Les changements climatiques remodelent déjà les paysages agricoles à travers le monde, avec des températures croissantes, des changements dans les précipitations et des phénomènes météorologiques extrêmes plus fréquents, ce qui met en péril les systèmes de production alimentaire.Pour répondre à ce besoin, les chercheurs ont élaboré une série de modèles prédictifs qui évaluent l'impact des changements climatiques sur la productivité agricole selon une série de scénarios futurs. Ces modèles combinent des observations historiques, des projections climatiques issues de modèles de circulation mondiale et des techniques de calcul avancées pour fournir des informations concrètes.

Le rôle des modèles prédictifs dans l'adaptation au climat agricole

Les modèles prédictifs servent d'outils de soutien à la décision qui traduisent des données climatiques complexes en prévisions tangibles pour les résultats agricoles, permettent aux intervenants d'anticiper les changements de productivité, de déterminer les régions et les cultures vulnérables et de concevoir des stratégies d'adaptation telles que l'ajustement des dates de plantation, la sélection de variétés résistantes ou la modification des pratiques d'irrigation.

Principaux types de modèles prédictifs

Modèles statistiques

Les modèles statistiques sont depuis longtemps le moteur de l'évaluation des impacts agricoles, qui utilisent des données historiques sur les rendements, ainsi que des variables climatiques observées — température, précipitations, rayonnement solaire — pour établir une corrélation statistique entre les conditions climatiques passées et les performances des cultures. Les techniques vont de régressions linéaires simples à des méthodes plus sophistiquées comme les modèles additifs généralisés, la régression quantile et les approches hiérarchiques bayésiennes. Par exemple, un modèle statistique largement utilisé relie les rendements du maïs américain à la température et aux précipitations de la saison de croissance, révélant que chaque degré-Celsius augmente au-delà des seuils optimaux réduit les rendements de 5 à 10 %.

Modèles fondés sur les processus

Les modèles fondés sur les procédés (ou les modèles mécanistes) simulent les processus physiologiques et biophysiques sous-jacents de la croissance, du développement et de la formation des rendements des cultures, notamment les équations de la photosynthèse, de la respiration, de la transpiration, de l'absorption des nutriments et de l'équilibre hydrique du sol, qui sont alimentées par des intrants météorologiques quotidiens ou horaires.

Modèles d'apprentissage automatique

Les modèles d'apprentissage automatique sont souvent plus performants que les approches statistiques et fondées sur les procédés en termes de précision prédictive, surtout lorsqu'ils sont formés à de grands volumes de données historiques sur les rendements, à l'imagerie par télédétection et à des produits climatiques maillés. Par exemple, une étude récente utilisant des forêts aléatoires pour prédire les rendements du blé en Inde a obtenu des valeurs R2 supérieures à 0,85 en intégrant des indicateurs comme les indices de végétation, la température de surface des terres et l'humidité du sol. Pourtant, les modèles d'apprentissage automatique sont souvent critiqués comme des « boîtes noires » qui ne sont pas interprétables, ce qui rend difficile l'attribution de changements de rendement à des facteurs climatiques spécifiques.

Applications des modèles prédictifs dans l'agriculture

Prévisions des rendements et planification de la sécurité alimentaire

Des modèles prédictifs qui intègrent les prévisions climatiques saisonnières et l'état des cultures en temps réel à partir des données satellitaires sont maintenant opérationnels dans de nombreux pays. Par exemple, le département de l'Agriculture des États-Unis utilise un mélange de modèles statistiques et de modèles basés sur les processus pour produire des estimations mensuelles de la production de cultures pour les principaux produits. De même, le Famine Early Warning Systems Network (FEWS NET) utilise des modèles pour prévoir la disponibilité des denrées alimentaires en Afrique de l'Est et au Sahel, contribuant à prévenir les famines avant qu'elles ne se développent.

Identification des régions et des cultures sensibles au climat

Ces évaluations de la vulnérabilité combinent généralement les projections climatiques et les réponses modélisées aux rendements pour identifier les « points chauds » où la productivité peut fortement diminuer. Par exemple, les simulations fondées sur les procédés suggèrent que sans adaptation, les rendements du maïs en Afrique subsaharienne pourraient baisser de 20 à 40 % d'ici 2050 sous des voies à forte émission. Les modèles révèlent également que certaines cultures sont plus sensibles que d'autres : le manioc montre une résilience relative à l'augmentation de la température, tandis que le blé et le maïs sont très sensibles à la chaleur pendant la floraison.

Guider le développement des variétés résilientes au climat

En simulant les performances de différents cultivars virtuels sous les climats futurs, les chercheurs peuvent identifier des combinaisons optimales de caractères tels que la tolérance à la chaleur, l'efficacité de l'utilisation de l'eau et la maturité précoce. Par exemple, des études de modélisation ont montré que l'adaptation des variétés de riz à des saisons de croissance plus courtes et des températures nocturnes plus élevées pourrait compenser les pertes de rendement en Asie du Sud de 30 %. Les modèles de culture sont de plus en plus intégrés aux cadres de sélection génomique pour accélérer les cycles de reproduction.

Informer les responsables des politiques et de l'affectation des ressources

Les rapports d'évaluation du GIEC s'appuient largement sur des ensembles multimodèles pour projeter l'approvisionnement alimentaire mondial dans différents scénarios d'émissions. Les plans nationaux d'adaptation intègrent souvent des produits de modèle spatialement explicites pour prioriser les investissements dans l'irrigation, le drainage ou la diversification des cultures. Les produits d'assurance basés sur l'indice, qui paient lorsqu'un indice climatique (par exemple, le déficit cumulatif en précipitations) franchit un seuil, sont conçus à l'aide d'un étalonnage historique du modèle pour assurer que les paiements correspondent bien aux pertes réelles de rendement.

Sources de données et intégration

La précision de tout modèle prédictif dépend de la qualité et de la résolution des données d'entrée.

  • Les données météorologiques et climatiques historiques:[ Les observations de stations, les produits de réanalyse (p. ex. ERA5) et les ensembles de données maillées (p. ex. AgMERRA) fournissent les séries climatiques historiques nécessaires pour l'étalonnage et la validation des modèles.
  • Les modèles de circulation mondiale (MCG) du projet de comparaison mixte de modèles (CMIP6) fournissent des scénarios climatiques futurs dans le cadre de différents chemins représentatifs de concentration (RCP) ou chemins socio-économiques partagés (SSP).
  • Les données de détection des données:[ Les indices de végétation dérivés par satellite (NDVI, EVI), la température de surface du sol, l'humidité du sol et les produits d'évapotranspiration offrent des observations en temps réel de l'état des cultures sur de grandes superficies, permettant ainsi l'assimilation en modèles dynamiques.
  • Les données sur le sol et la gestion :[ Les cartes des sols à haute résolution (p. ex., SilowGrids), les calendriers des cultures et les dossiers d'application des engrais sont essentiels pour représenter l'hétérogénéité spatiale dans les modèles fondés sur les processus.
  • Les données sur le rendement des cultures:[ Les statistiques sur le rendement des sous-régions (recensements ou enquêtes agricoles) et les données d'essais sur le terrain servent de variable cible pour la formation et l'évaluation des modèles.

L'intégration de ces divers flux de données demeure une frontière majeure pour la recherche. L'interopérabilité des données, le contrôle de la qualité et le comblement des lacunes dans les régions où les réseaux de surveillance sont rares sont des défis permanents qui exigent des efforts de collaboration entre les disciplines.

Défis et limites

Disponibilité et qualité des données

Dans de nombreuses régions du monde en développement, les données météorologiques à long terme et de haute qualité et les statistiques fiables sur les rendements sont insuffisantes, faute de données historiques suffisantes, les modèles statistiques et d'apprentissage automatique ne peuvent être correctement formés et les modèles fondés sur les procédés ne peuvent pas être étalonnés.

Incertitude du modèle et limitations structurelles

Tous les modèles prédictifs souffrent d'incertitudes découlant d'une compréhension scientifique incomplète, d'erreurs d'estimation des paramètres et de simplifications structurelles.Les modèles fondés sur les processus peuvent omettre des processus critiques tels que la dynamique des ravageurs et des maladies, les dommages causés par l'ozone ou l'appauvrissement des eaux souterraines.Les modèles d'apprentissage automatique peuvent surpasser les tendances historiques qui ne persistent pas, par exemple si les progrès technologiques futurs modifient la relation rendement-climat.

Échelle de la Mismatch

De même, les modèles de cultures étalonnés à l'échelle des parcelles expérimentales ne représentent peut-être pas la diversité des pratiques agricoles réelles – comme l'interculture, la plantation échelonnée ou la dépendance à l'égard de systèmes pluvieux – qui peuvent modifier de façon significative les réponses à la productivité.

Contraintes informatiques et de capacité

Les modèles fondés sur les processus pour les grandes régions dans le cadre de scénarios climatiques multiples peuvent être exigeants en calcul. De nombreux établissements de recherche et services de vulgarisation dans les pays en développement manquent d'infrastructure informatique et de personnel formé pour mettre en œuvre ces modèles.

Orientations futures et tendances émergentes

Intégration de l'intelligence artificielle et des données massives

Les progrès réalisés dans le domaine de l'apprentissage profond, en particulier les réseaux neuronaux convolutionnels et les transformateurs formés à l'imagerie satellitaire, permettent de prédire le rendement de bout en bout à une résolution sans précédent. De nouvelles sources de données, telles que la surveillance de la santé des cultures par smartphone et les réseaux de capteurs IoT, alimenteront les mises à jour des modèles en temps réel.

Cadres de modélisation hybrides

La combinaison de la compréhension mécaniste des modèles fondés sur les processus et des forces de reconnaissance des modèles de machine offre une voie prometteuse. Par exemple, les réseaux neuraux peuvent être utilisés pour imiter des simulations coûteuses de modèles de processus (modèles de substitution) ou corriger des biais dans les sorties des modèles de processus.

Modélisation locale et participative

Des efforts sont en cours pour élaborer des approches participatives de modélisation qui intègrent les connaissances locales et la rétroaction des intervenants dans la conception et l'étalonnage des modèles. En faisant participer les agriculteurs et les agents de vulgarisation, les modèles peuvent mieux refléter les contraintes réelles et les processus décisionnels.

Prise en compte des dimensions socio-économiques et politiques

Les modèles prévisionnels futurs intégreront de plus en plus des facteurs économiques, tels que les prix du marché, la disponibilité de main-d'oeuvre et les mesures d'incitation, aux côtés des variables climatiques et agronomiques. Des modèles d'évaluation intégrés qui combinent des modèles de cultures avec des modèles d'équilibre économique peuvent simuler des boucles de rétroaction entre les impacts climatiques et les réponses aux adaptations, offrant ainsi une image plus complète de la vulnérabilité du système alimentaire.

Progrès réalisés en matière d'incertitude Quantification

Les méthodes de mesure et de communication de l'incertitude sont essentielles pour renforcer la confiance dans les extrants des modèles.L'étalonnage bayésien, les techniques d'ensemble probabilistes et les outils de visualisation interactive aident à transmettre l'éventail des résultats possibles plutôt que de présenter une seule prévision déterministe.

Conclusion

Les modèles prédictifs d'évaluation des impacts du changement climatique sur la productivité agricole sont passés de simples corrélations statistiques à des cadres sophistiqués à plusieurs échelles qui exploitent les données massives et l'apprentissage automatique. Ils sont indispensables pour anticiper les risques, orienter les investissements en matière d'adaptation et assurer la sécurité alimentaire mondiale à une époque où le changement climatique s'accélère. Toutefois, leur utilité est limitée par la rareté des données, l'incertitude des modèles et les erreurs d'échelle, en particulier dans les régions à faible latitude où l'insécurité alimentaire est la plus aiguë.

Pour plus de détails, voir le sixième rapport d'évaluation du CIPC sur les impacts, l'adaptation et la vulnérabilité[, le travail de la FAO sur les changements climatiques[ et le Programme des sciences appliquées de l'ANA sur l'agriculture[[