📄 agriculture

A Hybrid Data Analytics Framework Integrating Machine Learning and Graph-Based Knowledge Models for Explainable Soil Organic Carbon Assessment

Cet article propose et évalue un cadre d'analyse de données hybride qui intègre des modèles de prédiction par Forêts Aléatoires à des systèmes de connaissances basés sur les graphes afin d'améliorer la précision, la contextualisation spatiale et l'interprétabilité des évaluations du carbone organique du sol dans les systèmes agroforestiers, comme le démontre une étude de cas au Mexique.

Auteurs originaux : Emmanuel Papadakis, Gulger Mallik, Ahmed Aman Ibrahim, George Baryannis, Andreas Altinalmazis-Kondylis

Publié 2026-06-29

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Emmanuel Papadakis, Gulger Mallik, Ahmed Aman Ibrahim, George Baryannis, Andreas Altinalmazis-Kondylis

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Pourquoi en avons-nous besoin ?

Imaginez que vous essayiez de déterminer la quantité d'« engrais » (carbone organique) cachée à l'intérieur d'un jardin géant et désordonné (le sol). Cela est important car un sol sain agit comme une éponge qui absorbe le carbone de l'air, aidant ainsi à lutter contre le changement climatique.

Cependant, vérifier le sol est complexe. Les données dont nous disposons sont comme un tas de pièces de puzzle provenant de boîtes différentes : certaines pièces manquent, d'autres sont mesurées en pouces et d'autres en centimètres, et elles proviennent de profondeurs différentes. De plus, les ordinateurs que nous utilisons habituellement pour deviner les niveaux de carbone sont comme des « boîtes noires » : ils vous donnent un chiffre, mais ne peuvent pas vous dire pourquoi ils ont obtenu ce chiffre.

Les auteurs de cet article ont construit un cadre hybride (une boîte à outils de type « mélange et assortiment ») pour résoudre ce problème. Ils ont combiné deux types d'outils intelligents :

L'apprentissage automatique (Machine Learning) : Une calculatrice super rapide qui devine les chiffres.
La connaissance basée sur les graphes : Une carte et un casse-tête logique qui expliquent pour pourquoi ces chiffres sont cohérents.

Ils ont testé cet ensemble d'outils sur un jardin spécifique : le Mexique.

Les trois parties de la boîte à outils

1. Le « Traducteur » (Harmonisation des données)

Avant que les outils intelligents ne puissent fonctionner, les données désordonnées devaient être nettoyées.

Le Problème : Un échantillon de sol peut être mesuré de 0 à 10 cm de profondeur, tandis qu'un autre est de 0 à 20 cm. On ne peut pas les comparer directement.
La Solution : Les auteurs ont utilisé un « traducteur » mathématique (appelé Equal Area Quadratic Spline) pour étirer ou rétrécir toutes les mesures afin qu'elles rentrent toutes dans la même boîte standard : 0 à 30 cm de profondeur.
L'Analogie : Imaginez que vous avez un tas de chaussettes de toutes tailles différentes. Avant de pouvoir les compter ou les trier, vous devez toutes les plier en carrés de la même taille exacte afin qu'elles s'empilent proprement. Cette étape a rendu les données empilables.

2. Le « Calculateur » (Apprentissage automatique)

Une fois les données propres, ils ont utilisé un modèle de Forêt Aléatoire (Random Forest).

Ce qu'il fait : Considérez cela comme une équipe de 100 experts différents (des arbres) qui votent tous sur la réponse. Chaque expert examine différents indices (comme la température, la pluie, la texture du sol et le type de roche) pour deviner la quantité de carbone présente dans le sol.
Le Résultat : L'équipe a fait un travail décent. Ils ont pu prédire les niveaux de carbone avec une précision modérée (obtenant environ 54 % à 78 % du schéma).
Le Piège : Comme tout devineur humain, ils n'étaient pas parfaits. Parfois, ils étaient un peu à côté de la plaque. C'est normal car le sol est complexe.

3. Le « Cartographe » et le « Conteur » (Modèles de graphes)

C'est ici que l'article devient unique. Au lieu de simplement donner un chiffre, ils ont ajouté deux couches de contexte :

Le Cartographe (Réseau de neurones sur graphes) :
- Comment ça marche : Ils ont traité chaque échantillon de sol comme un point sur une carte. Si deux points étaient proches l'un de l'autre (à moins de 10 km), ils dessinaient une ligne entre eux.
- La Magie : L'ordinateur a examiné ces connexions pour regrouper les sols en « quartiers » ou archétypes. Il a trouvé 8 types de quartiers de sols distincts au Mexique basés sur leur emplacement et leur texture, sans même regarder les chiffres du carbone au préalable.
- L'Analogie : Imaginez trier les gens en groupes basés sur leur quartier et leurs loisirs, et non sur leur compte en banque. Vous pourriez découvrir que les gens du « Quartier A » aiment tous le jardinage, avant même de leur demander combien d'argent ils possèdent. Cela aide les scientifiques à voir si un échantillon de sol correspond à son quartier ou s'il est une anomalie.
Le Conteur (Réseau Bayésien) :
- Comment ça marche : C'est un graphe logique qui demande : « Si le carbone est élevé, qu'est-ce qui est habituellement vrai aussi ? »
- Le Résultat : Il a trouvé des schémas tels que : « Un carbone élevé se produit généralement dans un sol peu profond et acide avec des prairies », tandis que « Un faible carbone se produit généralement dans un sol profond, alcalin et avec beaucoup de roches ».
- L'Analogie : C'est comme le tableau d'un détective. Si vous voyez un indice (Carbone Élevé), le tableau s'éclaire pour montrer les autres indices qui l'accompagnent habituellement (pH Acide, Prairies). Cela aide l'humain à comprendre pourquoi le calculateur a donné ce chiffre.

Le Tableau de Bord : Mettre tout cela ensemble

Les auteurs ont construit un prototype de tableau de bord (un panneau de contrôle numérique) pour montrer comment cela fonctionne en situation réelle.

Ce que vous voyez : Une carte du Mexique.
Ce que vous pouvez faire : Vous cliquez sur un endroit, et il vous indique :
1. Le Chiffre : « Il y a X quantité de carbone ici. »
  1. Le Contexte : « Ce point appartient au « Quartier de Sol n°2 ». »
2. L'Histoire : « Cela fait sens car le sol est peu profond et acide, ce qui signifie généralement un carbone élevé. »

Qu'ont-ils appris ? (Les Résultats)

Le Calculateur fonctionne, mais n'est pas parfait : Il a capturé les tendances générales mais n'a pas pu prédire chaque endroit parfaitement. C'est attendu car le sol est désordonné.
Le Cartographe a trouvé des schémas cachés : Il a réussi à regrouper les sols en 8 types régionaux distincts qui font sens géographiquement.
Le Conteur l'a rendu explicable : Il a réussi à lier le carbone élevé à des conditions spécifiques (comme le pH acide et la faible profondeur), donnant à l'humain une raison de faire confiance au chiffre.

Le « Mais... » (Limites)

Les auteurs sont très honnêtes sur ce que cet outil ne peut pas encore faire :

C'est un prototype, pas un produit final : C'est un outil de recherche, pas un système prêt à émettre des crédits carbone officiels pour de l'argent.
Il a besoin de plus de données : Les données dont ils disposaient pour le Mexique étaient un peu réduites et manquaient de certains détails (comme la gestion exacte des terres par les agriculteurs).
Il est spécifique au Mexique : Vous ne pouvez pas simplement prendre ce modèle et l'appliquer au Brésil ou au Kenya sans le vérifier d'abord.
Pas de causalité « Magique » : Le « Conteur » montre ce qui arrive habituellement ensemble, mais il ne prouve pas qu'une chose a causé l'autre. C'est un indice fort, pas une loi scientifique.

Résumé

Cet article traite de la construction d'une manière plus intelligente et plus transparente de deviner le carbone du sol. Au lieu de simplement donner un chiffre issu d'une « boîte noire », ils ont construit un système qui vous donne le chiffre, vous montre où il se situe sur la carte et vous raconte l'histoire de pourquoi ce chiffre est cohérent. C'est une étape vers une science climatique plus digne de confiance et compréhensible pour tous.

Résumé technique : Un cadre d'analyse de données hybride intégrant l'apprentissage automatique et des modèles de connaissances basés sur les graphes pour une évaluation explicable du carbone organique du sol

Problématique
L'évaluation fiable du carbone organique du sol (COS) est cruciale pour les initiatives de séquestration du carbone, la planification de l'agroforesterie et les systèmes de mesure, rapportage et vérification (MRV) crédibles. Cependant, les approches actuelles se heurtent à des obstacles importants, notamment l'hétérogénéité des données pédologiques, l'incohérence des profondeurs d'échantillonnage, la couverture spatiale limitée et la nature de « boîte noire » des modèles de prédiction fondés sur les données. Les modèles purement basés sur l'apprentissage automatique peinent souvent à être interprétables et ne parviennent pas à prendre en compte les dépendances spatiales, traitant les observations liées comme indépendantes. Ce manque de transparence mine la confiance dans les marchés du carbone, où les parties prenantes exigent non seulement des prédictions précises, mais aussi des explications auditables des conditions environnementales et des hypothèses sous-jacentes à ces estimations.

Méthodologie
Le document propose un cadre d'analyse de données hybride conçu pour intégrer l'apprentissage automatique supervisé à des modèles de connaissances basés sur les graphes afin de permettre une évaluation explicable du COS. Le cadre fonctionne via quatre composants modulaires :

Pipeline d'harmonisation des données : Le système ingère des données hétérogènes provenant du World Soil Information Service (WoSIS) et les enrichit avec des données climatiques (World Bank CCKP), de couverture terrestre (MODIS), de régions écologiques (CONABIO) et des covariables de sol recommandées par des experts. Une étape critique consiste à standardiser les mesures du sol vers un intervalle commun de 0 à 30 cm en utilisant la méthode de l'interpolation par spline quadratique à aire égale (via la fonction ea_spline en R) afin d'assurer la comparabilité entre les différents protocoles d'échantillonnage.
Composant d'apprentissage automatique supervisé : Ce composant sert de moteur prédictif principal. Il utilise des modèles de régression de type Forêt Aléatoire (Random Forest) pour estimer deux cibles clés : la concentration en carbone organique (g/kg) et le stock de carbone (t/ha). Les modèles sont entraînés sur des données harmonisées de sol et de covariables environnementales, avec des protocoles stricts pour éviter la fuite de données (par exemple, une division entraînement-test au niveau du profil). Un modèle d'apprentissage profond exploratoire a également été testé mais a affiché des performances inférieures à la Forêt Aléatoire.
Composant de connaissance basé sur les graphes (Représentation spatiale) : Pour traiter le contexte spatial, le cadre construit un graphe spatial où les profils de sol sont des nœuds connectés par proximité géographique (les arêtes étant définies par un seuil de distance de Haversine de 10 km). Un réseau de neurones convolutionnels sur graphes (GCN) est entraîné à l'aide d'une perte de marge de triplet auto-supervisée pour apprendre des plongements (embeddings) de faible dimension des profils de sol. Crucialement, les variables de carbone organique et inorganique sont exclues des caractéristiques d'entrée, garantissant que les clusters résultants représentent des « archétypes de sol » basés sur la similitude environnementale et pédologique plutôt que sur les valeurs de carbone directes.
Composant de graphe explicatif : Un graphe basé sur des réseaux bayésiens est construit pour soutenir le raisonnement probabiliste. Ce composant modélise les relations supposées entre le COS et des variables telles que le pH, la profondeur, la pente, les fragments de roche, la couverture terrestre et la région écologique. En conditionnant le graphe sur des états de COS élevés ou bas, le système génère des profils environnementaux interprétables qui expliquent les conditions associées aux différents niveaux de carbone.

Principales contributions
Le document présente six contributions principales :

Cadre hybride : Propose un flux de travail unifié combinant la prédiction supervisée, la représentation spatiale par réseaux de neurones sur graphes et l'explication probabiliste basée sur les graphes.
Harmonisation des données : Développe un flux de travail qui intègre des ensembles de données de sol et environnementaux disparates, en standardisant les mesures à un intervalle de profondeur de 0 à 30 cm.
Évaluation prédictive : Évalue les modèles supervisés pour l'estimation de la concentration et du stock de carbone organique dans une étude de cas centrée sur le Mexique.
Archétypes spatiaux : Construit un modèle d'embedding GCN qui identifie des archétypes de sol spatialement cohérents, indépendamment des valeurs de carbone.
Explication probabiliste : Démontre comment le raisonnement par graphe peut interpréter les profches environnementaux liés aux conditions de carbone organique élevé ou faible.
Implémentation de prototype : Livre un tableau de bord basé sur Streamlit qui visualise les prédictions aux côtés des clusters spatiaux et des profils explicatifs, servant de preuve de concept pour l'aide à la décision.

Résultats
Le cadre a été évalué à l'aide d'une étude de cas centrée sur le Mexique avec des données WoSIS.

Performance prédictive : Les modèles de Forêt Aléatoire ont obtenu des performances modérées, avec des valeurs de $R^2$ allant de 0,54 à 0,78. Le modèle de concentration de l'équivalent de carbone total (TCEQ) a été le plus performant ( $R^2$ = 0,78), tandis que les prédictions de stocks ont montré des valeurs de $R^2$ de 0,54. Les auteurs notent que si les modèles capturent les grandes tendances spatiales, ils présentent une incertitude considérable pour l'estimation précise au niveau ponctuel. Le modèle d'apprentissage profond exploratoire a été moins performant ( $R^2$ = 0,26) et n'a pas été étendu aux tâches de prédiction de stock.
Clustering spatial : Le modèle d'embedding GCN a réussi à identifier huit clusters de sol spatialement cohérents à travers le Mexique. Ces clusters correspondaient à des différences interprétables de texture du sol, de pH et de pente, validant la capacité du modèle à capturer les similitudes régionales du sol sans dépendance directe aux données de carbone.
Profilage explicatif : Le réseau bayésien a réussi à différencier les profils environnementaux pour un COS élevé par rapport à un COS faible. Un COS élevé était associé à un pH acide, des couches de sol peu profondes et des régions écologiques tempérées subhumides. Inversement, un COS faible était lié à des conditions alcalines, des couches plus profondes, des régions arides et une teneur plus élevée en fragments de roche.

Signification et affirmations
Les auteurs positionnent ce travail comme une étape vers une évaluation du carbone du sol plus transparente et interprétable, plutôt que comme une plateforme MRV pleinement opérationnelle. La signification réside dans l'intégration de trois types de preuves complémentaires : la prédiction numérique, la similitude spatiale et l'explication probabiliste.

Le document affirme que cette approche hybride répond au « fossé de l'explicabilité » de l'IA environnementale. En liant une estimation numérique du carbone à un archétype de sol ancré spatialement et à un profil environnemental probabiliste, le cadre permet aux utilisateurs de comprendre pourquoi une prédiction a été faite et si elle est en adéquation avec les modèles régionaux connus. Cela est présenté comme essentiel pour instaurer la confiance dans les marchés du carbone et pour soutenir l'examen par des experts dans les flux de travail MRV.

Cependant, les auteurs maintiennent une position modeste concernant la maturité opérationnelle. Ils reconnaissent explicitement des limites, notamment la taille relativement modeste de l'ensemble de données harmonisées, l'absence de données détaillées sur l'utilisation/gestion des terres (ce qui limite l'évaluation des impacts de l'agroforesterie) et la nécessité d'une validation supplémentaire avant que le cadre ne puisse supporter des crédits carbone à enjeux élevés. L'output actuel est décrit comme un prototype de recherche destiné à démontrer la faisabilité analytique et la valeur des analyses hybrides, et non comme une solution finale pour la vérification des crédits carbone.