L’INRA et Nature publient une carte intelligente de nutriments des sols agricoles marocains

La revue scientifique Scientific Data de Nature a publié ce vendredi 8 août 2025 une étude de cartographie agricole menée par une équipe de recherche marocaine, issue principalement de l'Institut national de la recherche agronomique (INRA). Cette cartographie intelligente porte sur la prédiction de la disponibilité du phosphore et du potassium échangeable dans les sols agricoles marocains à l'aide de Random Forest, un algorithme de Machine Learning (ML).

Elle vise en premier à combler une lacune longtemps sous-étudiée par la recherche agronomique nationale, où le rôle capital du phosphore et du potassium dans la croissance végétale et les rendements agricoles restait insuffisamment documenté et/ou de portée uniquement locale.

La disponibilité de telles informations permet également de gérer les engrais avec plus de précision, d'optimiser la productivité des cultures, de réduire les déséquilibres nutritionnels et d'orienter les interventions ciblées là où les amendements du sol sont les plus nécessaires.

La méthodologie de développement du modèle de prédiction

Pour cette étude, l'algorithme de modélisation principal choisi est le Random Forest (RF), en raison de sa performance élevée reconnue dans le domaine de la science des sols.

Le modèle a été entraîné à partir de 5.276 et 6.978 échantillons de sols arables géoréférencés (0 à 30 cm) pour prédire respectivement le phosphore disponible et le potassium échangeable. Ces échantillons, collectés entre 2010 et 2022, proviennent pour moitié de la base de données du projet Fertimap du groupe OCP et pour l'autre moitié d'autres organisations marocaines (ministère de l'Agriculture, INRA, directions régionales du développement agricole…).

Les auteurs de l'étude ont divisé les jeux de données pour la prédiction du phosphore disponible et du potassium échangeable en un sous-ensemble d'entraînement (70 %) et un sous-ensemble de test (30 %) à l'aide d'une méthode d'échantillonnage aléatoire stratifié.

Pour créer les cartes de prédiction pour chaque élément, les chercheurs ont sélectionné 15 covariables importantes pour le phosphore disponible et 50 pour le potassium échangeable. Ils ont ensuite évalué la performance et la précision prédictive du modèle à l'aide de plusieurs indicateurs statistiques reconnus (comme l'erreur quadratique moyenne RMSE, l'erreur moyenne et le coefficient de détermination).

Deux cartes, deux constats sur les sols agricoles marocains

La méthodologie a permis de créer deux cartes à très haute résolution, qui prédisent la disponibilité du phosphore et du potassium échangeable dans les sols agricoles du Maroc.

La première carte révèle que la majorité des sols marocains sont bien pourvus en phosphore dans la plupart des régions agricoles. Toutefois, les chercheurs ont constaté des carences dans les environs de Fès, de Settat et au nord de Marrakech.

Contrairement à la première, la seconde carte montre que les régions très riches en phosphore sont souvent plus faibles en potassium échangeable, notamment dans la région d'El Jadida et aux alentours de Tétouan.

Ces cartes, avec une résolution de 250 m, constituent une base solide pour comprendre la répartition des nutriments à l'échelle nationale. L'apport le plus significatif de cette recherche scientifique réside dans la démonstration de méthodes efficaces et concrètes, même si des données plus récentes pourraient encore améliorer la précision des prédictions.

L'intelligence artificielle, et plus spécifiquement le machine learning, s'imposent progressivement comme des technologies transformatrices pour de nombreux secteurs stratégiques. Le domaine agricole en particulier bénéficie de plus en plus de ces avancées technologiques, qui démontrent une efficacité croissante.

Parmi ces avancées, l’intelligence géographique émerge comme un outil puissant. Elle permet non seulement de visualiser avec précision la répartition géographique de divers phénomènes agricoles, mais aussi d'en analyser les dynamiques spatiales et temporelles. L'approche combinant IA et géomatique ouvre de nouvelles perspectives pour une agriculture de précision et une gestion durable des territoires.