High‐resolution mapping of soil phosphorus concentration in agricultural landscapes with readily available or detailed survey data - Institut Agro Rennes-Angers Accéder directement au contenu
Article Dans Une Revue European Journal of Soil Science Année : 2017

High‐resolution mapping of soil phosphorus concentration in agricultural landscapes with readily available or detailed survey data

Résumé

High-resolution mapping of soil phosphorus (P) concentration is necessary to identify critical source areas reliably where a large risk of transport coincides with a large potential source of P in agricultural landscapes. However, dense soil P data are not usually available to produce such maps and to obtain them is expensive. In this study, we modelled and mapped soil extractable P (ExtP) and total P (TP) concentrations in an intensively farmed 12-km2 catchment in Brittany (NW France) with two different datasets to test the suitability of readily available regional or national databases for high-resolution mapping. We used a machine learning tool (Cubist) to develop rule-based predictive models from a calibration dataset. Covariates included pedological, geological, agricultural, terrain and geophysical-related attributes obtained specifically in the study area (SURVEY) or derived from readily available regional or national databases (DATABASE). Even though better predictions were obtained with the SURVEY data (RMSE = 0.018 g kg−1 for ExtP and RMSE = 0.219 g kg−1 for TP), the DATABASE data produced acceptable predictions (RMSE = 0.024 g kg−1 for ExtP and RMSE = 0.253 g kg−1 for TP). The machine learning tool helped to identify key covariates that would improve the prediction of soil P when detailed data are not available. Readily available data about crop rotations could increase the accuracy of existing ExtP maps. These maps, combined with additional soil analysis for extractable Al, would improve the mapping of TP and the identification of areas with a large potential source of P. Modelling and mapping of soil phosphorus with the machine learning algorithm Cubist. Comparison of regional or national databases and detailed survey data for prediction. Models with regional and national data performed well, but some areas with large concentrations of P were not identified. Information about crop rotation and soil extractable Al improved model performance. Cartographie haute-résolution des concentrations en phosphore des sols dans les paysages agricoles en utilisant des données facilement disponibles ou issues d'enquêtes détaillées. Une cartographie haute résolution des concentrations en phosphore (P) des sols est nécessaire pour identifier de manière fiable les zones critiques dans les paysages agricoles, c'est-à-dire les zones où coïncident des risques élevés liés d'une part au transport et d'autre part aux sources potentielles de P. Cependant, les bases de données issues d'un échantillonnage dense des sols, nécessaires pour produire ces cartes, sont rarement disponibles car elles présentent un coût élevé. Dans cette étude, nous avons modélisé et cartographié les concentrations en P extractible (ExtP) et P total (TP) des sols dans un bassin versant agricole intensif de 12 km2 situé en Bretagne (Nord-Ouest de la France) en utilisant deux bases de données afin de tester l'adéquation des données régionales/nationales pour une cartographie haute résolution. Nous avons utilisé un outil d'apprentissage automatique (Cubist) pour construire des modèles de prédiction reposant sur des règles de décision dérivées d'un jeu de calibration. Les covariables utilisées décrivaient les caractéristiques pédologiques, géologiques, agricoles, topographiques et géophysiques issues d'une collecte de données spécifique dans la zone d'étude (SURVEY) ou issues de bases de données régionales et nationales déjà disponibles (DATABASE). Bien qu'une meilleure qualité de prédiction soit obtenue avec la base de données SURVEY (RMSE = 0.018 g kg−1 pour ExtP et RMSE = 0.219 g kg−1 pour TP), la base de données DATABASE a produit des prédictions acceptables (RMSE = 0.024 g kg−1 pour ExtP et RMSE = 0.253 g kg−1 pour TP). L'outil d'apprentissage automatique a permis d'identifier les covariables clés pour améliorer la prédiction des concentrations en P des sols quand un jeu de données détaillé n'est pas disponible. L'utilisation d'informations sur les rotations de culture permet rait d'améliorer la précision des cartes de ExtP, ce qui, combiné à des analyses complémentaires de l'aluminium extractible, permettrait d'établir une cartographie plus précise de TP et des zones critiques.
Fichier non déposé

Dates et versions

hal-01524318 , version 1 (17-05-2017)

Identifiants

Citer

Mariana Matos Moreira, Blandine Lemercier, Rémi Dupas, Didier Michot, Valérie Viaud, et al.. High‐resolution mapping of soil phosphorus concentration in agricultural landscapes with readily available or detailed survey data. European Journal of Soil Science, 2017, 68 (3), pp.281-294. ⟨10.1111/ejss.12420⟩. ⟨hal-01524318⟩
76 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More