Modélisation spatiale multi-sources du carbone organique dans le sol
Résumé
In order to reduce chemical fertilizer in agricultural use and to value the urban organic matter in substitution, a precise knowledge of soil properties is mandatory. Carbon is a good indicator of soil fertility and having at our disposal a precise mapping
of its content is useful. In this study we aim at spatially estimate the soil carbon content (SOC) in the Versailles plain and the Alluets plateau, a 220 km2 agricultural area. The novel Bayesian inference approach called Integrated Nested Laplace Approximation with Stochastic Partial Differential Equation (INLA-SPDE) allows us to ensure consistency between the various available sources of information (soil samples and satellite image) and to produce in a short time a posteriori estimations of the parameters and the SOC field, considered as a latent field. Several models were evaluated and compared using the elevation covariate stemming from a Digital Elevation Model (DEM), including or not the data from the satellite image. Adding the image slightly improves the prediction quality in terms of RMSE (Root Mean Square Error RMSE) since the median goes from 3.17 g.kg−1 to 3.15 g.kg −1. Overall the carbon prediction map from the joint model represents more realistically the spatial structure of the carbon field.
La réduction des intrants chimiques d’usage agricole et la valorisatition des mati`eres organiques d’origine urbaine en substitution nécessitent une connaissance fine des propriétés des sols agricoles. Le carbone étant un bon indicateur de la fertilité des sols, il s’avère nécessaire de disposer d’une cartographie précise des teneurs. Dans cette étude, on cherche à produire une cartographie des teneurs en carbone dans la plaine de Versailles et le plateau des Alluets, région agricole de 220 km2. La nouvelle approche d’inférence Bayesienne Integrated Nested Laplace Approximation et Stochastic Partial Differential Equation (INLA-SPDE) nous permet de mettre en cohérence les différentes sources d’information disponibles (prélèvements au sol et image satellite) et d’obtenir en peu de temps des estimations a posteriori des paramètres et du champ de carbone considéré comme un champ latent. Nous avons évalué et comparé via une procédure bootstrap les performances plusieurs modèles utilisant comme covariable l’altitude issue d’un modèle numérique de terrain incluant ou non les données des images satellites.
L’intégration de l’image améliore légèrement la qualité de prédiction en terme de RMSE (Root Mean Square Error) dont la médiane passe de 3.17 g.kg−1 `a 3.15 g.kg−1. Mais surtout la carte de prédiction du carbone issue de la modélisation jointe présente de façon beaucoup plus réaliste la structure spatiale du carbone.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...