    Le co-auteur David Lobell de l'Université de Stanford ajoute :"Nous avons également comparé le pouvoir prédictif d'une méthode statistique traditionnelle avec trois algorithmes d'apprentissage automatique, et les algorithmes d'apprentissage automatique ont surpassé la méthode traditionnelle dans tous les cas. » Lobell a lancé le projet lors d'un congé sabbatique en 2015 en Australie.

    Les chercheurs disent que les résultats peuvent être utilisés pour améliorer les prévisions concernant la récolte de blé en Australie à l'avenir, avec des effets d'entraînement potentiels sur l'économie australienne et régionale. Par ailleurs, ils sont optimistes quant au fait que la méthode elle-même peut être appliquée à d'autres cultures dans d'autres parties du monde.

    L'article, « Intégrer les données satellitaires et climatiques pour prédire le rendement du blé en Australie à l'aide d'approches d'apprentissage automatique, " est publié dans Météorologie agricole et forestière .


    © Science https://fr.scienceaq.com