1Le sol, en tant qu'élément fondamental de l'écosystème terrestre (FAO, 2015), joue un rôle central dans le maintien de la biodiversité (Bardgett et van Straalen, 2014), le cycle des nutriments (Lehmann et Kleber, 2015) et la régulation des flux d'eau (Brauman et al., 2007). Il constitue également une ressource essentielle pour les activités humaines, notamment l’agriculture, qui dépend fortement de la qualité et des propriétés des sols (Lal, 2004). Cependant, cette ressource vitale fait face à des pressions croissantes dues à la croissance démographique, aux changements climatiques et aux pratiques de gestion non durables (Montanarella et al., 2016).
2Dans un contexte de développement durable, la gestion et la conservation des sols sont des enjeux cruciaux. Outre son rôle de support pour la production agricole, le sol agit également comme un réservoir de carbone et un filtre naturel pour les eaux souterraines (Lehmann et Kleber, 2015). Cependant, des processus de dégradation tels que la salinisation, l'érosion et la perte de matière organique menacent ces fonctions essentielles, exacerbant les défis environnementaux et socio-économiques, notamment dans des régions vulnérables comme le Sine Saloum au Sénégal. Ces problématiques soulignent l'importance d’outils modernes pour surveiller, analyser et gérer cette ressource précieuse (UNCCD, 2017).
3La classification des types de sol constitue une étape fondamentale dans la gestion des terres agricoles, l’ingénierie environnementale et la gestion durable des ressources naturelles. En fonction de leurs caractéristiques physico-chimiques (Weil et Brady, 2017), les sols possèdent des propriétés variées influençant leur capacité à retenir l'eau, leur fertilité (Baveye et al, 2020) et leur vulnérabilité à l'érosion (Morgan, 2009). Contrairement aux méthodes traditionnelles (Padarian Minasny et McBratney 2020 ; Carter et Gregorich, 2007), qui se heurtent aux limitations des petites tailles d'échantillons et de la variabilité spatiale des sols, les algorithmes tels que Random Forest et XGBoost permettent de modéliser des relations complexes entre les caractéristiques physico-chimiques des sols et leurs types, tout en tenant compte des interactions non linéaires et des grands volumes de données disponibles.
4L’émergence des données massives (big data en anglais) et des progrès en apprentissage automatique révolutionne ce domaine (Wadoux et al., 2020). Avec l’accès accru à des bases de données ouvertes, comme SoilGrids, et l’utilisation des systèmes d'information géographique (SIG) (Laudares et al., 2016), il est désormais possible de collecter et d’analyser des ensembles de données massifs couvrant de vastes régions. En combinant ces données à des algorithmes puissants, il devient envisageable d’améliorer les méthodes traditionnelles, offrant des résultats plus rapides, économiques et potentiellement plus précis sur de grandes échelles spatiales (Arrouays et al., 2017).
5Ces avancées méthodologiques sont particulièrement pertinentes pour le Sine Saloum, situé dans les régions administratives de Fatick et Kaolack au Sénégal. Cette région est confrontée à une dégradation accélérée des sols, notamment à travers la salinisation. Des études, telles que celle menée par Faye (2017) ont montré que, entre 1994 et 2014, 20 910 hectares de terres cultivables ont été perdus à cause de ce phénomène, avec une progression moyenne annuelle de 998 hectares. Les impacts incluent une diminution de 50 % des surfaces agricoles et une perte de 3 064 hectares de végétation. Ces défis exigent des outils modernes et performants pour évaluer et gérer cette ressource vitale.
6Plusieurs études ont exploré le potentiel des algorithmes d’apprentissage automatique (machine learning en anglais) dans la classification des sols. Par exemple, Aydin et al. (2023) ont démontré que des algorithmes comme Random Forest et les Support Vector Machines (SVM) surpassent les méthodes traditionnelles, offrant une précision accrue grâce à l’intégration de facteurs environnementaux tels que le climat, l'altitude et la couverture végétale. De même, Zhang et al. (2024) ont comparé des algorithmes d'apprentissage automatique (Random Forest, XGBoost) à des méthodes traditionnelles en utilisant des images Sentinel-2 pour l'occupation des sols urbains, constatant une réduction significative des erreurs de classification, en particulier dans des environnements complexes. Ces travaux mettent en lumière l’efficacité des algorithmes dans la gestion de la variabilité et de la complexité des données pédologiques.
7Cependant, malgré ces avancées, peu d'études se sont concentrées sur l'application des algorithmes d'apprentissage automatique dans des régions affectées par des phénomènes spécifiques tels que la salinisation. Cette étude vise à combler cette lacune en appliquant et en comparant les performances des quatre algorithmes d’apprentissage automatique précités (Random Forest, XGBoost, KNN et SVM) pour classifier les types de sols à partir de caractéristiques physico-chimiques. L’étude est menée dans la commune de Djilor, une région du Sine Saloum fortement touchée par la salinisation et la dégradation des terres.
8La commune de Djilor s'étend sur une superficie totale de 410 km² (Gomis, 2015) et se trouve dans la région de Fatick, au Sénégal (carte 1 A).
Carte 1 : Localisation de la commune de Djilor et répartition des types de sols
9Djilor fait partie intégrante du Saloum, une région caractéristique du vaste bassin sénégalo-mauritanien, formé durant l'ère méso-cénozoïque (Gomis, 2015). Le relief de la commune est légèrement accidenté, marqué par des zones dépressionnaires comprenant des bolongs, des mares et un bras du delta du Saloum (Sarr, 2010). Ces particularités géographiques contribuent à la diversité environnementale de la région, caractérisée par une grande diversité pédologique, avec cinq principaux types de sols identifiés (carte 1 C) : sols hydromorphes à gley ; sols ferrugineux tropicaux peu ou pas lessivés ; sols hydromorphes organiques ; sols hydromorphes salins ; sols hydromorphes salins acidifiés. Djilor bénéficie d'un climat soudano-sahélien, avec une pluviométrie annuelle variable comprise entre 600 et 800 mm (Sarr, 2010). Cette variabilité influence considérablement les activités agricoles locales. L'agriculture occupe une place prépondérante dans les activités économiques de la commune. Elle repose sur le défrichement des terres pour les cultures de rente, notamment l’arachide, la pastèque et le coton (Sarr, 2010). Cette activité contribue à façonner le paysage et peut également influencer la qualité des sols.
10Les données ont été traitées et préparées à l'aide d'outils open-source tels que Python et QGIS. Les algorithmes d'apprentissage automatique ont été implémentés pour la classification, et des techniques robustes comme la validation croisée à cinq plis ont été utilisées pour évaluer les modèles. Les étapes clés incluent la préparation des données, la sélection des modèles et l'évaluation des performances à l'aide de métriques adaptées aux objectifs de l'étude.
11Les données utilisées dans cette étude proviennent de la plateforme SoilGrids, reconnue pour sa couverture globale et sa précision (Hengl et al., 2017). Des analyses complémentaires ont été réalisées pour vérifier leur adéquation et leur qualité, notamment en ce qui concerne la représentativité spatiale et la résolution des variables. Les variables analysées incluent le pourcentage de sable, de limon et d'argile (texture du sol) ; le pH (mesure de l'acidité ou alcalinité du sol) ; la matière organique (contenu en carbone organique du sol) ; la densité apparente ; la capacité d’échange cationique (CEC). Pour l’échantillonnage, 1000 points aléatoires ont été générés dans la zone d’étude en utilisant l’algorithme d’extraction aléatoire intégré à QGIS (carte 2). Le processus a consisté à d’abord découper les rasters correspondant aux variables physico-chimiques selon les limites de la zone d’étude à l’aide de l’outil de traitement raster de QGIS. Ensuite, l’algorithme d’extraction aléatoire a permis de générer des points, auxquels les valeurs des variables ont été attribuées. Les données extraites ont ensuite été exportées et analysées dans Python, en utilisant notamment la bibliothèque geopandas pour les traitements nécessaires. Cette méthode garantit une représentativité des caractéristiques pédologiques de la région tout en respectant les exigences méthodologiques pour une analyse robuste et reproductible.
Carte 2 : Répartition spatiale des points d'échantillonnage pour l'entraînement et la validation des modèles dans la région de Djilor
12La préparation des données a permis de garantir leur qualité et leur pertinence pour l’application des algorithmes d’apprentissage automatique. Une analyse exploratoire préliminaire a été menée pour examiner la distribution des variables physico-chimiques et détecter les éventuelles valeurs aberrantes. À cet effet, des diagrammes de type boxplots ont été générés pour représenter les distributions et identifier visuellement les points extrêmes (Figure 1).
Figure 1 : Boxplots des variables physico-chimiques avant la normalisation
13Une matrice de corrélation a également été calculée (Figure 2), révélant notamment une forte relation inverse entre le pourcentage de sable et celui d’argile, ainsi qu’une corrélation positive significative entre le carbone organique et la capacité d’échange cationique (CEC).
Figure 2 : Matrice de corrélation entre les variables normalisées
14Les valeurs aberrantes identifiées ont été traitées à l’aide d’un ajustement sur des seuils définis par les percentiles (1er et 99e). Cette approche a permis de limiter leur influence sans les supprimer, préservant ainsi la richesse des données. Pour assurer une échelle commune entre les variables et réduire l’effet des différences d’unités, une normalisation a été appliquée avec la méthode RobustScaler (Pedregosa et al., 2011). Cette dernière utilise la médiane et l’écart interquartile pour résister aux effets des valeurs extrêmes. Les distributions après normalisation ont été validées pour vérifier la cohérence des données traitées. Afin d’extraire des informations exploitables et de fournir une base pour les modèles supervisés, un clustering non supervisé a été réalisé en utilisant l’algorithme KMeans. Le nombre optimal de clusters a été déterminé grâce à la méthode du coude (elbow method en anglais), garantissant ainsi une segmentation représentative des caractéristiques des données. Les clusters ainsi formés ont servi de pseudo-étiquettes pour la classification supervisée. Une réduction de dimension a été effectuée à l’aide de l’Analyse en Composantes Principales (ACP) (Figure 3), facilitant la visualisation des clusters dans un espace bidimensionnel. La répartition des clusters, présentée dans la figure 3, montre une bonne séparation des classes, indiquant la pertinence des caractéristiques retenues.
Figure 3 : Visualisation des clusters obtenus par KMeans dans l’espace des deux premières composantes principales
15Dans cette section sont détaillées les caractéristiques des quatre algorithmes sélectionnés pour cette étude comparative, chacun ayant des particularités uniques pour gérer des données multi-classes et non linéaires.
16Random Forest est un algorithme introduit par Breiman (2001). Il repose sur un ensemble d'arbres de décision. Chaque arbre est construit sur un sous-ensemble aléatoire des données avec rééchantillonnage, et chaque nœud d'arbre est optimisé sur un sous-ensemble aléatoire des caractéristiques. Un arbre de décision part d'un ensemble d'exemples X et essaie de séparer ces exemples en fonction de la valeur des caractéristiques xi. À chaque nœud t, l'algorithme choisit la caractéristique xj et le seuil Ø qui minimisent une mesure de l'hétérogénéité, telle que l'entropie ou l'indice de Gini. Voici la formule de l'indice de Gini :
17Une fois tous les arbres construits, chaque arbre fait une prédiction hk(x), et la classe y est déterminé par un vote majoritaire : y = mode{h1(x),h2(x), …hT(x)}, où T est le nombre d’arbres dans la forêt. En outre, Random Forest fournit des mesures d'importance des caractéristiques, ce qui permet d'identifier les variables les plus influentes dans la classification. Belgiu et Dragut (2016) ont montré que Random Forest est particulièrement efficace dans la classification des données spatiales.
18XGBoost est un algorithme basé sur le principe du boosting, où les erreurs des modèles précédents sont corrigées par les modèles suivants. Le modèle final est une somme pondérée de modèles faibles (arbres de décision) qui sont ajustés pour minimiser une fonction de perte. Il est introduit par Chen et Guestrin (2016). XGBoost est plus susceptible de surapprendre si les hyperparamètres ne sont pas correctement réglés. Plusieurs études ont montré la supériorité de XGBoost dans les tâches de classification complexe, notamment Ma et Sun (2020) pour la classification des sols. La formule mathématique de l’algorithme est la suivante :
19où : yi est la prédiction pour l’échantillon i, k est le nombre d’arbres, fk est l’arbre k-ème.
20XGBoost minimise une fonction de coût composée d’une perte empirique et d’un terme de régularisation pour éviter le surapprentissage :
21où : l(yi,yi) est le fonction de perte (par exemple, l’erreur quadratique), Ω(fk) est le terme de régularisation des arbres, exprimé ci-après, où Tk est le nombre de feuilles dans l’arbre fk, et w sont les poids des feuilles :
22SVM est un algorithme d'apprentissage supervisé qui cherche à maximiser la marge entre les classes, c'est-à-dire la distance entre les points les plus proches de la frontière de décision, appelés vecteurs de support, et cette frontière. Il a été popularisé par Cortes et Vapnik (1995). SVM est particulièrement utile dans les contextes où les classes sont bien séparables. SVM est efficace dans les espaces à haute dimension et convient bien aux petites bases de données, ce qui le rend pertinent pour l'analyse des sols lorsque les échantillons sont limités. Ghaemi et al. (2017) ont montré que SVM peut être une bonne alternative aux arbres de décision pour la classification des sols. De plus, KNN est plus sensible au bruit dans les données et aux variables fortement corrélées. Zhang et Zhou (2005) ont montré l'efficacité de KNN pour les classifications géographiques. Pour une séparation linéaire des données, la frontière de décision est définie par un hyperplan w . x +b = 0. La marge est donnée par :
23La fonction de décision pour SWM est : où : w est le vecteur des poids, x est l’entrée, b est le biais.
24Tout en respectant la contrainte que les échantillons soient classés correctement, où yi est la classe de l’échantillon i :
25Pour les problèmes non linéaires, le SVM utilise un noyau (kernel) pour projeter les données dans un espace de plus haute dimension où une séparation linéaire est possible :
kXiXj ijM
26Le point x est assigné à la classe C qui est la plus représentée parmi les k voisins les plus proches, où yi est la classe du i -ème voisin :
27Tous les modèles ont été évalués avec une validation croisée stratifiée à 5 plis (5-fold) afin de maintenir l'équilibre des classes dans chaque pli. Cette approche vise à réduire l'impact des déséquilibres potentiels des données sur les performances des modèles, garantissant ainsi des estimations plus fiables et représentatives (James et al., 2013). Les métriques utilisées pour évaluer la performance des modèles incluent la précision, le F1-score, le rappel et la matrice de confusion. Ces métriques ont été choisies pour refléter les différents aspects de la classification des types de sol : la précision qui est une mesure la proportion de prédictions correctes, utile pour évaluer la performance globale ; F1-score qui fournit un équilibre entre le rappel et la précision, particulièrement pertinent dans un contexte où certaines classes de sol pourraient être sous-représentées ; le rappel qui évalue la capacité du modèle à identifier toutes les instances positives d'une classe donnée, essentiel pour éviter des classifications incorrectes dans des contextes critiques (c’est-à-dire les sols vulnérables). Pour la matrice de confusion, deux approches ont été envisagées : 1/ une matrice de confusion calculée sur un pli particulier, permettant une analyse approfondie des erreurs spécifiques ; 2/ une matrice agrégée sur l'ensemble des plis, obtenue en sommant les matrices de confusion des cinq plis. Cette méthode d'agrégation offre une vue d'ensemble des performances globales du modèle. Enfin, l'écart-type des précisions a été calculé afin de mesurer la stabilité des modèles à travers les différents plis. Un faible écart-type indique que les modèles produisent des performances cohérentes, un critère clé pour garantir leur fiabilité dans des applications pratiques.
28Le modèle Random Forest, après optimisation, a atteint une précision globale de 97,13 % sur le jeu de test. La précision moyenne pondérée (weighted avg) et le score F1 sont également élevés, atteignant 97 %. Ces résultats indiquent que Random Forest est capable de généraliser efficacement tout en capturant les relations complexes entre les caractéristiques des sols. Les scores F1, qui mesurent le compromis entre la précision et le rappel, montrent que toutes les classes ont été correctement prises en compte, avec des valeurs allant de 95 % à 100 %. Les hyperparamètres optimaux identifiés pour ce modèle étaient :
-
max_depth : 10
-
min_samples_split : 5
-
n_estimators : 100
29En plus des indicateurs globaux, la matrice de confusion fournit des informations détaillées sur les performances par classe. Elle révèle que le modèle a bien classé la majorité des types de sol. Par exemple, la classe 1 est correctement prédite pour 55 observations, et la classe 4 pour 58 observations (Figure 4).
Figure 4 : Matrice de confusion Random Forest – XGBoost – SVM - KNN
30Cependant, quelques erreurs de classification subsistent. Une confusion notable est observée entre les classes 2 et 4, avec une observation de la classe 2 incorrectement prédite comme appartenant à la classe 4. Une autre erreur mineure se trouve entre les classes 3 et 1, où une observation de la classe 3 est attribuée à la classe 1. Ces erreurs peuvent être attribuées à des similitudes dans les caractéristiques physico-chimiques entre ces types de sol, telles qu’un pourcentage de sable ou de limon proche. Ces observations sont cohérentes avec celles de Aydin et al. (2023), qui ont noté que les modèles basés sur des arbres de décision, comme Random Forest, peuvent confondre des types de sol physiquement ou chimiquement proches. Par ailleurs, ces performances globales renforcent la robustesse de cet algorithme face à des données complexes et bruitées, rejoignant les conclusions de Belgiu et Drăguţ (2016) sur l’efficacité de Random Forest pour la classification de données spatiales.
31L'algorithme XGBoost, après ajustement, a atteint une précision globale de 94,83 % sur le jeu de test. La précision moyenne pondérée (weighted avg) et le score F1 sont également élevés, atteignant respectivement 94 % et 95 %. Bien que performant, XGBoost montre une légère sensibilité au surapprentissage, comme le suggère la différence entre les précisions obtenues lors de la validation croisée et celles observées sur le jeu de test. Les hyperparamètres optimaux identifiés pour XGBoost étaient :
-
learning_rate: 0.1
-
max_depth: 3
-
n_estimators: 100
32La matrice de confusion de XGBoost fournit un aperçu détaillé des performances du modèle par classe (Figure 4). Par exemple, 55 observations de la classe 1 et 28 observations de la classe 2 sont correctement classées. Cependant, XGBoost montre davantage de confusion par rapport à Random Forest, notamment entre la classe 4 et les autres classes, en particulier la classe 2. Une erreur marquante est que quatre observations de la classe 2 ont été incorrectement attribuées à la classe 4. De plus, une observation de la classe 0 a été prédite comme appartenant à la classe 3. Ces erreurs suggèrent que XGBoost a des limites dans la différenciation des types de sols partageant des caractéristiques physico-chimiques similaires ou qui se chevauchent. Ces résultats sont cohérents avec les travaux de Wadoux et al. (2021), qui ont mis en avant que XGBoost peut obtenir des précisions élevées, mais nécessite un réglage minutieux des hyperparamètres pour limiter le surapprentissage et améliorer la séparation des classes.
33Le modèle SVM a surpassé tous les autres modèles avec une précision remarquable de 98,85 % et un score F1 moyen de 99 %. Il s’est distingué par sa capacité exceptionnelle à classer correctement la majorité des types de sol, atteignant une précision parfaite pour certaines classes, telles que la classe 0 et la classe 3. Les hyperparamètres optimaux identifiés pour SVM étaient
-
C : 10
-
gamma : 0.001
-
kernel : linear
34La matrice de confusion pour SVM confirme ces performances élevées (Figure 4). Les classes 0, 2, 3 et 4 ont été classées presque parfaitement, avec, par exemple, 11 observations de la classe 0 et 18 observations de la classe 3 correctement prédites. La seule confusion notable concerne la classe 4, où une observation a été incorrectement attribuée à la classe 2. Ces résultats mettent en lumière la capacité du SVM à gérer les frontières de décision entre des classes aux caractéristiques imbriquées ou proches. Grâce à son utilisation d’hyperplans optimaux, le SVM s’est montré capable de réduire les confusions observées dans d'autres modèles, comme XGBoost et KNN. Ces observations renforcent les conclusions de Laudares et al. (2016), selon lesquelles SVM est particulièrement efficace pour les classifications nécessitant une précision élevée, notamment dans des contextes où les relations entre les caractéristiques sont complexes.
35Le modèle KNN a obtenu une précision globale de 95,40 %, accompagnée d’un score F1 moyen de 96 %. Ces résultats montrent que KNN est capable de capturer efficacement les relations locales dans les données grâce à son approche basée sur la proximité entre les observations. Les hyperparamètres optimaux identifiés pour KNN étaient :
-
metric : manhattan,
-
n_neighbors : 7.
36Malgré ces performances élevées, la matrice de confusion met en évidence des confusions notables, en particulier pour la classe 2 (Figure 4). Par exemple, deux observations de la classe 2 ont été attribuées à la classe 1, et trois autres à la classe 4. En revanche, les classes 0, 1, 3 et 4 affichent des performances presque parfaites, avec une majorité des observations correctement classées. Ces erreurs sont caractéristiques des limites inhérentes à KNN, qui est sensible à la distribution spatiale des données dans l'espace des caractéristiques. Les observations proches des frontières décisionnelles entre les classes risquent davantage d'être mal classées, en particulier dans des cas où les types de sols présentent des similarités géographiques et physico-chimiques. Ces résultats confirment les travaux de Laudares et al. (2016), selon lesquels KNN est efficace pour capturer des relations locales, mais peut être influencé par les bruits et la densité des échantillons, affectant sa capacité à bien généraliser dans certaines situations.
37Les courbes d’apprentissage fournissent une vue détaillée des performances des modèles en fonction de la taille de l’échantillon d'entraînement. Pour le modèle Random Forest, la courbe montre un écart minimal entre les courbes d’entraînement et de validation, suggérant une bonne capacité de généralisation. Les performances se stabilisent rapidement avec l'augmentation de la taille de l'échantillon, ce qui indique une robustesse dans l'apprentissage (Figure 4). En revanche, pour XGBoost, bien que les performances sur l'entraînement soient initialement élevées, un léger écart avec la courbe de validation est observé, ce qui peut indiquer un risque de surapprentissage (overfitting), confirmé par une différence notable entre les précisions sur l'entraînement et la validation croisée.
Figure 5 : Courbe d’apprentissage Random Forest – XGBoost – SVM - KNN
38Les deux modèles d’ensemble, Random Forest et XGBoost, atteignent rapidement une stabilité des performances avec l’augmentation de la taille des données, démontrant leur capacité à apprendre efficacement même avec des échantillons limités. Cependant, pour SVM et KNN, des fluctuations plus marquées sont observées, notamment avec des tailles d’échantillons réduites. Cette sensibilité peut s’expliquer par leur difficulté à capturer les relations complexes et non linéaires entre les caractéristiques physico-chimiques des sols. Tous les modèles montrent une amélioration des performances avec l’augmentation des données, mais à des rythmes différents. Random Forest atteint un plateau plus rapidement, le rendant particulièrement adapté dans le contexte de données limitées. Le modèle SVM, en revanche, présente une amélioration plus lente, indiquant qu’un échantillon encore plus grand pourrait être nécessaire pour capturer pleinement les relations entre les caractéristiques. À la taille actuelle de 1000 points, les courbes montrent que les performances des modèles Random Forest et XGBoost sont proches de leur niveau optimal, bien qu’une légère augmentation de la taille de l’échantillon pourrait encore apporter des gains marginaux. Cette observation est particulièrement pertinente pour les modèles SVM et KNN, qui pourraient bénéficier de davantage de données ou d’une optimisation plus poussée de leurs hyperparamètres. Enfin, l’ajout de points supplémentaires collectés sur le terrain pourrait réduire davantage l’écart entre les performances d'entraînement et de validation, notamment pour XGBoost.
39L'importance des caractéristiques est une mesure clé fournie par les modèles d'arbres de décision, comme Random Forest et XGBoost. Elle permet d'identifier quelles variables ont le plus contribué à la classification des types de sol.
40La figure 6 présente l'importance des caractéristiques pour le modèle Random Forest. Les résultats montrent que les variables les plus importantes pour la classification des types de sol dans cette étude sont le pourcentage de limon (0.18) : la texture du sol, notamment la proportion de limon, est la variable la plus influente, confirmant son rôle crucial dans la différenciation des types de sol ; la densité apparente (0.18) : cette caractéristique physique reflète la structure du sol et son impact sur la classification ; le pourcentage de sable (0.16) et le pourcentage d'argile (0.16) : ces proportions influencent fortement les propriétés texturales et différencient efficacement les classes de sol ; le pH (0.09) et la matière organique (0.09) : ces propriétés chimiques influencent la rétention d'eau et la fertilité du sol, contribuant également à la classification ; la capacité d'échange cationique (CEC, 0.08) et le contenu en eau (0.06) : bien que moins influentes, ces variables apportent une contribution notable.
Figure 6 : Importance des Caractéristiques Random Forest
41Ces résultats confirment les travaux de Ma et Sun (2020), qui ont également trouvé que les caractéristiques texturales et chimiques jouent un rôle majeur dans la classification des types de sol. Le modèle Random Forest met ainsi en évidence la synergie entre ces différentes propriétés physico-chimiques et leur rôle dans la prédiction des types de sol.
42La figure 7 illustre l’importance des caractéristiques déterminée par le modèle XGBoost. Contrairement au modèle Random Forest, où le pourcentage de limon dominait légèrement, XGBoost place la densité apparente et le pourcentage de sable comme les variables les plus importantes, avec des scores respectifs de 0.27 et 0.25. Ces caractéristiques sont suivies par le pH (0.15) : une variable chimique qui joue un rôle significatif dans la classification des sols ; le pourcentage de limon (0.12) et d’argile (0.09) : ces deux variables texturales confirment leur pertinence pour différencier les types de sol ; le contenu en eau (0.05), CEC (0.04) et le carbone organique (0.03) : bien que leurs contributions soient plus faibles, ces variables apportent des informations complémentaires utiles à la classification.
Figure 7 : Importance des Caractéristiques XGBoost
43Ces résultats mettent en évidence la capacité du modèle XGBoost à donner une perspective différente sur l’importance des caractéristiques, tout en corroborant l’idée que les propriétés physico-chimiques du sol restent des indicateurs fiables pour la classification. Ils confirment également que les variables liées à la texture, comme le pourcentage de sable et la densité apparente, dominent en termes d’importance dans les environnements spécifiques comme celui de la commune de Djilor.
44La figure 8 montre l’importance des caractéristiques telle qu’évaluée par le modèle SVM. Contrairement à Random Forest et XGBoost, le modèle SVM met un accent beaucoup plus marqué sur la densité apparente, qui se distingue comme la variable la plus importante avec une contribution de 0.38. Les autres caractéristiques importantes incluent le contenu en eau (0.08) et le pourcentage de limon (0.06) ; ces variables texturales et hydriques complètent la densité apparente pour fournir des informations pertinentes à la classification des sols ; le CEC (0.05) : bien que modérément importante, cette variable chimique contribue à la différenciation des types de sols ; le carbone organique, pH, et le sable (toutes à 0.03) : ces deux variables jouent un rôle similaire mais moins significatif dans le modèle ; le pourcentage d’argile (0.02), cette variable est la moins influente dans ce cas.
Figure 8 : Importance des Caractéristiques SVM
45Ces résultats renforcent l'idée que les caractéristiques physiques, telles que la densité apparente, sont particulièrement pertinentes pour les approches basées sur SVM dans le contexte de la classification des sols. Cependant, la moindre importance relative des variables chimiques (pH, CEC, carbone organique) et des composants texturaux (sable, argile) suggère que SVM pourrait être plus sensible à des caractéristiques bien définies et structurées.
46Les résultats de cette étude révèlent que tous les algorithmes évalués affichent des performances élevées pour la classification des types de sol. Cependant, des variations notables apparaissent entre eux en termes de précision, de rappel, et de robustesse générale. Le modèle Random Forest a présenté une précision globale de 97,13%, confirmant son efficacité dans la classification des types de sol grâce à son approche d'ensemble. Il se distingue par une forte capacité de généralisation et une robustesse face aux données déséquilibrées, comme le montre son équilibre dans les métriques de précision, de rappel et de f1-score sur toutes les classes. Ces résultats corroborent les conclusions de Belgiu et Drăguţ (2016), qui ont mis en avant la flexibilité et la performance de Random Forest avec des réglages minimaux. XGBoost, quant à lui, a atteint une précision de 94,83%. Bien qu'il montre une excellente performance sur certaines classes, une légère baisse dans certaines métriques (comme le rappel pour la classe 2) indique que ce modèle peut être sensible aux données complexes si les hyperparamètres ne sont pas optimisés de manière adéquate. Ces résultats confirment les observations de Ma et Sun (2020), qui soulignent la tendance d'XGBoost à surapprendre si la configuration n'est pas soigneusement ajustée. Le SVM s'est démarqué dans cette étude en obtenant la précision globale la plus élevée (98,85%) grâce à un choix judicieux d'hyperparamètres. Cela reflète sa capacité à exceller dans des environnements où la linéarité peut être exploitée, même dans des scénarios complexes. L'ajustement des paramètres a permis de surmonter certaines limitations, comme le choix du noyau. Ces résultats renforcent les conclusions de Ghaemi et al. (2014), qui mettent en avant le potentiel du SVM dans des configurations bien adaptées. Le KNN a également affiché de solides performances avec une précision globale de 95,40%, mais reste sujet à des variations de rappel pour certaines classes, notamment la classe 2 (87%). Ce comportement, attribué à sa sensibilité à la distribution des données, est cohérent avec la littérature (Zhang et Zhou, 2005), qui souligne que le KNN est particulièrement affecté par les données bruitées et fortement corrélées.
47Les résultats obtenus soulignent l'importance d'un réglage optimal des hyperparamètres pour chaque algorithme. Bien que Random Forest et SVM aient montré des performances globales supérieures, les différences observées pour certaines classes indiquent que le choix du modèle peut dépendre des caractéristiques spécifiques des données. Par exemple, Random Forest reste un choix robuste et fiable, adapté aux projets nécessitant une généralisation stable ; SVM, grâce à ses performances exceptionnelles, pourrait être préféré pour des analyses nécessitant une précision maximale, à condition que les données soient bien préparées ; XGBoost, malgré des performances légèrement inférieures, demeure pertinent dans des scénarios nécessitant des capacités d'ensemble learning avancées ; KNN, enfin, peut être utile pour des ensembles de données plus petits ou homogènes.
48Les limites de cette étude résident dans la taille et la distribution des données. Bien que les algorithmes aient montré des performances globales élevées, certaines classes moins représentées ont influencé les métriques. Ces observations suggèrent qu'une analyse future pourrait inclure des approches d'échantillonnage stratégiques pour équilibrer les classes ou explorer des modèles plus complexes, comme les réseaux neuronaux, pour des comparaisons supplémentaires.
49Cette étude a exploré l'efficacité de différents algorithmes d'apprentissage automatique pour la classification des types de sol en utilisant des données physico-chimiques issues de SoilGrids. Une méthodologie rigoureuse a été adoptée, comprenant la préparation des données (sélection aléatoire de 1000 points), l'extraction des Caractéristiques, et la comparaison des performances de quatre modèles : Random Forest, XGBoost, SVM et KNN. Les résultats montrent que le SVM, avec une précision globale de 98,85%, se démarque comme l'algorithme le plus performant, suivi de Random Forest (97,13%) et KNN (95,40%), tandis que XGBoost atteint une précision de 94,83%. Ces résultats mettent en évidence l'importance d'un réglage optimal des hyperparamètres et confirment la capacité de ces algorithmes à capturer les interactions complexes entre les caractéristiques physico-chimiques des sols. Par ailleurs, l'analyse de l'importance des variables révèle que la texture du sol (pourcentages de sable et de limon) joue un rôle central dans la classification. Ces résultats ont des implications pratiques majeures, notamment pour la gestion des terres agricoles, l’ingénierie environnementale, et la planification de l'utilisation durable des ressources naturelles au Sénégal, en particulier dans la région de Kaolack. Ils démontrent que l’apprentissage automatique peut offrir une solution fiable pour des décisions basées sur des données dans des contextes agricoles et environnementaux. Cependant, cette étude présente certaines limites, notamment la taille et la distribution des échantillons utilisés, ainsi que l'absence de validation avec des données terrain. Ces aspects ont pu influencer les performances des modèles, notamment pour les classes moins représentées. Pour l’avenir, des travaux pourraient se concentrer sur l’intégration de données de terrain supplémentaires pour valider les modèles et augmenter la robustesse des résultats. En outre, l'exploration de modèles plus complexes, comme les réseaux neuronaux profonds, ou l'adoption de techniques avancées d'équilibrage des classes pourrait enrichir davantage cette approche. Enfin, une extension à d'autres zones géographiques renforcerait la généralisabilité des conclusions obtenues.