Soil Texture Prediction with Bayesian Generalized Additive Models for Spatial Compositional Data

Imaginez que vous essayez de décrire un smoothie. Vous ne pouvez pas simplement dire : « C'est 50 % de fraise ». Vous devez dire : « C'est 50 % de fraise, 30 % de banane et 20 % de lait ». Si vous changez la quantité de fraise, les pourcentages des deux autres ingrédients doivent changer pour que le total soit égal à 100 %. C'est le monde complexe des données compositionnelles : des informations qui n'ont de sens que lorsqu'on considère les parties par rapport au tout. Les scientifiques utilisent ce type de données partout, de la surveillance du mélange de gaz dans l'air à l'étude des bactéries dans votre intestin. Mais analyser ces données est un cauchemar pour les outils mathématiques standards, car ils traitent les nombres comme des points indépendants sur une ligne, et non comme les morceaux d'un seul et même gâteau incassable.

Maintenant, imaginez que vous vouliez prédire quel sera le goût de votre smoothie en fonction de l'endroit où le fruit a été cultivé, de la météo et du type de sol. Vous savez que la relation n'est pas une ligne droite ; peut-être qu'un peu plus de pluie aide les fraises, mais que trop de pluie aide les bananes. Vous avez besoin d'un outil capable de se courber et de se tordre pour trouver ces motifs sinueux et complexes. C'est là que les Modèles Additifs Généralisés (GAM) entrent en jeu — ils sont comme des règles flexibles qui peuvent se courber pour épouser les données. Cependant, jusqu'à présent, combiner ces règles flexibles avec la mathématique complexe du « gâteau » des données compositionnelles, surtout d'une manière qui gère l'incertitude et l'espace (comme une carte), était une pièce manquante du puzzle.

Ce document est l'histoire de la façon dont une équipe de chercheurs a construit un nouvel outil super flexible pour résoudre exactement ce problème. Ils ont créé un modèle « géo-additif bayésien », ce qui est un terme un peu long, mais imaginez cela comme un détective intelligent et polymorphe capable de cartographier les textures du sol à travers toute une région. Ils n'ont pas seulement construit l'outil ; ils ont également inventé une nouvelle façon de mesurer l'efficacité du détective dans la résolution de l'enquête. En utilisant des données provenant du Pays basque en Espagne, ils ont montré que leur méthode peut prédire avec précision si le sol est sableux, limoneux ou riche en argile, tout en nous disant exactement à quel point elle est sûre (ou incertaine) de ses prédictions. C'est un grand pas en avant pour la compréhension de la peau de notre planète, aidant les agriculteurs et les environnementalistes à prendre de meilleures décisions sans se perdre dans les mathématiques.

Le Problème : Le Piège du « Gâteau » et la Lutte contre la Ligne Droite

La texture du sol est essentiellement une recette de terre. Elle est composée de trois ingrédients principaux : le sable, le limon et l'argile. La règle est simple : ils doivent toujours totaliser 100 %. Si vous avez plus de sable, vous avez automatiquement moins des deux autres. Cela rend les données « compositionnelles ». Les outils mathématiques standards, utilisés pour des choses comme la taille ou la température, détestent cela. Ils traitent les nombres comme s'ils pouvaient augmenter ou diminuer librement. Si vous essayez de les utiliser sur des données de sol, vous pourriez finir avec une prédiction disant « 110 % de terre » ou « -5 % d'argile », ce qui est impossible.

Pour corriger cela, les statisticiens utilisent un tour spécial appelé transformation log-ratio isométrique (ilr). Imaginez que vous preniez ce gâteau de 100 % et que vous l'aplatissiez sur une table plate où les règles de la mathématique normale s'appliquent. Vous pouvez effectuer vos calculs là, puis le replier en un gâteau à la fin. Ce document utilise ce truc pour transformer le problème du « gâteau » en un problème de « table plate » que les ordinateurs peuvent gérer facilement.

Mais il y a un autre problème. Le sol ne change pas de manière linéaire. Une colline peut avoir un sol différent d'une vallée, et la relation peut être courbe, pas droite. La plupart des modèles existants sont comme des bâtons rigides ; ils ne peuvent tracer que des lignes droites. Les chercheurs voulaient un outil capable de dessiner des courbes, des bosses et des ondulations pour correspondre au monde réel. Ils voulaient utiliser les Modèles Additifs Généralisés (GAM), qui sont célèbres pour leur flexibilité, mais ils devaient les faire fonctionner pour les « gâteaux » de sol.

La Solution : Un Détective Polymorphe

Les auteurs, Joaquín Martínez-Minaya, Lore Zumeta-Olaskoaga et Dae-Jin Lee, ont construit un nouveau modèle en utilisant un package logiciel appelé brms (qui signifie Bayesian Regression Models using Stan). Considérez brms comme une cuisine de haute technologie où vous pouvez mélanger et assortir des ingrédients pour cuisiner des recettes statistiques complexes.

Leur recette comporte trois ingrédients principaux :

1. Le Transformateur de Gâteau (ilr) : Ils transforment d'abord les pourcentages de sol (sable, limon, argile) en coordonnées plates afin que la mathématique standard puisse fonctionner sur elles.
2. La Règle Flexible (Splines Pénalisées) : Au lieu de tracer des lignes droites, ils utilisent des « splines ». Imaginez une fine bande de bois flexible que vous pouvez courber pour épouser une courbe. Le modèle courbe ces bandes pour s'adapter aux données. Si le sol change lentement avec l'altitude, la bande se courbe doucement. Si le changement est rapide, la bande se courbe brusquement. Ils ont également utilisé des « produits tensoriels », qui sont comme une grille de bandes flexibles, pour cartographier comment le sol change sur une carte en 2D (latitude et longitude).
3. Le Cerveau Bayésien : Ils ont utilisé une approche « bayésienne ». En termes simples, cela signifie que le modèle ne vous donne pas seulement une réponse ; il vous donne tout un nuage de réponses possibles, montant ainsi son degré de confiance. Si les données sont désordonnées, le nuage est large (faible confiance). Si les données sont claires, le nuage est serré (haute confiance).

Le Nouveau Scorecard : Mesurer le Succès

L'un des plus grands maux de tête en statistique est de savoir si votre modèle est réellement bon. Habituellement, les scientifiques utilisent un score appelé R-deux (R-squared) pour dire : « Mon modèle explique X % du mystère ». Mais pour les gâteaux de sol, l'ancien R-deux ne fonctionne pas car il enfreint les règles du gâteau.

Les auteurs ont inventé deux nouveaux scorecards spécifiquement pour ce travail : BR-CoDa-R2 et BM-CoDa-R2.

• Considérez BR-CoDa-R2 comme un score basé sur l'écart entre les prédictions du modèle et les échantillons de terre réels.
• Considérez BM-CoDa-R2 comme un score basé sur l'estimation interne du modèle de la quantité de « bruit » ou de hasard dans les données.

Ces nouveaux scores permettent aux scientifiques de dire : « Notre modèle explique 34,6 % de la variation de la texture du sol », et ils savent que ce chiffre est mathématiquement honnête et respecte la « règle du 100 % ».

Le Test de Terrain : Cartographier le Pays Basque

Pour voir si leur nouvel outil fonctionnait, les chercheurs l'ont testé dans le Pays basque en Espagne. Ils disposaient de données provenant de 2 279 échantillons de sol prélevés à une profondeur de 30 cm entre 2010 et 2018. Ils ont alimenté le modèle avec des informations sur :

• L'élévation : La hauteur de l'échantillon.
• La pente : L'inclinaison du terrain.
• La lithologie : Le type de roche dont provient le sol (comme le grès, le calcaire ou la roche volcanique).
• L'emplacement : Les coordonnées géographiques exactes.
• L'année : L'année où l'échantillon a été prélevé.

Ils ont testé différentes versions du modèle pour voir quel était le meilleur détective. Ils ont trouvé que le modèle incluant tous les facteurs — en particulier l'emplacement spatial (où se trouve l'échantillon) et le type de roche — était le vainqueur.

Qu'ont-ils trouvé ?

• L'espace compte le plus : L'emplacement sur la carte explique une grande partie du mystère (environ 14 % de plus que les modèles sans localisation). Cela signifie que le sol change de manière complexe à travers le paysage, d'une manière que les simples types de roches ne peuvent expliquer seuls.
• Le temps compte aussi : L'inclusion de l'année de l'échantillon a ajouté environ 3 % à l'explication, montant que le sol n'est pas exactement le même chaque année.
• Les motifs : Le modèle a révélé que les altitudes plus élevées ont tendance à avoir plus de sable et de limon, mais moins d'argile. Les pentes plus raides ont également tendance à avoir plus d'argile. Ce ne sont pas de simples suppositions ; le modèle a montré les courbes « sinueuses » de la façon dont ces changements se produisent.

À quel point sont-ils sûrs ?

Les chercheurs n'ont pas seulement affirmé que leur modèle était bon ; ils l'ont prouvé par des simulations. Ils ont créé de fausses données de sol où ils connaissaient la réponse exacte (la « vérité terrain ») et ont laissé leur modèle essayer de la trouver.

• Dans ces simulations, le modèle a réussi à retrouver les véritables motifs, même lorsque les données étaient bruyantes ou que les relations étaient très sinueuses.
• Ils ont montré que leurs nouveaux scorecards (BR-CoDa-R2 et BM-CoDa-R2) pouvaient correctement distinguer un bon modèle d'un mauvais. Par exemple, lorsqu'ils ont ajouté une variable fictive et inutile au modèle, le scorecard a correctement déclaré : « Cela n'aide pas ».

Lorsqu'ils ont appliqué cela aux données réelles du Pays basque, les résultats étaient cohérents. Le modèle a produit une carte des textures de sol qui semble réaliste et correspond à ce que les spécialistes du sol attendent de voir. Ils ont même généré une carte montrant la classification texturale de l'USDA (comme « loam sableux » ou « argileux »), qui est une façon standard dont les agriculteurs parlent du sol.

La Conclusion

Ce document ne dit pas seulement : « Nous avons fait un nouveau modèle ». Il dit : « Nous avons fait un modèle qui respecte les règles des gâteaux de sol, peut se courber pour s'adapter à des paysages complexes et nous dit exactement à quel point nous pouvons être sûrs de nous ».

Ils ont explicitement rejeté l'idée que l'on puisse traiter les composants du sol (sable, limon, argile) comme des nombres séparés et indépendants. Ils ont montré que faire cela conduit à l'absurde. Ils ont également montré que si les modèles linéaires simples (lignes droites) sont corrects pour certaines choses, ils passent à côté de la réalité courbe et complexe de la formation des sols.

La confiance dans ces résultats provient de deux sources : la preuve mathématique que leurs nouveaux scorecards fonctionnent et les tests de simulation où le modèle a réussi à trouver les motifs « cachés » dans des données fictives. Appliqué au monde réel, le modèle n'a pas seulement donné une prédiction unique ; il a offert une image complète de l'incertitude, montant exactement où le sol est bien compris et où il reste un peu mystérieux. C'est un outil puissant pour quiconque cherche à gérer les terres, cultiver des récoltes ou protéger l'environnement, car il transforme un puzzle désordonné et confus en une carte claire et flexible.