Cartographie numérique de la fertilité des sols du bassin arachidier sénégalais par modélisation spatiale de l’azote, du phosphore et du potassium : une étude exploratoire combinant 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 des cartes pédologiques actualisées à haute résolution, la gestion raisonnée des intrants agricoles demeure difficile à l’échelle parcellaire. 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. Les données d’entraînement proviennent de 10 classes de sols prédictives en fonction des covariables SCORPAN (Végétation, topographie, climat et géologie), où 100 échantillons ont été prélevés, soit 10 échantillons par classe de sol. 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 avec 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.

The fertility of semi-arid soils in West Africa, particularly in the Senegalese groundnut basin, is subject to progressive degradation linked to anthropogenic and climatic pressures. In the absence of updated high-resolution pedological maps, sound management of agricultural inputs remains difficult at the field scale. This study aims to predict and spatialize total nitrogen (N), available phosphorus (P), and exchangeable potassium (K) content across 148,433 polygons of Senegal's groundnut basin (Niakhar Observatory). It proposes a digital soil mapping (DSM) approach combining nine machine learning algorithms. Training data come from 10 predictive soil classes defined according to SCORPAN covariates (Vegetation, topography, climate, and geology), for which 100 samples were collected, i.e., 10 samples per soil class. These samples were pooled into 10 composite samples, one composite sample per soil class, resulting in an actual modeling sample size of n = 10. Validation was carried out through inter-cluster leave-one-out cross-validation (LOO-CV). Results show that MARS achieved the best performance for N (R² = 0.457; RMSE = 0.0187%; RPD = 1.43), while MLR was the most robust for K (R² = 0.386; RPD = 1.35). Phosphorus prediction proved particularly challenging, with R² < 0 for all models under LOO-CV (CV = 150%). Regression kriging produced choropleth maps covering the entire study domain. Predicted median values were N = 0.054%; P = 5.17 ppm; K = 0.085 meq/100 g. Cluster 9 stood 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 fertilization recommendations at the field scale.