Estimation de l'Évapotranspiration de Référence par Apprentissage Automatique avec des Données Météorologiques Limitées

Table des Matières

1 Introduction

L'estimation de l'évapotranspiration de référence (ETo) est cruciale pour la planification de l'irrigation et la gestion des ressources en eau, en particulier dans les régions sujettes à la sécheresse comme le Maroc. L'équation FAO-56 Penman-Monteith, bien que précise, nécessite des données météorologiques étendues incluant la température, l'humidité, le rayonnement solaire et la vitesse du vent, la rendant impraticable pour les régions disposant d'une infrastructure de capteurs limitée.

Les équations empiriques traditionnelles telles que Hargreaves-Samani, Romanenko et Jensen-Haise offrent des approches simplifiées mais souffrent d'une variabilité de performance selon les conditions climatiques. Cette recherche aborde ces limitations en explorant des modèles d'apprentissage automatique capables d'atteindre une estimation précise de l'ETo avec un nombre minimal de paramètres d'entrée.

2 Méthodologie

2.1 Collecte et Prétraitement des Données

Des données météorologiques provenant de plusieurs stations de la région de Meknès ont été collectées, incluant des mesures de température, d'humidité, de rayonnement solaire et de vitesse du vent. Le prétraitement des données a impliqué la gestion des valeurs manquantes, la normalisation et l'alignement temporel entre les différentes stations.

2.2 Modèles d'Apprentissage Automatique

Trois modèles d'apprentissage automatique ont été implémentés et comparés :

• XGBoost : Cadre de boosting par gradient reconnu pour ses hautes performances et son efficacité
• Machine à Vecteurs de Support (SVM) : Efficace pour les tâches de régression avec des données limitées
• Forêt Aléatoire (RF) : Méthode d'ensemble robuste au surajustement

2.3 Configuration Expérimentale

Deux scénarios de validation ont été implémentés :

• Scénario 1 : Division aléatoire de toutes les données disponibles
• Scénario 2 : Entraînement sur une station, validation sur une autre (validation croisée spatiale)

3 Résultats et Discussion

3.1 Comparaison des Performances

Tous les modèles d'apprentissage automatique ont surpassé les équations empiriques traditionnelles dans les deux scénarios de validation. XGBoost a démontré la plus haute précision avec des valeurs R² dépassant 0,92, suivi de près par la Forêt Aléatoire et SVM.

3.2 Analyse de l'Importance des Caractéristiques

La température et le rayonnement solaire sont ressortis comme les caractéristiques les plus critiques pour tous les modèles. L'analyse a révélé qu'avec seulement ces deux paramètres, les modèles d'apprentissage automatique pouvaient atteindre 85 à 90 % des performances obtenues avec des ensembles de paramètres complets.

4 Implémentation Technique

4.1 Formulations Mathématiques

L'équation standard FAO-56 Penman-Monteith sert de référence :

$$ET_0 = \frac{0.408\Delta(R_n - G) + \gamma\frac{900}{T + 273}u_2(e_s - e_a)}{\Delta + \gamma(1 + 0.34u_2)}$$

Où $\Delta$ est la pente de la courbe de pression de vapeur, $R_n$ est le rayonnement net, $G$ est le flux de chaleur du sol, $\gamma$ est la constante psychrométrique, $T$ est la température de l'air, $u_2$ est la vitesse du vent, $e_s$ est la pression de vapeur saturante et $e_a$ est la pression de vapeur réelle.

4.2 Implémentation du Code

import xgboost as xgb
from sklearn.ensemble import RandomForestRegressor
from sklearn.svm import SVR
import numpy as np

class EToEstimator:
    def __init__(self, model_type='xgb'):
        if model_type == 'xgb':
            self.model = xgb.XGBRegressor(
                max_depth=6,
                learning_rate=0.1,
                n_estimators=100,
                objective='reg:squarederror'
            )
        elif model_type == 'rf':
            self.model = RandomForestRegressor(
                n_estimators=100,
                max_depth=10,
                random_state=42
            )
        elif model_type == 'svm':
            self.model = SVR(kernel='rbf', C=1.0, epsilon=0.1)
    
    def train(self, X_train, y_train):
        self.model.fit(X_train, y_train)
    
    def predict(self, X_test):
        return self.model.predict(X_test)

# Sélection des caractéristiques : température et rayonnement solaire uniquement
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Applications Futures

La recherche démontre un potentiel significatif pour une implémentation pratique dans plusieurs domaines :

• Systèmes d'Irrigation Intelligente : Intégration avec des contrôleurs d'irrigation basés sur l'IoT pour une gestion de l'eau en temps réel
• Adaptation au Changement Climatique : Amélioration de la planification des ressources en eau dans les régions sujettes à la sécheresse
• Technologie Agricole : Développement d'applications mobiles pour les petits agriculteurs
• Politique de l'Eau : Aide à la décision basée sur les données pour l'allocation et la tarification de l'eau

Les futures directions de recherche incluent l'apprentissage par transfert entre différentes zones climatiques, l'intégration avec les données satellitaires et le développement de solutions de calcul en périphérie pour les zones reculées.

6 Références

1. Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56.
2. Landeras, G., Ortiz-Barredo, A., & López, J. J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country. Agricultural Water Management, 95(5), 553-565.
3. Maestre-Valero, J. F., Martínez-Alvarez, V., & González-Real, M. M. (2013). Evaluation of SVM and ELM for daily reference evapotranspiration estimation in semi-arid regions. Computers and Electronics in Agriculture, 89, 100-106.
4. López-Urrea, R., Martín de Santa Olalla, F., Fabeiro, C., & Moratalla, A. (2006). Testing evapotranspiration equations using lysimeter observations in a semiarid climate. Agricultural Water Management, 85(1-2), 15-26.
5. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.

7 Analyse d'Expert