Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

Dans le rythme tranquille de l'agriculture, les suites d'une récolte sont souvent aussi importantes que la récolte elle-même. Lorsqu'un champ de blé est coupé, les tiges et les feuilles restantes ne disparaissent pas simplement ; elles restent à la surface du sol, une couche de matière organique appelée résidus de culture. Laisser ce matériau en place est un outil puissant pour la terre. Il agit comme une couverture protectrice, retenant l'humidité dans le sol pendant les périodes de sécheresse, ralentissant le vent et l'eau qui pourraient autrement emporter la couche arable fertile, et nourrissant lentement la terre en nutriments au fur et à mesure de sa décomposition. Les agriculteurs qui laissent ces résidus pratiquent ce qu'on appelle le travail simplifié du sol (ou conservation du sol), une méthode qui privilégie la santé à long terme du sol plutôt que la rapidité de son labourage. Cependant, pour savoir si cette méthode est utilisée correctement, les scientifiques ont besoin d'un moyen de mesurer précisément quelle partie du sol est couverte par ces tiges. Si la couverture est trop faible, le sol est vulnérable ; si elle est suffisamment élevée, la terre est protégée.

Pendant des décennies, mesurer cette couverture signifiait envoyer des personnes dans les champs avec des appareils photo et des carnets de notes, comptant chaque morceau de paille qu'elles pouvaient voir dans un petit carré de terrain. Bien qu'accurate, ce processus est lent, exigeant en main-d'œuvre et difficile à étendre à des régions entières. Ces dernières années, l'attention s'est portée sur l'utilisation de la lumière pour faire le comptage. Chaque objet réfléchit la lumière de manière unique, et le matériel végétal sec possède une signature distincte qui diffère du sol nu. En analysant les couleurs spécifiques de la lumière réfléchie par un champ, les chercheurs espèrent calculer le pourcentage de sol couvert de paille sans jamais poser le pied sur le terrain. Pourtant, cette tâche est compliquée par le fait que la paille ne repose pas à plat comme un tapis. Selon la façon dont l'agriculteur gère son champ — qu'il laisse les tiges debout, qu'il les hache en petits morceaux ou qu'il les laboure profondément dans la terre — la façon dont la lumière est renvoyée change. Comprendre ces subtiles différences est la clé pour transformer une simple mesure de lumière en une carte fiable de la santé du sol.

Un chercheur, Yang Haolin, de l'école Beijing Bayi, s'est donné pour mission de résoudre ce casse-tête en créant une carte détaillée de l'interaction entre la paille de blé et la lumière sous différentes conditions. Ils ont commencé par établir une expérience contrôlée dans un centre de recherche à Xiaotangshan, au nord de Pékin. Là, ils ont fait pousser du blé d'hiver et, après la récolte, ont appliqué quatre techniques de gestion distinctes sur différentes sections du champ. Certains parcelles ont été laissées avec les chaumes debout, d'autres ont vu la paille hachée en petits morceaux et éparpillée, certaines ont été traitées avec une herse rotative qui a mélangé les résidus dans la couche supérieure du sol, et d'autres ont été labourées profondément. Cette variété leur a permis de voir comment l'arrangement physique de la paille, et non seulement sa quantité, modifiait l'apparence du champ pour un capteur.

Pour capturer ces changements, ils ont parcouru les champs avec un spectromètre portable, un appareil qui agit comme un œil sophistiqué capable de voir bien plus de couleurs que le cerveau humain ne peut en traiter. Ils ont mesuré la lumière réfléchie par le mélange de sol et de paille à des centaines de longueurs d'onde différentes, allant du spectre visible que nous voyons aux longueurs d'onde infrarouges que nous ne voyons pas. Simultanément, ils ont pris des photographies du sol depuis le dessus et ont utilisé une méthode de grille pour compter exactement quelle partie du sol était couverte de paille, créant ainsi une « vérité de terrain » précise pour la comparer aux lectures de lumière. Ils ont également recueilli des données similaires dans de vrais champs de blé dans la province du Henan pour s'assurer que leurs conclusions tiendraient la route en dehors de l'environnement contrôlé de la station de recherche.

Le chercheur a découvert que la lumière réfléchie par le champ changeait de manière prévisible à mesure que la quantité de couverture de paille augmentait. Ils ont trouvé que la zone la plus sensible pour détecter cette couverture se situait dans la partie du spectre infrarouge à ondes courtes, une région de la lumière qui interagit fortement avec la cellulose et la lignine présentes dans les parois cellulaires des plantes. En analysant les données, ils ont identifié une bande de lumière spécifique à 1320 nanomètres qui était particulièrement efficace pour signaler la présence de paille. Ils ont également testé plusieurs formules mathématiques, connues sous le nom d'indices spectraux, qui combinent différentes longueurs d'onde de lumière pour mettre en évidence les résidus de culture. Les résultats ont montré que les indices conçus pour rechercher la cellulose et la lignine étaient bien plus efficaces pour détecter la paille que les formules standards utilisées pour mesurer les plantes vertes vivantes.

Armé de ces signatures lumineuses, le chercheur s'est tourné vers des modèles informatiques pour construire un système capable de prédire la quantité de couverture de paille sur la seule base des données lumineuses. Ils ont testé cinq types différents d'algorithmes d'apprentissage automatique, qui sont des programmes conçus pour trouver des modèles dans les données. Certains de ces modèles étaient simples et linéaires, tandis que d'autres étaient complexes et capables d'apprendre des relations intriquées. Les résultats étaient clairs : le modèle le plus performant était une méthode appelée Forêt Aléatoire (Random Forest). Cette approche, qui fonctionne en construisant de nombreux petits arbres de décision et en combinant leurs réponses, a atteint un taux de précision où leurs prédictions correspondaient aux mesures réelles 95 % du temps. En revanche, un modèle d'apprentissage profond plus complexe, souvent utilisé pour des tâches avancées, n'a pas performé de manière satisfaisante. Le chercheur a noté que ce modèle d'apprentissage profond nécessitait beaucoup plus de données qu'ils n'en disposaient pour apprendre efficacement, ce qui entraînait de mauvaises prédictions. Cette découverte suggère que, pour cette tâche spécifique, un modèle robuste et plus simple est plus fiable qu'un modèle complexe lorsque l'on travaille avec des données de terrain limitées.

Peut-être la partie la plus significative de l'étude fut de tester si un modèle construit lors d'une expérience contrôlée pouvait fonctionner dans le monde réel. Le cherchenaire a pris son meilleur modèle et l'a appliqué aux données provenant des véritables champs de blé de la province du Henan. Après avoir apporté des ajustements mineurs aux paramètres, le modèle a réussi à estimer la couverture de paille dans ces scénarios réels. Cela a démontré que la relation entre la lumière et la couverture de paille est assez forte pour voyager à travers différents lieux et conditions. L'étude confirme qu'en comprenant comment la structure physique du champ affecte la lumière, les scientifiques peuvent créer des outils capables de surveiller avec précision les pratiques d'agriculture de conservation sur de vastes zones. Bien que le travail ait été réalisé avec des capteurs au sol, le chercheur voit une voie claire devant lui : ces mêmes principes peuvent être appliqués aux images prises par des drones et des satellites, permettant éventuellement une surveillance dynamique et à grande échelle de la santé des sols, dont les agriculteurs et les décideurs politiques ont besoin pour protéger la terre pour l'avenir.