Conditioning machine learning models to adjust lowbush blueberry crop management to the local agroecosystem
Citation
Parent, S.É., Lafond, J., Paré, M.C., Parent, L.E., Ziadi, N. (2020). Conditioning machine learning models to adjust lowbush blueberry crop management to the local agroecosystem. Plants, [online] 9(10), 1-21. http://dx.doi.org/10.3390/plants9101401
Résumé en langage clair
Les conditions spécifiques des agroécosystèmes peuvent limiter la productivité du bleuet nain sauvage (Vaccinium angustifolium Ait.). Les objectifs du projet ont été de vérifier les effets des agroécosystèmes et des modes de gestion sur la production de fruits, et de développer par la suite des recommandations pour ajuster la fertilité des sols selon les conditions météorologiques locales. Nos modèles ont permis d’identifier que les conditions météorologiques avaient les plus grands impacts sur la productivité. Par exemple, les températures moyennes élevées mesurées à l’ouverture des bourgeons floraux et après la maturation des fruits et les précipitations totales à la floraison avaient des effets positifs. Par ailleurs, des températures moyennes faibles et de faibles précipitations avant l’ouverture des bourgeons, à la floraison et à la récolte, aussi bien que le nombre de jour avec gel avant l’ouverture des bourgeons floraux ont eu des effets négatifs. D’un autre côté, les analyses de sol et des feuilles de bleuet et les doses de fertilisants appliqués ont eu des effets limités sur la productivité. Avec une première approche statistique, les rendements en fruits ont été prédits avec succès en considérant les données historiques météorologiques, les analyses de sol et de feuilles et les fertilisants appliquées. Il a ainsi été possible d’optimiser les rendements potentiels, ce qui permettra une gestion locale et spécifique des fertilisants.
Résumé
© 2020, les auteurs. Titulaire de la licence : MDPI, Bâle, Suisse. Les conditions agroécosystémiques limitent la productivité du bleuet nain. Nos objectifs étaient d’étudier les effets de variables de l’agroécosystème et de la gestion des cultures sur le rendement en bleuets, puis d’élaborer un système de recommandations pour ajuster la gestion des nutriments et du sol dans les parcelles de bleuet nain aux conditions météorologiques locales. Nous avons recueilli 1504 observations dans le cadre d’essais de fertilisation NPK menés au Québec, au Canada. L’ensemble de données, qui comprenait des données sur le sol, les tissus et les conditions météorologiques, a été traité par des modèles mixtes bayésiens, l’apprentissage automatique, l’analyse des données de composition et des chaînes de Markov. Nos modèles statistiques de recherche ont montré que les indices météorologiques avaient le plus grand impact sur le rendement. Une température moyenne élevée au débourrement des bourgeons floraux et après la maturation des fruits ainsi que des précipitations totales élevées au stade de la floraison ont eu des effets positifs. Une faible température moyenne et de faibles précipitations totales avant le débourrement, à la floraison et avant la maturité des fruits ainsi que le nombre de jours de gel (< −5 °C) avant le débourrement des bourgeons floraux ont eu des effets négatifs. Les analyses du sol et des tissus ainsi que la fertilisation NPK ont eu des effets moins importants. Des processus gaussiens ont permis de prédire le rendement à partir de données météorologiques historiques, de l’analyse du sol, du dosage d’engrais et de l’analyses des tissus avec une erreur type de 1447 kg ha−1. Un algorithme de Markov maison a permis d’optimiser les rendements modélisés par les processus gaussiens à partir de l’analyse des tissus, de l’analyse du sol et du dosage d’engrais, conditionnés en fonction de caractéristiques météorologiques historiques spécifiques, ce qui pourrait augmenter le rendement par un facteur médian de 1,5. L’apprentissage automatique, l’analyse des données de composition et les chaînes de Markov ont permis d’adapter la gestion des nutriments aux conditions locales dans les parcelles de bleuet nain.