Nouvel article de Richer de Forges et al. (2025)

Richer-de-Forges A.C., Chen S., Heuvelink G.B.M., van der Westhuizen S., Orton T.G., Bourennane H., Arrouays D. (2025). Does digital soil mapping prediction performance of soil texture improve when adding uncertain field texture estimates? A study based on clay content. Geoderma. 456 (2025) 117277. https://doi.org/10.1016/j.geoderma.2025.117277

résumé

En cartographie conventionnelle, les estimations de classes texture (HFST) sur le terrain sont moins précises, mais beaucoup plus nombreuses que les analyses de laboratoire de la texture (LAST). Par conséquent, il est tentant d’incorporer à la fois des observations LAST et HFST comme données de calibration de DSM de la distribution des tailles de particules (argile, limon, sable). Dans cette étude, nous utilisons environ 1 000 données LAST et 15 000 données HFST sur une surface d’environ 6 800 km² (département du Loiret, France). Nous voulons évaluer si l’incorporation des données HFST améliore les prédictions par DSM et quelle est la meilleure façon de les incorporer. Nous incorporons dans les données de calibration les incertitudes de HFST et LAST, et nous comparons avec le cas où les erreurs de mesures sont ignorées. En utilisant comme base de départ un modèle fondé sur une calibration par les seules données LAST (modèle LAST-only), nous ajoutons progressivement des données HFST de calibration et nous réalisons des prédictions et des validations croisées k-fold, en conservant les mêmes jeux de données de validation pour toutes les combinaisons. Nous ajoutons des HFSTs selon trois différentes stratégies : soit dans les zones de prédictions les plus incertaines du modèle LAST-only, soit dans les zones de prédictions les plus incertaines du modèle LAST+n HFST précédent, soit de façon aléatoire. Nos résultats confirment la nécessité de prendre en compte l’incertitude de mesure des données de calibration. La non prise en compte des erreurs de mesure conduit à une forte augmentation de l’incertitude des prédictions de teneurs en argile. L’ajout de données HFST apporte des informations utiles pour la calibration du modèle, mais seulement si l’on tient compte de leur incertitude. L’ajout progressif de HFSTs (accompagnées de leur incertitude), dans les zones de prédiction les plus incertaines, permet de cartographier la teneur en argile avec une meilleure précision et améliore les indicateurs globaux de performance des prédictions, bien que cela conduise à une faible décroissance de la précision dans les zones les moins incertaines. Inversement, la stratégie aléatoire conduit à une distribution des prédictions qui se resserre dans les zones les plus certaines, par contre, diminuer les intervalles de prédictions dans les zones les plus incertaines nécessiterait plus de données. Dans tous les cas, ajouter de trop nombreuses HFSTs conduit à une estimation trop optimiste de l’intervalle de prédiction à 90 % et à de larges motifs spatiaux homogènes qui lissent les variations spatiales des teneurs en argiles prédites. L’ajout de HFSTs en utilisant une pondération permettant la prise en compte de leur incertitude peut améliorer substantiellement les prédictions par DSM, mais le nombre de HFSTs et la stratégie adoptée pour les ajouter doivent être adaptées afin de ne pas trop lisser les cartes ni de sous-estimer l’amplitude des intervalles de prédiction. Au plan pratique, la possibilité de réduire les intervalles de prédiction dépend à la fois de la stratégie d’échantillonnage et des gammes de teneurs en argile concernées. Par conséquent, le choix de la meilleure stratégie doit s’appuyer sur les objectifs de l’utilisateur.

Pour accéder à l'article sous ResearchGate : https://www.researchgate.net/publication/390353127_Does_digital_soil_mapping_prediction_performance_of_soil_texture_improve_when_adding_uncertain_field_texture_estimates_A_study_based_on_clay_content