Estimation des incertitudes liées à la prédiction ponctuelle de variables pédologiques à partir de bases de données géographiques sur les sols. Exemple de l’utilisation des strates issues du programme français Inventaire Gestion et Conservation des Sols (IGCS)

Résumé :

Le programme GlobalSoilMap a pour objectif de produire une base de données à haute résolution spatiale des propriétés des sols du monde assorties de leurs incertitudes. Parmi les méthodes possibles pour atteindre cet objectif l’une d’elles consiste en une prédiction de ces propriétés à partir de moyennes pondérées et d’estimations des intervalles de confiance issues de bases de données cartographiques (unités cartographiques et typologiques de sol). En France ces bases décrivent en particulier les « strates » qui sont des horizons conceptuels caractérisés à partir des valeurs modales et extrêmes d’un certain nombre de propriétés. Cependant dans de nombreux cas ces valeurs extrêmes n’ont pas été renseignées dans les bases de données. Notre objectif est donc de tester la possibilité d’estimer ces valeurs extrêmes à partir des valeurs modales et d’autres variables environnementales en utilisant des techniques d’apprentissage automatique. Les données utilisées proviennent de l’extraction de DoneSol des strates contenant les valeurs modales et les valeurs extrêmes de certaines propriétés. Nous illustrons ici la démarche par des résultats primaires concernant 7 variables pédologiques requises pour les « produits » GlobalSoilMap (carbone organique pHeau teneurs en argile limon sable éléments grossiers et capacité d’échange cationique) puis nous détaillons deux exemples portant sur le carbone organique et le pH. Les qualités de prédiction les plus satisfaisantes concernent le carbone. L’intérêt principal de ce type d’approche est de pouvoir dériver des valeurs par défaut de ces indicateurs de dispersion lorsqu’elles sont manquantes dans les bases de données. On peut toutefois penser que les types de modèles que nous avons utilisés pourraient parfois conduire à un « sur-ajustement » qui donne une fausse idée de leur performance. Pour vérifier cela il faudrait disposer d’une validation externe entièrement indépendante.