Adresse
Infodoc : Réseau des bibliothèques et centres de documentation d'AgroParisTechFrance
contact
Array ( [TITRE] => <b>Type de document : </b> [TITRE_CLEAN] => Type de document [OPAC_SHOW] => 1 [TYPE] => list [AFF] => Thèse [ID] => 4 [NAME] => cp_typdoc [DATATYPE] => integer [VALUES] => Array ( [0] => 1 ) )
Titre : |
Data-driven approach for addressing global agricultural issues: application to assess productivity of conservation agriculture under current and future climate
|
Auteur(s) : | Yang Su, Auteur |
Type de document : | Thèse |
Sujets : | Conservation des ressources agricoles -- Thèses et écrits académiques ; Changements climatiques ; Apprentissage (intelligence artificielle) |
Résumé : |
Dans cette thèse, nous présentons un pipeline d'apprentissage machine (ML) qui produit des cartes mondiales générées par synthèse de données pour répondre aux enjeux agricoles mondiaux, tels que l'évaluation de la distribution spatiale de la productivité de l'agriculture de conservation (CA) par rapport au travail du sol conventionnel (CT) sous les climats actuels et futurs. Notre approche comporte la sélection et la comparaison d'algorithmes d'apprentissage automatique, l’entrainement du modèle, son optimisation avec validation croisée, les tests et la projection globale des résultats. Nous illustrons la démarche proposée à l'aide d'un jeu de données mondial pour comparer les rendements des systèmes d'agriculture de conservation (AC) et de non-travail du sol (NT) par rapport au trava[...]
Dans cette thèse, nous présentons un pipeline d'apprentissage machine (ML) qui produit des cartes mondiales générées par synthèse de données pour répondre aux enjeux agricoles mondiaux, tels que l'évaluation de la distribution spatiale de la productivité de l'agriculture de conservation (CA) par rapport au travail du sol conventionnel (CT) sous les climats actuels et futurs. Notre approche comporte la sélection et la comparaison d'algorithmes d'apprentissage automatique, l’entrainement du modèle, son optimisation avec validation croisée, les tests et la projection globale des résultats. Nous illustrons la démarche proposée à l'aide d'un jeu de données mondial pour comparer les rendements des systèmes d'agriculture de conservation (AC) et de non-travail du sol (NT) par rapport au travail du sol conventionnel (CT) avec un large éventail d'espèces de cultures, de pratiques agricoles, de caractéristiques du sol et de conditions climatiques pendant la saison de croissance des cultures. Grâce à ce pipeline, une série de modèles de classification, de régression et de régression quantile sont développés sur la base de 12 algorithmes ML courants. Les modèles les plus performants sont utilisés pour cartographier la productivité des cultures de l'AC et de ses variantes par rapport au CT à l'échelle mondiale pour différentes pratiques agricoles et conditions climatiques dans les scénarios passés (1981-2010), actuels (2011-2020) et futurs (2051-2060). Nous révélons de grandes différences dans la probabilité de gains de rendement avec l'AC entre les types de cultures, les pratiques de gestion agricole, les zones climatiques et les régions géographiques. Nous montrons que l'AC a plus de 50% de chances de surpasser le CT dans les régions sèches du monde, en particulier avec des pratiques de gestion agricole appropriées. En conclusion, l'AC apparaît comme une pratique agricole durable si elle est ciblée sur des régions climatiques et des espèces de cultures spécifiques.
|
Editeur(s) : | Paris [France] : AgroParisTech |
Date de publication : | 2021 |
Format : | 1 vol. (246 p.) / ill. en coul. graph. |
Note(s) : |
Références bibliogr.
|
Langue(s) : | Anglais |
Lien vers la notice : | https://infodoc.agroparistech.fr/index.php?lvl=notice_display&id=210990 |
Exemplaires
Localisation | Emplacement | Pôle | Section | Cote | Support | Disponibilité |
---|---|---|---|---|---|---|
aucun exemplaire |