Vers un processus d'harmonisation des RRP assisté par cartographie numérique

(1)

HAL Id: hal-02797086

https://hal.inrae.fr/hal-02797086

Submitted on 5 Jun 2020

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Gaëtan Fourvel

To cite this version:

Gaëtan Fourvel. Vers un processus d’harmonisation des RRP assisté par cartographie numérique.

Journée Harmonisation Cartographique, Réseau Mixte Technologique ”Sols et Territoires” (RMT Sols et Territoires). FRA., May 2014, Paris, France. 62 p. �hal-02797086�

(2)

27 mai 2014 – Journée

Harmonisation Cartographique

Vers un processus d’harmonisation des RRP assisté par cartographie numérique

Gaëtan FOURVEL– gaetan.fourvel@orleans.inra.fr 27/05/2014

(3)

assisté par cartographie numérique

Gaëtan FOURVEL / Journée Harmonisation Cartographique

.02

Qu’est-ce que la cartographie numérique des sols?

 Définition et principe

 SCORPAN

 Les modèles de classification

27/05/2014

Construction d’un processus d’harmonisation des RRP assisté par Cartographie Numérique des Sols (CNS) :

 La secteur test, les données et les covariables

 Les étapes du raisonnement

(4)

.03

27/05/2014

Définition :

« La création et l’enrichissement de systèmes d’information pédologiques à références spatiales par des modèles numériques inférant les variations spatiales et temporelles des sols et de leurs propriétés à partir

d’observations de sol et de données spatiales d’environnement des sols » (Lagacherie & McBratney, 2007)

Principe général :

Prédire des classes de sol (ou des propriétés de sol) en utilisant les données pédologiques disponibles sur la zone à étudier et les données spatiales représentant des éléments du paysage en relation avec les sols (de causalité (facteurs pédogénétiques) ou non), appelées dans la suite « covariables du sol ».

Ces prédictions sont réalisées par des fonctions de prédiction induites par des modèles statistiques ou géostatistiques (Lagacherie et al. 2013).

(5)

.04

27/05/2014

Principe :

S = f ( S, C , O , R , P, A, N ) + ε

Sol Sol _Climat Organismes Relief Roche mère Age Position( x,y)

Fonction de prédiction

Données spatiales en lien avec formation des sols

Données pédologiques anciennes (profils, cartes)

(McBratney et al, 2003)

Erreur

(6)

.05

Carte des Sols connus

① Type de sol 1

② Type de sol 2

③ Type de sol 3

Sol = f(Covar 1, Covar 2, Covar 3, Covar 4) + ε

Zone d’apprentissage

①

② ③ ②

03/07/2014

Principe :

(7)

.06

① Type de sol 1

② Type de sol 2

③ Type de sol 3

①

② ③ ②

03/07/2014

Principe :

(8)

.07 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

① Type de sol 1

② Type de sol 2

③ Type de sol 3

①

② ③ ②

03/07/2014

Principe :

(9)

.08 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

① Type de sol 1

② Type de sol 2

③ Type de sol 3

3 pixels d’apprentissage

Coord. XY

Zone d’apprentissage Covar 1 = a

Covar 2 = b Covar 3 = c

Covar 4 = d Sol ①

Définit par et et et

et

une erreur ε

①

② ③ ②

03/07/2014

Principe :

(10)

.09 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

① Type de sol 1

② Type de sol 2

③ Type de sol 3

①

② ③ ②

Coord. XY

Covar 1 = a’

Covar 2 = b’

Covar 3 = c’

Covar 4 = d’

Sol ②

et

une erreur ε

03/07/2014

Principe :

(11)

.010 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

① Type de sol 1

② Type de sol 2

③ Type de sol 3

①

② ③ ②

Coord. XY

Covar 1 = a’’

Covar 2 = b’’

Covar 3 = c’’

Covar 4 = d’’

Sol ③

et

une erreur ε

03/07/2014

Principe :

(12)

.011 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Zone pédologiquement inconnue =

Zone cible du modèle

03/07/2014

Principe :

(13)

.012 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Pour chaque pixel

03/07/2014

Principe :

(14)

.013 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Pour chaque pixel

Combinaison des covariables Covar 1,Covar2,Covar3, Covar4

03/07/2014

Principe :

(15)

.014 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Pour chaque pixel

Sol ① Sol ② Sol ③

Lois de distribution des sols établies lors de l’apprentissage

Définition du type de sol

03/07/2014

Principe :

(16)

.015 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Pour chaque pixel

Sol ① Sol ② Sol ③

03/07/2014

Principe :

(17)

.016 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Pour chaque pixel

Sol ① Sol ② Sol ③

03/07/2014

Principe :

(18)

.017 S

C O R P A N

Covar 1

Covar 2

Covar 3

Covar 4

Pour chaque pixel

Sol ① Sol ② Sol ③

③

① ②

03/07/2014

Principe :

(19)

.018

27/05/2014

La modélisation statistique :

Algorithmes :

 CART (Classification And Regression Tree)

 Consiste à découper une population d’individus d’apprentissage en 2 parties homogènes du point de vue de la variable à expliquer Y en fonction des

valeurs ou des modalités des variables explicatives X (covariables) qui

expliquent au mieux la variable réponse (type de sol). Puis on recommence sur chaque sous-population  arbre binaire de classification.

 GBM (Gradient Boosted Model)

 Algorithme qui réalise une multitude d’arbres élémentaires binaires de classification. L’arbre final est une combinaison linéaire de ces différents arbres.

 Y = f(X₁, X₂,…, X_n), avec n variables explicatives quantitatives et/ou qualitatives

 L’ordre d’apparition dans l’arbre et le choix des variables explicatives (covariables) utilisées ont pour but de maximiser l’homogénéité des regroupements des valeurs Y (feuille de l’arbre = type de sol)

(20)

.019

27/05/2014

Classification supervisée par arbre de décision :

pente Corin land cover

Corin land cover

Sol ① Sol ② Sol ③

Covar 1 = pente

Covar 2 = matériaux parents Covar 3 = Corin Land Cover

> 20% < 20%

forêt marais

matériaux parents

dépôt alluvial calcaire

Sol ④ Sol ②

forêt prairie

 Décryptage des lois de

distribution des sols grâce à l’ensemble des points

d’apprentissage.

 Prédiction du type de sol le plus probable pour chaque pixel de la zone cible.

La modélisation statistique :

(21)

.020

27/05/2014

Avantages de la CNS :

 Objectivité de la méthode pédo-statistique

 Relative simplicité de mise en œuvre

 Rapidité

 Reproductibilité de la méthode MAIS il y a des inconvénients :

 Obtenir de covariables pertinentes et fiables

 Fiabilité des modélisations

 Difficulté à valider les prédictions d’un modèle (interventions d’experts)

 Méthode à adapter à la problématique d’harmonisation des RRP

 La CNS ne se suffit pas à elle-même, il faut l’intégrer à une méthodologie d’harmonisation complète dans laquelle il est indispensable de faire intervenir des experts pédologues-cartographes.

Conclusion :

(22)

assisté par cartographie numérique

.021

Qu’est-ce que la cartographie numérique des sols?

 Définition et principe

 SCORPAN

 Les modèles de classification

27/05/2014

Construction d’un processus d’harmonisation des RRP assisté par Cartographie Numérique des Sols (CNS) :

 La secteur test, les données et les covariables

 Les étapes du raisonnement

(23)

.022

27/05/2014

Le secteur test :

Région Centre

 RRP du Loiret (45)

 RRP de l’Eure-et-Loir (28) Délimitation de la zone d’intérêt :

Règle : Minimiser l’impact du processus d’harmonisation sur les RRP.

(réduire la zone modifiée )

(24)

.023

27/05/2014

Champ reg_nat de la table UCS de DoneSol3 : appartenance aux PRA

(+ consultation des pédologues) Le secteur test :

(25)

.024

27/05/2014

Les NO_UCS se confondent entre les 2 RRP Le secteur test :

(26)

.025

27/05/2014

 RRP 28 : 70 UCS codées avec un NO_UCS de -7 à 66

 RRP 45 : 98 UCS codées avec un NO_UCS de -6 à 95

Problème : certains NO_UCS renvoient à une UCS du 28 et à une UCS du 45 Nouveau codage : NO_UCS_100

Pour le RRP 28 : NO_UCS_100 = NO_UCS

Pour le RRP 45 : NO_UCS_100 = NO_UCS + 100

 Les UCS « non-sol » (NO_UCS négatifs) sont exclues temporairement du processus d’harmonisation car la CNS ne peut, à priori, pas les modéliser (résultantes d’activités anthropiques).

(27)

.026

27/05/2014

- Différence de précision du tracé Incohérences Graphiques :

- Dans la continuité des UCS « transfrontalières » (contours des UCS)

Incohérences Sémantiques : -noms des UCS différents

-différence dans la composition des UCS (% d’UTS) -différence dans la nature des UTS représentés

NO_UCS_100 nom UCS N° UTS nom UTS % UTS/UCS

47

Plateaux limono- argileux à argilo- limoneux, épais, non

hydromorphes, sur Calcaire de Beauce de

la Beauce chartraine

159

NEOLUVISOL resature, a horizon redoxique

profond

6

160 NEOLUVISOL 71

161 CALCOSOL 23

139

Sols limoneux, épais, non hydromorphes,

des plateaux de Grande

Beauce

117 RENDISOLS 2

125 PLANOSOLS

limoneux 9 121 LUVISOLS,

NEOLUVISOLS 8

118 CALCOSOLS 9

116 RENDOSOLS 5

119 CALCISOLS 17

120 BRUNISOLS 50

(28)

.027

27/05/2014

50

Plateaux limono- argileux à argilo-

limoneux, moyennement épais,

non hydromorphes, parfois calciques ou calcaires, sur Calcaire

de Beauce de la Beauce chartraine

169 BRUNISOL

EUTRIQUE 18

170 CALCOSOL 66

171 CALCISOL 9

167 CALCOSOL 6

168 COLLUVIOSOL 1

138

Sols peu épais, non hydromorphes, calcaires ou calciques,

des versants des vallons secs de la Grande Beauce

117 RENDISOLS 11

118 CALCOSOLS 19

119 CALCISOLS 22

120 BRUNISOLS 18

116 RENDOSOLS 30

Plateau :

Versants :

Les mêmes sols mais dans 2 zones différentes : « bord de vallon » = plateau (50) « vallon » = versants (138)

(29)

.028

27/05/2014

 Repérer les zones où la limite administrative entre les 2 RRP correspond à une limite pédologique « naturelle ».

Grande Beauce Petite Beauce

La limite administrative correspond à un

changement de Petite Région Agricole.

= limite pédologique

« naturelle » (hypothèse) Le secteur test :

(30)

.029

27/05/2014

 Repérer les UCS « particulières » en contact avec la limite administrative.

-exemple naturel : Unité 46 (RRP 28) a une texture très argileuse -exemple anthropique : Unité 140 (RRP 45)

texture très limoneuse en surface

hypothèse : amendement important en résidus de sucrerie (proximité d’Artenay)

épandage exclusif dans le Loiret ?

Les UCS 140 et 46 sont exclues du processus d’harmonisation et rattachées par la suite aux RRP harmonisées. Des

modifications « à la main » seront à prévoir pour l’UCS 46.

(31)

28

45

.030

27/05/2014

Les covariables :

Couverture minimale d’une covariable servant à la CNS Emprise des autres covariables utilisées en CNS

Résolution des Rasters : 50 m

36 covariables différentes disponibles sur la zone

(32)

.031

27/05/2014

S = f ( S, C, O, R, P, A, N ) + S ε

carte des sols au 1/1 000 000 sol1m carte des sols sur la France entière au 1/1 000 000.

profondeur du sol prof classe de profondeur dominante du sol

texture du sol tex

classe dominante de la texture du sol au sein d’une UCS.

Les classes de texture sont les 15 classes du triangle de l’Aisne.

sol1m

(33)

.032

27/05/2014

S = f ( S, C, O, R, P, A, N ) + S ε

carte des sols au 1/1 000 000 sol1m carte des sols sur la France entière au 1/1 000 000.

profondeur du sol prof classe de profondeur dominante du sol

texture du sol tex

classe dominante de la texture du sol au sein d’une UCS.

Les classes de texture sont les 15 classes du triangle de l’Aisne.

Texture :

SL LS LAS LM A AL LA ALO

Extrait de la base de données DoneSol3

(34)

.033

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

C

évapotranspiration potentielle etp

quantité d’eau en mm susceptible de s’évaporer dans l’atmosphère au cours d’une année complète par transpiration de la végétation

pluviométrie pluv quantité d’eau tombée sur le sol en une année complète exprimée en mm

pluie cumulée en mode

multidirectionnel pml

quantité d’eau en mm tombée sur un pixel plus la quantité d’eau reçue par ruissellement sur un pixel donné provenant des pixels voisins

(35)

.034

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

O

Corine Land Cover clc inventaire biophysique de l’occupation des sols couverture du sol en massifs

forestiers foret

inventaire biogéographique de la présence ou de l’absence des différents types de forêts sur une zone donnée

Futaie de feuillus Futaie de conifères Futaie mixte

Mélange de futaie de feuillus et taillis Mélange de futaie de conifères et taillis Taillis

Foret ouverte Lande Peupleraie Autre

Pertinence des covariables pour une zone donnée?

(36)

.035

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

R

altitude (modèle numérique de terrain) mnt altitude par rapport au niveau de référence maritime

pente pente dérivée primaire de l’altitude.

courbure longitudinale clg correspond à la courbure verticale, courbure du profil de pente courbure du plan cp correspond à la courbure horizontale ou courbures des courbes de

niveau.

courbure le long du profil de plus forte

pente cpfp la pente le long du profil de plus forte pente.

courbure tangentielle ctg correspond à la courbure plan multipliée par le sinus de l’angle de la pente

courbure transversale ctv correspond à la courbure horizontale landform calculé avec une fenêtre de

100m lf100

classification topographique des paysages présents sur une zone.

Les paysages sont définis selon une fenêtre de 100m (2 pixels de 50m) autour d’un pixel donné

landform calculé avec une fenêtre de

1000m lf1000

Les paysages sont définis selon une fenêtre de 1000m (20 pixels de 50m) autour d’un pixel donné.

200m lf200

50m lf50

500m lf500

(37)

.036

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

R

altitude (modèle numérique de terrain) mnt altitude par rapport au niveau de référence maritime

pente pente dérivée primaire de l’altitude.

courbure longitudinale clg correspond à la courbure verticale, courbure du profil de pente courbure du plan cp correspond à la courbure horizontale ou courbures des courbes de

niveau.

courbure le long du profil de plus forte

pente cpfp la pente le long du profil de plus forte pente.

courbure tangentielle ctg correspond à la courbure plan multipliée par le sinus de l’angle de la pente

courbure transversale ctv correspond à la courbure horizontale landform calculé avec une fenêtre de

100m lf100

Les paysages sont définis selon une fenêtre de 100m (2 pixels de 50m) autour d’un pixel donné

1000m lf1000

200m lf200

50m lf50

500m lf500

(38)

.037

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

R

Landform 50m Landform 1000m

R

(39)

.038

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

R

indice de Beven-Kirkby beven Indice topographique d’estimation du potentiel de saturation en eau des sols (sols hydromorphes)

Dénivelé au cours d’eau dc dénivelé en mètre (différence d’altitude) au cours d’eau le plus proche en distance hydrologique

indice de développement et

persistance des réseaux idpr

Il traduit l'aptitude des formations du sous-sol à laisser ruisseler ou s'infiltrer les eaux de surface. Il se fonde sur l'analyse du modèle numérique de terrain et des réseaux hydrographiques naturels, conditionnés par la géologie indice topoclimatique itc

comme l’indice de Beven-Krikby mais prend en compte en plus le climat local (précipitations locales) pour l’accumulation d’eau sur un pixel donné

indice de Beven-Kirkby aval mrt

indice topographique de Beven-Krikby utilisant la pente β’ qui est la pente entre un pixel donné et le pixel le plus proche situé dans le réseau hydrographique (en aval et saturé par l’eau)

indice de Strahler strah

Indice de Strahler des bassins versants des cours d’eau de la zone. L’indice de Strahler est une classification d’un réseau hydrographique qui caractérise l’importance d’un cours d’eau.

(40)

.039

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

P

carte géologique au 1/1 000 000 geol1m carte des affleurements géologiques à l’échelle 1/1 000 000 carte géologique au 1/50 000 geolh carte des affleurements géologiques à l’échelle 1/50 000

harmonisée

teneur en Thorium Th teneur en Thorium totale de l’horizon superficiel des sols (télédétection)

teneur en Titane Ti teneur en Titane totale de l’horizon superficiel des sols (télédétection)

teneur totale en éléments télédetectés Total teneur totale en éléments détectables de l’horizon superficiel des sols. Cette teneur est mesurée par télédétection.

teneur en Uranium U teneur en Uranium totale de l’horizon superficiel des sols (télédétection)

teneur en potassium K teneur en potassium totale de l’horizon superficiel des sols (télédétection)

(41)

.040

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

P

carte géologique au 1/1 000 000 geol1m carte des affleurements géologiques à l’échelle 1/1 000 000 carte géologique au 1/50 000 geolh carte des affleurements géologiques à l’échelle 1/50 000

harmonisée

teneur en Thorium Th teneur en Thorium totale de l’horizon superficiel des sols (télédétection)

teneur en Titane Ti teneur en Titane totale de l’horizon superficiel des sols (télédétection)

teneur totale en éléments télédetectés Total teneur totale en éléments détectables de l’horizon superficiel des sols. Cette teneur est mesurée par télédétection.

teneur en Uranium U teneur en Uranium totale de l’horizon superficiel des sols (télédétection)

teneur en potassium K teneur en potassium totale de l’horizon superficiel des sols (télédétection)

(42)

.041

27/05/2014

S = f ( S, C, O, R, P, A, N ) + ε

 Théoriquement, Il existe bien d’autres covariables… mais sont-elles disponibles?

 Autorisation d’exploitation (carte géol 1/50 000)?

 Possibilité techniques (éléments télédétectés)?

Et surtout sont-elles pertinentes?

 pour la zone concernée?

 en général pour caractériser les UCS

 Deuxième intervention des Pédologues:

Pour le choix des covariables (retrait/ajout)

Proposition d’une liste de covariable et le pédologue les classe selon leur pertinence : très pertinente

peu pertinente sans influence

Toutes les covariables ont été jugées potentiellement pertinentes : réalisation d’essais

(43)

.042

27/05/2014

Choix de la zone cible du modèle de CNS :

45 28

Choix de travailler sur une zone restreinte : la Grande Beauce Zone cible du modèle (CNS) :

Surface sur laquelle on prédit les types de sols à partir des covariables à l’aide d’un modèle préalablement établi sur une zone d’apprentissage.

Zone cible = surface correspondant à la surface des UCS des 2 RRP en contact direct avec la limite administrative.

Le reste du RRP est considéré comme non modifiable (privilégier les travaux des pédologues)

(44)

.043

27/05/2014

45 28

Choix de travailler sur une zone restreinte : la Grande Beauce

Définition de la zone cible : UCS frontalières

Zone cible = zone à

modifier graphiquement Choix de la zone cible du modèle de CNS :

(45)

.044

27/05/2014

Plusieurs configurations possibles pour les zones d’apprentissage et la zone cible du modèle Les différentes zones à distinguer :

Grande Beauce du 45 Cible GB 45

Extension GB 45

Grande Beauce du 28

Extension GB 28 Cible GB 28

(46)

.045

27/05/2014

Plusieurs configurations possibles pour les zones d’apprentissage et la zone cible du modèle Les différentes configurations pour la CNS :

Zone

d’apprentissage

Zone cible

(47)

.046

27/05/2014

Plusieurs configurations possibles pour les zones d’apprentissage et la zone cible du modèle

Zone cible

28 vers 45 45 vers 28

Zone

d’apprentissage

1/50 000 de

Neuville-aux-bois Les différentes configurations pour la CNS :

(48)

.047

27/05/2014

Les méthodes de CNS possibles :

Méthode 1 : Zone d’apprentissage : Grande Beauce Zone cible : zone cible

Validation interne du modèle : 68,5 %

Validation externe des prédictions : 75,5 %

(49)

.048

27/05/2014

Covariables retirées : tex, prof

(50)

.049

27/05/2014

Covariables retirées : tex, prof Influence des covariables : tex et prof

(51)

.050

27/05/2014

Validation interne du modèle : 91,3 %

Validation externe des prédictions : 91,4 % Que faut-il privilégier ? Les indices de qualité des prédictions et du modèle ou la cohérence graphique (quelque part la cohérence pédologique)?

(52)

.051

27/05/2014

avantages inconvénients

le résultat se présente sous la forme d'une seule carte directement interprétable

La limite administrative n’est pas complètement estompée (en fonction des covariables choisies)

le modèle peut choisir les UCS les plus pertinentes parmi toutes celles présentent sur l'ensemble des 2 RRP (grande Beauce uniquement).

L’intégration des résultats dans la base DoneSol est complexe car on prédit des UCS (UTS représentées, %, surfacique, continuité des strates?…)

Les UCS utilisées par le modèle pour prédire la zone cible

sont initialement proches de la zone cible. (cohérence) comment choisir le meilleur modèle? Contradiction entre aspect graphique des cartes (continuité pédologique logique) et probabilité maximale calculée par le modèle.

Validation?

Méthode prometteuse

(53)

.052

27/05/2014

Méthode 2 : Zone d’apprentissage : l’extension de la grande Beauce Zone cible : zone cible

Validation interne du modèle : 89,2%

(54)

.053

27/05/2014

Méthode 2 : Zone d’apprentissage : l’extension de la grande Beauce Zone cible : zone cible

Validation interne du modèle : 89,2%

La limite administrative n’est pas complètement estompée.

Nécessité d’un raccord « manuel » entre certaines UCS (142 et 50)

Les UCS utilisées par le modèle pour prédire la zone cible sont initialement proches de la zone cible. (cohérence)

comment choisir le meilleur modèle? Contradiction entre aspect graphique des cartes (continuité logique

pédologiquement) et probabilité maximale calculée par le modèle. Validation?

Les UCS qui seraient uniquement présentent sur la zone cible ne peuvent pas être prédites problème

Méthode à exclure : ne prend pas en compte les UCS

présentes dans la zone cible entre les 2 RRP à harmoniser

(55)

.054

27/05/2014

Méthode 3 : Zone d’apprentissage : zone cible Zone cible : zone cible

Validation interne du

modèle : 84,6 % Validation externe des prédictions : 87,7 %

(56)

.055

27/05/2014

Méthode 3 : Zone d’apprentissage : zone cible Zone cible : zone cible

Les UCS utilisées par le modèle pour prédire la zone cible sont initialement présente dans la zone cible.

(cohérence) : on conserve le travail du pédologue

comment choisir le meilleur modèle? Contradiction entre aspect graphique des cartes (continuité pédologique logique) et probabilité maximale calculée par le modèle.

Validation?

La limite administrative a quasiment disparu avec un modèle relativement robuste.

(57)

.056

27/05/2014

Comparaison des 2 résultats

45 vers 28 28 vers 45

Les modèles sont différents ( malgré des zones très proches) Comment exploiter ce résultat? Quelle carte choisir?

Méthode à exclure Les méthodes de CNS possibles :

(58)

.057

27/05/2014

Méthode 5 : Zone d’apprentissage : 1/50000 Neuville-aux-bois (45) Zone cible : zone cible GB 28

prédiction d'UTS : facilite la construction d'UCS compatibles avec le 250 000eme. On connait assez facilement les UTS, leur pourcentage et leur surface

nécessiter de disposer d'un 50 000eme dans

DoneSol et de sa couche SIG. Le 50 000 eme doit se trouver sur la même petite région naturelle à

proximité immédiate de la frontière on ne modifie qu'un seul RRP (le 28), la 45 reste tel quel. On

gagne du temps et on fait confiance au maximum au travail des pédologues.

nécessite la construction de nouvelles UCS

(soustraire la zone cible prédite du RRP 28, refaire de nouvelles UCS dans DoneSol)

comment choisir le meilleur modèle. Contradiction entre aspect graphique des cartes (continuité logique pédologiquement) et probabilité maximale calculée par le modèle.

Méthode peu reproductible sur toute la France Méthode à exclure

(59)

.058

27/05/2014

 D’après les premiers résultats : la méthode 3 semblent la plus intéressante (ciblecible)

 Utilisation exclusive des UCS initialement présentes dans la zone cible = respect du travail du pédologue

 Cohérence graphique

 Indices de qualité de la modélisation encourageant avec le modèle CART

 Vérification de la cohérence pédologique des prédictions

 Traitement graphique : raster vers vecteur

 Intégration des résultats de la CNS dans la base de données DoneSol

 Processus terminé?

 Améliorations à apporter :

Le processus suivant est indépendant de la configuration de CNS choisie pour réaliser la prédiction des UCS, cependant les résultats de la méthode 3 sont pris en exemple.

Conclusion :

(60)

.059

27/05/2014

Vérification de la cohérence pédologique des prédictions

Matrice de confusion Diagonale : nombre de pixels correctement prédits

Total : ∑(diag) = 87,7 % (= validation externe) Ce qui est intéressant : 12,3% des pixels ont été modifiés par le modèle

Pourcentage de pixels prédits comme UCS 47 Pourcentage de pixels initialement UCS 47

Prédits-observés=progression

(61)

.060

27/05/2014

Le modèle se « trompe » entre 139 et 47 : ressemblance?

139

Sols limoneux, épais, non hydromorphes, des plateaux de Grande

Beauce

117 RENDISOLS 2 125 PLANOSOLS

limoneux 9 121 LUVISOLS,

NEOLUVISOLS 8 118 CALCOSOLS 9 116 RENDOSOLS 5 119 CALCISOLS 17 120 BRUNISOLS 50

47

Plateaux limono-argileux à argilo-limoneux, épais, non hydromorphes, sur Calcaire de Beauce de la Beauce

chartraine

159

NEOLUVISOL resature, a horizon redoxique

profond

6

160 NEOLUVISOL 71

161 CALCOSOL 23

50

Plateaux limono-argileux à argilo-limoneux, moyennement épais, non

hydromorphes, parfois calciques ou calcaires, sur

Calcaire de Beauce de la Beauce chartraine

169 BRUNISOL

EUTRIQUE 18

170 CALCOSOL 66

171 CALCISOL 9

167 CALCOSOL 6

168 COLLUVIOSOL 1

L’UCS 47 ressemble à l’UCS 50 (contraire au choix du pédologue)

Les pédologues experts sur la zone doivent juger si les modifications sont

acceptables ou non.

(62)

.061

27/05/2014

 Si les pédologues sont d’accord : on poursuit par une étape de traitement graphique.

 Si désaccord sur l’ensemble des prédictions : on recommence la modélisation avec d’autres covariables, modèles, configuration d’apprentissage-prédiction.

 Si les désaccords sont minimes et localisés : modification au cas pas cas des polygones.

Le traitement graphique

 Conversion de raster en vecteur

 Lissage des polygones vers un aspect « naturel » (utilisation des courbes de niveaux?)

 Respecter les contraintes de la cartographie au 1/250 000

 Surface minimale des polygones : 0,5 km² (éliminer les pixels isolés)

 Le tracé doit être le plus homogène possible sur la zone

(63)

.062

27/05/2014

Conclusion :

Règle : Minimiser l’impact du processus d’harmonisation sur les RRP.

1. Réduire la zone de travail aux PRA transfrontalières 2. Distinguer les UCS des 2 RRP (NO_UCS_100)

3. Exclure les UCS « non-sols » du processus

4. Mettre en évidence les incohérences graphiques et sémantiques

5. Définir les zones (frontières) où la limite administrative est une limite pédologique 6. Identifier les UCS spécifiques (anthropiques ou naturelles)

7. Choix des covariables utilisables en CNS 8. Définir la zone cible du modèle

9. Choisir la configuration de CNS la plus adaptée à la problématique d’harmonisation (cible vers cible)

10. Vérifier la cohérence des prédictions/validation

11. Traiter graphiquement la prédiction pour qu’elle soit compatible avec le 1/250 000 12. Intégrer les résultats à DoneSol

= intervention d’expert indispensable