Evaluating and improving crop-yield forecasting methods during extreme drought

Chaque été, les agriculteurs et les gouvernements scrutent le ciel avec un mélange d'espoir et d'anxiété, tentant de deviner quelle quantité de nourriture sera récoltée dans les champs. Cette conjecture n'est pas seulement une question de tradition ; c'est un calcul complexe de la manière dont les modèles météorologiques, les conditions du sol et la biologie des plantes interagissent pour produire une récolte. Lorsque la météo se comporte normalement, les ordinateurs peuvent souvent faire ces prédictions avec une précision raisonnable en observant les schémas passés. Cependant, la nature ne suit pas toujours les règles. Lorsqu'un événement extrême survient, comme une sécheresse sévère qui brûle la terre et assèche le sol, les schémas habituels se brisent. Les conditions auxquelles les plantes sont confrontées lors d'une telle crise tombent souvent en dehors de la plage de tout ce qui a été observé dans l'histoire, laissant les outils de prévision standards confus et inefficaces. C'est un problème critique car une prédiction erronée peut entraîner une instabilité économique et des pénuries alimentaires, ce qui rend vital la recherche de moyens pour prévoir les rendements même lorsque la météo se comporte de manière inédite.

Des chercheurs de l'université Boston College se sont mis en quête de solution à ce casse-tête spécifique en testant l'efficacité de différents types de modèles informatiques pour prédire les rendements du maïs lors de la dévastatrice sécheresse de 2012 dans le Midwest américain. Cette région, connue sous le nom de Corn Belt (la ceinture du maïs), a subi l'un des pires épisodes de sécheresse en cinquante ans, réduisant la production nationale de maïs d'environ treize pour cent. L'équipe voulait voir si elle pouvait construire un système qui apprend du passé mais reste assez flexible pour gérer les conditions étranges et extrêmes d'une année de catastrophe. Ils ont comparé deux approches principales : l'apprentissage automatique traditionnel, qui utilise des règles statistiques établies, et l'apprentissage profond, une forme plus avancée d'intelligence artificielle qui imite la façon dont le cerveau humain traite l'information à travers des couches de connexions. Le défi était que les données de l'année de la sécheresse étaient différentes de tout ce que les modèles avaient vu auparavant, créant une situation où les données d'entraînement et les données de test étaient fondamentalement différentes.

Pour relever ce défi, les chercheurs ont recueilli des données météorologiques quotidiennes pour des centaines de comtés, suivant seize facteurs atmosphériques différents tels que la température, l'humidité, le vent et le rayonnement solaire. Ils ont remarqué que les données étaient désordonnées ; certains comtés présentaient des enregistrements manquants, et les mesures quotidiennes ne couvraient pas l'année entière, mais seulement la saison de croissance. Pour donner un sens à cela, ils ont d'abord tenté de simplifier le problème en utilisant une technique appelée sélection de caractéristiques. Au lieu de nourrir l'ordinateur avec chaque mesure météorologique, ils ont utilisé une méthode pour identifier quels moteurs spécifiques provoquaient réellement les changements de rendement des cultures. Ils ont découvert que, bien que les gens pensent souvent que la pluie et la température sont les facteurs les plus importants, les modèles s'appuyaient davantage sur le déficit de pression de vapeur et l'évapotranspiration. Ce sont des mesures de la quantité d'eau que l'air extrait des plantes et du sol, combinant les effets de la chaleur, de l'humidité et de la lumière du soleil en un seul signal puissant de stress végétal.

L'étude a révélé une division claire dans la manière dont les différents modèles gèrent la crise. Les modèles d'apprentissage automatique traditionnels, qui incluent des méthodes comme la régression linéaire et les arbres de décision, ont eu du mal face à l'extrême sécheresse. Ils ont été peu performants car ils avaient été entraînés sur des années « normales » et ne pouvaient pas reconnaître les schémas étranges de 2012. Cependant, lorsque les chercheurs ont modifié ces modèles pour qu'ils se concentrent uniquement sur les facteurs météorologiques les plus importants et qu'ils ont accordé une importance supplémentaire aux rares années historiques qui étaient également sèches, les prédictions se sont considérablement améliorées. Cela a montré que pour les modèles plus simples, comprendre quels facteurs météorologiques spécifiques comptent est la clé pour survivre à un décalage de données.

En revanche, le modèle d'apprentissage profond, nommé VITA, a performé remarquablement bien sans avoir besoin de ces ajustements spécifiques. Ce modèle avait été pré-entraîné sur une quantité massive de données météorologiques mondiales avant d'être testé sur les champs de maïs. Comme il avait déjà appris à reconnaître des schémas météorologiques complexes à partir d'une grande variété de sources, il a pu s'adapter naturellement à la sécheresse de 2012. Il a surpassé tous les autres modèles, tant lors de l'année de sécheresse extrême que lors d'une année normale, prouvant qu'un système pré-entraîné de grande envergure peut mieux généraliser que des systèmes plus petits et spécialisés lorsque les données deviennent bizarres. Les chercheurs ont également examiné la façon dont le modèle prenait ses décisions et ont constaté qu'il concentrait correctement son attention sur le milieu de la saison de croissance, spécifiquement les semaines de juin et juillet, lorsque le maïs est le plus vulnérable à la chaleur et à la sécheresse. Cela a confirmé que le modèle ne faisait pas que deviner, mais apprenait réellement la réalité biologique de la culture.

En fin de compte, l'étude suggère que, bien que les modèles d'apprentissage profond avancés soient des outils puissants pour prédire les rendements agricoles lors d'événements météorologiques extrêmes, ils ne sont pas la seule solution. Pour les situations où de grands systèmes complexes ne peuvent être utilisés, des modèles plus simples peuvent tout de même être rendus efficaces en sélectionnant soigneusement les bonnes données et en pondérant les événements historiques les plus critiques. La recherche souligne que le plus grand obstacle à la prévision n'est pas seulement le manque de données, mais le fait que les événements extrêmes sont si différents du passé que les outils standards échouent à les reconnaître. En comprenant ces différences et en ajustant les modèles pour qu'ils prêtent attention aux bons signaux, les scientifiques peuvent construire de meilleurs systèmes pour prédire la récolte, même lorsque le ciel se retourne contre les cultures.