Mapping the biophysical sensitivity of agrosystems in the central Sahel using machine learning models
Résumé
Climate extremes and their trends in several parts of the world have exacerbated the biophysical susceptibility of agrosystems in semiarid regions. In the Sahel region, this is reflected in a gradual deterioration in the climatic resilience of agrosystems and their ecosystem productivity, with potential losses in cereal yields of up to 27% by 2050. To meet current and projected challenges in terms of food security, resilience of rural communities and the sustainability of agricultural systems, a better understanding of the biophysical sensitivity of the spatial units that make up an agrosystem is crucial. In previous studies, the mapping of the biophysical sensitivity of spatial units was approached by using anomalies in vegetation condition indicators to quantitatively approximate the response of agrosystems to climatic water deficits. However, due to the complex interactions of factors affecting the biophysical susceptibility of agrosystems, anomalies in a single component may not be sufficient to assess biophysical sensitivity. The aim of this study is therefore to propose a new approach to mapping biophysical sensitivity by considering gradients in the magnitudes of changes in anomalies of biophysical variables in place of simple anomalies. To this end, time series data of the vegetation index, surface temperature, vegetation primary productivity and soil moisture from NOAA/AVHRR and TerraClimate products were used to assess the biophysical sensitivity by comparing the performance of four machine learning models. Methodological steps included analysis of significant trends obtained by linear regression of index using the lm() function in Rstudio. Next, models were implemented using the caret package with a data partitioning of 70% of the model training and 30% of its testing. The results suggest a spatial variability in biophysical sensitivity. The highest is obtained in croplands and lower in other land-use types and random forest model stood out for its high ability to predict biophysical sensitivity classes, with an ROC= 94%, while the ROCs of support vector machine, K-nearest neighbors, and naive Bayes were 78.6%, 72.03% and 77.6%, respectively. Finally, analysis highlights the importance of combining multi-indicator change amplitudes to obtain an overall assessment of the biophysical sensitivity of agrosystems, particularly with random forest.
Les extrêmes climatiques et leurs tendances dans plusieurs parties du monde ont exacerbé la susceptibilité biophysique des agrosystèmes dans les régions semi-arides. Dans la région du Sahel, cela se traduit par une détérioration progressive de la résilience climatique des agrosystèmes et de leur productivité écosystémique, avec des pertes potentielles de rendement céréalier allant jusqu'à 27 % d'ici 2050. Pour relever les défis actuels et futurs en termes de sécurité alimentaire, de résilience des communautés rurales et de durabilité des systèmes agricoles, il est essentiel de mieux comprendre la sensibilité biophysique des unités spatiales qui composent un agrosystème. Dans les études précédentes, la cartographie de la sensibilité biophysique des unités spatiales a été abordée en utilisant des anomalies dans les indicateurs de l'état de la végétation pour approximer quantitativement la réponse des agrosystèmes aux déficits hydriques climatiques. Cependant, en raison des interactions complexes entre les facteurs affectant la sensibilité biophysique des agrosystèmes, les anomalies d'une seule composante peuvent ne pas être suffisantes pour évaluer la sensibilité biophysique. L'objectif de cette étude est donc de proposer une nouvelle approche pour cartographier la sensibilité biophysique en considérant les gradients des changements des anomalies des variables biophysiques au lieu de simples anomalies. À cette fin, des séries chronologiques de données relatives à l'indice de végétation, à la température de surface, à la productivité primaire de la végétation et à l'humidité du sol provenant des produits NOAA/AVHRR et TerraClimate ont été utilisées pour évaluer la sensibilité biophysique en comparant les performances de quatre modèles d'apprentissage automatique. Les étapes méthodologiques comprenaient l'analyse des tendances significatives obtenues par régression linéaire de l'indice à l'aide de la fonction lm() dans Rstudio. Ensuite, les modèles ont été implémentés à l'aide du package caret avec un partitionnement des données de 70 % de l'entraînement du modèle et de 30 % de son test. Les résultats suggèrent une variabilité spatiale de la sensibilité biophysique. Le modèle Random forest s’est distingué par sa grande capacité à prédire les classes de sensibilité biophysique, avec un AUC=94 %, alors que les AUC du modèle SVM, KNN et des Bayes naïfs étaient respectivement de 78,6 %, 72,03 % et 77,6 %. Enfin, l'analyse souligne l'importance de combiner les amplitudes de changement de plusieurs indicateurs pour obtenir une évaluation globale de la sensibilité biophysique des agrosystèmes, en particulier avec le modèle Random Forest.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
