Une analyse pluriannuelle a testé si les cartes de zones de gestion basées sur les conditions du sol, la topographie ou d’autres caractéristiques du paysage peuvent prédire de manière fiable quelles parties d’un champ de maïs répondront le mieux à des taux plus élevés de semis ou d’application d’azote. Les résultats de cette étude pourraient remettre en question certaines hypothèses courantes dans le domaine de l’agriculture numérique.
Les résultats de l’étude
Contrairement aux suppositions courantes, l’étude a révélé que les réponses des parcelles de cultures aux mêmes intrants varient considérablement d’une année à l’autre. Le facteur le plus imprévisible – la météo – semble avoir le plus grand impact sur la manière dont les cultures répondent à ces intrants. Ces nouvelles découvertes ont été rapportées dans le Agronomy Journal.
La cartographie des zones de gestion est née d’un regain d’intérêt pour l’agriculture numérique – l’utilisation de nouvelles technologies de collecte de données et d’analyse pour mieux comprendre l’interaction des facteurs qui contribuent aux rendements des cultures, a déclaré le professeur de sciences des cultures de l’Université de l’Illinois Urbana-Champaign, Nicolas Martin, qui a mené l’analyse avec l’ancien chercheur postdoctoral de l’U. de I., Carlos Agustin Alesso.
L’approche de l’étude
L’étude a utilisé une approche inhabituelle pour tester les prédictions de la carte de zones de gestion.
« Nous avons utilisé notre matériel agricole comme une imprimante, créant un patchwork d’intrants comme une courtepointe avec différentes couleurs », a déclaré Martin. « Nous avons imprimé notre expérience sur plusieurs sites, en utilisant un design complètement aléatoire. »
Les chercheurs ont mené les travaux sur 7 sites typiques de production de maïs non irrigué en Illinois, chacun d’eux étant subdivisé en des centaines de parcelles. Chaque parcelle a reçu un taux aléatoire de semis de maïs et d’application d’azote. Chaque parcelle a également eu sa composition du sol, sa topographie et d’autres caractéristiques spécifiques au site mesurées. Toutes les autres variables à l’exception de la météo ont été standardisées à travers les champs. Les essais ont eu lieu de 2016 à 2021.
Les conclusions de l’étude
En mesurant le rendement de chaque parcelle lors de la récolte sur plusieurs années, les chercheurs ont déterminé quelles parcelles étaient les plus réactives aux intrants chaque année. Ils ont utilisé un algorithme avancé de forêt aléatoire pour déterminer quels facteurs – conditions météorologiques, caractéristiques du sol ou pente, par exemple – prédisaient le mieux si une application d’azote plus élevée ou un taux de semis plus élevé améliorerait les rendements.
« Nous avons constaté que les variables météorologiques sont les facteurs les plus importants déterminant les motifs spatiaux de réponse au taux d’azote ou au taux de semis, suivis par les attributs du paysage et du sol », a ajouté le professeur Martin. « Nous avons également constaté que les réponses varient d’une année à l’autre en fonction des effets météorologiques. Elles sont très incohérentes, du moins dans les champs que nous avons testés. »
En synthèse
Cela signifie qu’une parcelle qui réagit bien à un taux d’azote plus élevé une année pourrait ne pas réagir aussi bien la fois suivante où elle est plantée en maïs. Cela rend le concept de cartographie des zones de gestion un prédicteur peu fiable des réponses des cultures aux intrants.
«Nous pensons que ces résultats peuvent expliquer en partie pourquoi les technologies de l’agriculture de précision ont été adoptées de manière inégale par les agriculteurs», a conclu Nicolas Martin.
Les chercheurs croient que davantage de données pluriannuelles et de meilleurs outils de capteurs et d’analyse sur site peuvent éventuellement améliorer la capacité prédictive de la cartographie des zones de gestion.
Pour une meilleure compréhension
Qu’est-ce que la cartographie des zones de gestion en agriculture ?
La cartographie des zones de gestion est une approche de l’agriculture numérique qui utilise des données sur les conditions du sol, la topographie et d’autres caractéristiques du paysage pour prédire les zones d’un champ qui répondront le mieux à des taux plus élevés de semis ou d’application d’azote.
Quels sont les facteurs qui influencent la réponse des cultures aux intrants ?
Les facteurs qui influencent la réponse des cultures aux intrants comprennent les conditions météorologiques, les caractéristiques du sol et la topographie. Cependant, l’étude a révélé que les conditions météorologiques sont le facteur le plus imprévisible et le plus influent.
Comment l’étude a-t-elle été menée ?
L’étude a été menée sur sept sites typiques de production de maïs non irrigué en Illinois, chacun d’eux étant subdivisé en des centaines de parcelles. Chaque parcelle a reçu un taux aléatoire de semis de maïs et d’application d’azote, et sa composition du sol, sa topographie et d’autres caractéristiques spécifiques au site ont été mesurées.
Quels sont les principaux résultats de l’étude ?
Les résultats de l’étude ont montré que les réponses des parcelles de cultures aux mêmes intrants varient considérablement d’une année à l’autre, et que les conditions météorologiques sont le facteur le plus important déterminant les motifs spatiaux de réponse au taux d’azote ou au taux de semis.
Quelles sont les implications de ces résultats pour l’agriculture numérique ?
Ces résultats suggèrent que la cartographie des zones de gestion peut être un prédicteur peu fiable des réponses des cultures aux intrants. Cela pourrait expliquer pourquoi les technologies de l’agriculture de précision ont été adoptées de manière inégale par les agriculteurs.
Article : « Spatial and temporal variability of corn response to nitrogen and seed rates » – DOI:10.1002/agj2.21471
Légende illustration principale : Les chercheurs ont « imprimé » leurs semences et leurs apports d’azote dans des parcelles situées dans sept champs de maïs de l’Illinois, puis ont analysé le rapport entre ces apports et les rendements d’une année sur l’autre. Credit : Nicolas Martin using Bing AI image creator
