Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods

Nous avons mis au point des modèles de prédiction du rendement pour l’orge, le canola et le blé de printemps produit dans les Prairies canadiennes, fondés sur des indices de végétation issus de données satellites et des méthodes d’apprentissage automatique. Pour construire les modèles de prévision, nous avons effectué un regroupement hiérarchique pour répartir les données sur le rendement des cultures recueillies dans 40 régions agricoles de recensement entre plusieurs régions plus vastes. Nous avons utilisé l’indice de végétation par différence normalisée (NDVI) et l’indice de végétation amélioré (EVI) issus du capteur MODIS (MODerate resolution Imaging Spectroradiometer) ainsi que le NDVI issu du capteur AVHRR (Advance Very High Resolution Radiometer) comme prédicteurs du rendement des cultures. Nous avons utilisé un modèle de régression linéaire multiple (MLR) et deux modèles non linéaires d’apprentissage automatique, le réseau de neurones bayésien (BNN) et le partitionnement récursif fondé sur un modèle (MOB), pour prédire le rendement des cultures, en utilisant diverses combinaisons MODIS-NDVI, MODIS-EVI et NOAA-NDVI comme prédicteurs. Nous avons évalué les prédictions du rendement des cultures fondées sur des prédicteurs faites en juillet ou plus tôt dans la saison, au moyen d’un indice CVMAESS (cross­validated mean absolute error skill score; en lien avec les prévisions climatologiques) de 2000 à 2011. Le NDVI issu du MODIS a été le prédicteur le plus efficace dans le cas des trois types de cultures, mais l’ajout de l’EVI issu du MODIS comme prédicteur additionnel a permis une amélioration de la capacité de prévision. Les modèles MLR, BNN et MOB ont tous démontré une capacité de prévision supérieure que les modèles de prévision climatologiques dans le cas des trois types de cultures, et l’orge est le seul type de culture pour lequel les modèles non linéaires BNN et MOB ont démontré une capacité légèrement supérieure à celle du modèle MLR. L’absence d’amélioration de la capacité de prévision des modèles non linéaires par rapport au modèle MLR est probablement attribuable à la courte période (12 ans) sur laquelle les données captées par MODIS ont été recueillies, ce qui limite notre étude à la période 2000–2011, durant laquelle de très faibles rendements ont été causés par une seule année de grave sécheresse (2002).