A scalable framework for agricultural drought hazard mapping in data-scarce arid regions: Case study of Jiroft plain, Iran
Cette étude présente un cadre évolutif pour la cartographie des aléas de sécheresse agricole dans la plaine de Jiroft en Iran, une zone pauvre en données, en intégrant des données de télédétection avec des mesures de l'humidité du sol in situ et des modèles d'apprentissage automatique, démontrant qu'une approche par machine à vecteurs de support identifie efficacement les risques de sécheresse en utilisant la capacité de rétention d'eau disponible pour les plantes et l'humidité du sol comme prédicteurs clés.
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
Dans les recoins secs et brûlés par le soleil du monde, l'agriculture vit sur le fil du rasoir. Lorsque la pluie ne vient pas à l'échéance prévue, le sol s'assèche, les cultures dépérissent et la sécurité alimentaire est en jeu. Pour les agriculteurs et les planificateurs, savoir exactement où et quand la terre vient à manquer d'eau est une question de survie. Le moyen le plus direct de mesurer cela est de vérifier l'humidité du sol, mais dans les régions arides et reculées, le terrain est souvent trop vaste et les stations météorologiques trop peu nombreuses pour fournir une image complète. Les scientifiques se sont longtemps tournés vers les satellites pour combler ces lacunes, utilisant des capteurs capables de percevoir la santé des plantes et la température du sol depuis l'espace. En observant à quel point la végétation est verte et à quel point la surface est chaude, les chercheurs peuvent déduire la quantité d'eau cachée sous les pieds des cultures, créant ainsi un moyen de surveiller la sécheresse sans avoir besoin d'un capteur dans chaque champ.
Une équipe de chercheurs a concentré son attention sur la plaine de Jiroft, dans le sud-est de l'Iran, une vaste région agricole où l'eau est rare et les relevés météorologiques détaillés limités. Cette zone, couvrant plus de 2 200 kilomètres carrés, dépend fortement de l'irrigation pour des cultures telles que le blé, le maïs et les agrumes, pourtant elle souffre de sécheresses fréquentes et sévères. Le défi consistait à créer une carte fiable du danger de sécheresse agricole — un moyen de prédire quelles parties de ce paysage sont les plus vulnérables au stress hydrique — en utilisant uniquement les données limitées disponibles. Pour ce faire, l'équipe a combiné des images satellites prises sur quinze ans avec un petit nombre d'échantillons de sol réels collectés sur le terrain. Ils ont utilisé une méthode qui traite la relation entre la verdure des plantes et la chaleur de surface comme un triangle, permettant d'estimer la teneur en eau dans la couche supérieure du sol à travers toute la plaine.
Les chercheurs ont recueilli des données de 2007 à 2022, en examinant huit années spécifiques où les conditions de sécheresse étaient particulièrement sévères. Ils ont mesuré l'humidité du sol jusqu'à une profondeur de 30 centimètres, ce qui correspond à la zone critique où les racines des plantes s'abreuvent. En comparant les données satellites avec 73 échantillons de sol collectés en 2021 et 2022, ils ont construit un modèle pour calculer de combien l'humidité du sol avait chuté au cours de n'importe quelle année par rapport à la moyenne à long terme. Cette baisse, ou écart relatif, a servi de jauge pour identifier où la sécheresse se produisait réellement. Une fois qu'ils ont cartographié ces épisodes de sécheresse, ils ont eu recours à des algorithmes informatiques pour trouver les schémas sous-jacents. Ils ont testé trois modèles différents d'apprentissage automatique pour voir lequel pouvait le mieux prédire le risque de sécheresse en fonction de dix facteurs environnementaux différents, incluant la pente du terrain, le type de sol, la densité des rivières et la quantité de précipitations.
Les résultats ont montré qu'un modèle informatique spécifique, connu sous le nom de machine à vecteurs de support (support vector machine), était bien supérieur aux autres pour prédire où la sécheresse frapperait. Ce modèle a atteint un haut niveau de précision, identifiant correctement les zones sujettes à la sécheresse dans presque tous les tests. L'analyse a révélé que le facteur le plus important pour déterminer le risque de sécheresse n'était pas seulement la quantité de pluie tombée, mais la capacité du sol à retenir l'eau. Plus précisément, la capacité du sol à fournir de l'eau disponible aux plantes était le moteur dominant du danger de sécheresse. Lorsque le sol était sableux et ne pouvait pas retenir l'humidité, et lorsque la couverture végétale était mince, le risque de sécheresse montait en flèche. Curieusement, la quantité totale de précipitations à travers la région ne variait pas assez pour expliquer pourquoi certaines zones étaient plus sèches que d'autres ; au lieu de cela, les conditions locales du sol et du paysage dictaient le résultat.
La carte finale produite par l'équipe divise la plaine de Jiroft en zones de risque, montrant que plus de la moitié de la région fait face à un danger très élevé de sécheresse agricole. Ces zones dangereuses sont concentrées dans les zones de sols sableux, de faible végétation et de peu de cours d'eau. En revanche, les parties centrales de la plaine, où le sol retient mieux l'eau et la végétation est plus dense, restent relativement sûres. Cette approche offre une solution pratique pour les régions où la surveillance au sol est clairsemée. En prouvant que les données satellites, lorsqu'elles sont combinées à quelques échantillons au sol, peuvent cartographier avec précision le risque de sécheresse, l'étude fournit un outil qui peut être utilisé pour avertir les agriculteurs avant qu'une crise ne survienne. Elle déplace l'attention du simple comptage des précipitations vers la compréhension de la relation physique complexe entre la terre, l'eau qu'elle contient et les plantes qui en dépendent, offrant une voie plus claire vers la gestion des ressources en eau dans un monde de plus en plus aride.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.