Soutenance de thèse de HANADE HOUMMA Ismaguil

Résumé de la thèse

La vulnérabilité agricole à la sécheresse est une préoccupation croissante dans de nombreuses régions du monde. La sécheresse agricole se produit lorsque les précipitations sont insuffisantes ou mal réparties pour répondre aux besoins en eau des cultures, ce qui entraîne une diminution de la production agricole et des perturbations dans les systèmes alimentaires. Les agrosystèmes sahéliens sont considérés comme extrêmement sensibles en raison de leur faible productivité et de leur vulnérabilité aux aléas climatiques. Les cultures et les pâturages sont souvent confrontés à des conditions de sécheresses sévères et de chaleurs extrêmes qui réduisent leur croissance et leurs rendements. Subséquemment, les défis en matière de sécurité alimentaire, de résilience des communautés rurales et de durabilité des systèmes agricoles sahéliens ne cessent d'augmenter. L'objectif de cette thèse s'inscrit dans une perspective visant à développer des nouvelles approches de modélisation spatiale de la vulnérabilité agricole à la sécheresse par apprentissage automatique et en profondeur dans le but d'améliorer les métriques d'alerte précoce à la sécheresse. A cette fin, une première partie de l'étude s'appuie sur la disponibilité historique de données géospatiales multi-capteurs pour modéliser et étudier les tendances de la dynamique historique des paramètres de la sécheresse agricole à travers le développement d'un nouvel indice composite multivarié pour le monitoring de la sécheresse agricole (MDCI). Le MDCI inclut pour la première fois le principe d'efficacité des pluies en plus des variables couramment utilisées dans la modélisation descriptive de l'état de la sécheresse. La deuxième dimension de l'étude est une approche intégrée de modélisation spatiale des conditions de sécheresse agricole à 30 m de résolution en testant comparativement les performances prédictives de quatre modèles d'intelligence artificielle à savoir le modèle Cubist, le DeepBoost, le DNN et MLP. La dernière partie de l'étude propose un nouvel indice multivarié de vulnérabilité à la sécheresse agricole (MADVI) en mettant en avant les gradients des tendances des indicateurs comme facteurs de vulnérabilité pour entrainer les modèles d'apprentissage automatique (RF, SVM, KNN, NB, Cubist), de deep learning (DNN, MLP) et un algorithme d'ensemble Learning (DeepBoost) plutôt que les anomalies des variables ou l'intensité de leurs fréquences couramment utilisées. Le MDCI a démontré une grande concordance spatio-temporelle entre les indices de validation avec une corrélation maximale de 0,91 avec le VHI et un R= 0,85 et un p < 5,8e-10 avec les indices hydro climatiques (PDSI). De même, la validation du MADVI modélisé par apprentissage automatique et en profondeur a montré une grande adéquation entre la variabilité spatiale des classes de vulnérabilité du MADVI et celles du modèle de référence basé sur l'équation standard de la modélisation de la vulnérabilité avec un R>0.85 et une très significative p-value <0.0000. Les résultats de la modélisation de la dynamique historique suggèrent qu'après la longue décennie sèche de 1981-1990, la sévérité de la sécheresse agricole a connu une baisse remarquable même si les conditions des poches de sécheresse modérées sont relativement plus fréquentes. En général, la variabilité interannuelle des conditions de la sécheresse agricole fournie par l'indice MDCI est beaucoup moins contrastée entre 2000-2021 que celle observée sur la période 1981-2000. Pour la modélisation spatiale de la vulnérabilité par la régression spatiale, Cubist et DeepBoost ont montré des performances légèrement supérieures que le DNN et le MLP respectivement avec un RMSE de 0.29 et de 0.33. Cependant, le DNN s'est distingué par une grande sensibilité au nombre des variables en entrée par conséquent l'intégration de nouvelles caractéristiques non prises en compte dans l'entraiment du modèle est une piste d'amélioration des performances prédictive du modèle.