Cartographie numérique des sols du bassin arachidier sénégalais : Modélisation spatiale de l’azote, du phosphore et du potassium par krigeage de régression et apprentissage automatique

Abstract

La fertilité des sols semi-arides d’Afrique de l’Ouest, en particulier du bassin arachidier sénégalais, est soumise à une dégradation progressive liée aux pressions anthropiques et climatiques. En l’absence de cartes pédologiques actualisées à haute résolution, la gestion raisonnée des intrants agricoles reste difficile. Cette étude vise à prédire et spatialiser les teneurs en azote total (N), phosphore disponible (P) et potassium échangeable (K) sur 148 433 polygones du bassin arachidier du Sénégal (Observatoire de Niakhar). Elle propose une approche de cartographie numérique des sols (CNS) combinant neuf algorithmes d’apprentissage automatique (MLR, Ridge, Lasso, PLSR, MARS, Random Forest, Cubist, XGBoost, SVM) et le krigeage de régression (KR). Les données d’entraînement proviennent de 10 classes de sols prédictives en fonction des covariables Scorpan (Végétation, topographie, climat et géologie), où un prélèvement de 100 échantillons a été effectué soit 10 échantillons par classe de sols. Ces échantillons ont été regroupés en 10 échantillons composites soit un échantillon composite par classe de sol, ce qui a donné un effectif réel pour la modélisation : n = 10). La validation est réalisée par validation croisée leave-one-out (LOO-CV) inter-clusters. Les résultats montrent que MARS obtient les meilleures performances pour N (R² = 0,457 ; RMSE = 0,0187 % ; RPD = 1,43) et que la MLR est la plus robuste pour K (R² = 0,386 ; RPD = 1,35). La prédiction du phosphore s’avère particulièrement délicate (R² < 0 pour tous les modèles en LOO-CV, CV = 150 %). Le krigeage de régression produit des cartes choroplèthes couvrant l’intégralité du domaine. Les valeurs médianes prédites sont N = 0,054 % ; P = 5,17 ppm ; K = 0,085 meq/100 g. Le cluster 9 se distingue comme un hotspot de phosphore (P moyen = 31 ppm). Ces résultats constituent une première base cartographique exploratoire. En raison du faible effectif d’entraînement (n = 10) et de l’absence de jeu de validation indépendant, les cartes ne peuvent pas encore être utilisées pour des recommandations de fertilisation précises à l’échelle parcellaire.

Soil fertility in the semi-arid zones of West Africa, particularly in the Senegalese peanut basin, is subject to progressive degradation driven by anthropogenic and climatic pressures. In the absence of up-to-date high-resolution soil maps, rational management of agricultural inputs remains difficult. This study aims to predict and spatialize total nitrogen (N), available phosphorus (P), and exchangeable potassium (K) contents across 148,433 polygons of the Senegalese peanut basin (Niakhar Observatory). It proposes a digital soil mapping (DSM) approach combining nine machine learning algorithms (MLR, Ridge, Lasso, PLSR, MARS, Random Forest, Cubist, XGBoost, SVM) and regression kriging (RK). Training data originate from 10 predictive soil classes defined according to SCORPAN covariates (vegetation, topography, climate, and geology), from which 100 samples were collected, 10 samples per soil class. These samples were pooled into 10 composite samples, one per soil class, yielding an effective sample size for modelling of n = 10. Validation was performed using inter-cluster leave-one-out cross-validation (LOO-CV). Results show that MARS achieves the best performance for N (R² = 0.457; RMSE = 0.0187%; RPD = 1.43), while MLR is the most robust for K (R² = 0.386; RPD = 1.35). Phosphorus prediction proves particularly challenging (R² < 0 for all models in LOO-CV; CV = 150%). Regression kriging produces choropleth maps covering the entire study domain. Median predicted values are N = 0.054%, P = 5.17 ppm, and K = 0.085 meq/100 g. Cluster 9 stands out as a phosphorus hotspot (mean P = 31 ppm). These results constitute a first exploratory cartographic baseline. Given the small training sample size (n = 10) and the absence of an independent validation dataset, the maps cannot yet be used for precise fertiliser recommendations at the field scale.