WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Identification des éléments nutritifs majeurs limitants et des stratégies appropriées de fertilisation sous culture de maïs dans l'Ogou-Est de la région de Plateaux

( Télécharger le fichier original )
par Badjissaga MABA
Université de Lomé - TOGO - Ingénieur Agronome 2007
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

2.2.3. Adaptation de QUEFTS

Le modèle QUEFTS a été utilisé par ce qu'il requiert un nombre relativement important de données pour évaluer la fertilité des sols. Il tient compte de l'influence des trois principaux éléments N, P et K déterminant les rendements des cultures en milieux tropicaux ; il permet aussi de choisir des doses d'engrais à appliquer après avoir déterminé jusqu'à quel point le sol peut satisfaire aux besoins de celles-ci avant d'entreprendre toute expérimentation.

Le modèle a été développé dans des conditions agro-écologigiques bien définies ; par conséquent, il ne peut répondre spontanément aux attentes de l'utilisateur. Il convient alors de le calibrer avant son utilisation.

Ø Calibrage de QUEFTS

Le calibrage d'un modèle consiste à exécuter le modèle et à ajuster si nécessaire les paramètres auxquels le modèle est sensible de façon à optimiser la correspondance entre les valeurs simulées et celles mesurées. Dans cette étude, la comparaison entre les valeurs simulées et celles mesurées a été faite en utilisant les approches graphique (ligne 1 :1) et statistique (tableau 6).

Tableau 6: Critères de performance de prévision (rendement et exportation) du modèle QUEFTS

Paramètres

Critères de bonne performance

Pente

proche de l'unité

Intercepte

proche de zéro

RMSE

aussi faible que possible

RMSE (%)

aussi faible que possible

R

proche de l'unité

- Comparaison basée sur la ligne 1 :1 et coefficient de corrélation

C'est un système bidimensionnel dans lequel les valeurs simulées sont exprimées en fonction de leurs équivalents respectifs mesurés. Dans un tel graphe, la ligne 1 :1 est la droite d'équation y = x c'est-à-dire la valeur simulée coïncide à celle mesurée ou observée. Dans ce sens, le modèle est bon prédicateur tous les points se reposent sur la ligne 1 :1. On parlera de surestimation lorsque les points se rapprochent de l'axe des valeurs simulées alors qu'une sous estimation des valeurs éloignera les points de cet axe et les placera au delà de la ligne 1 :1

Le coefficient de corrélation linéaire R est une mesure du degré d'association linéaire entre deux variables. Il est compris entre -1 et 1. L'idéal est qu'il soit proche de 1. R2 = 0,75 indique que 75% des variables dans les valeurs mesurées sont expliquées par le modèle.

Lorsque la valeur R2 est assez élevée (supérieure à 0,5), l'utilisation de la ligne 1 :1 comme base de comparaison donnera une évidence visuelle du degré d'association entre les deux séries de valeurs. Mais la valeur de R2 est faible (inférieure à 0,5), la comparaison directe sur la ligne 1 :1 peut mener à des interprétations erronées en particulier lorsque d'autres sources incontrôlables d'erreur sont en jeu.

Parfois l'utilisation de la ligne 1 :1 pour l'appréciation de la prévision du modèle devient ambiguë lorsque par exemple les points sont disséminés de part et d'autre de cette ligne ; ou encore les points peuvent apparaître dans une région trop étroite (Du Toit, 2001). Ainsi, la ligne 1 :1 n'est plus suffisante pour l'évaluation de la performance du modèle parce que les limites d'acceptabilité des prévisions ne peuvent être définies sans ambiguïté. L'hypothèse de degré d'association linéaire peut être difficile à satisfaire (Mitchell, 1997).

Une méthode alternative consiste à calculer et à évaluer les écarts réels qui séparent simulations et observations.

- Erreur moyenne de prévision RMSE ou RMSD

L'erreur moyenne de prévision RMSE (Root Mean Squared Error) ou RMSD (Root Mean Squared Deviation) représente la distance moyenne entre les simulations et les mesures (Kobayashi et Us Salam, 2000 ; Du Toit, 2001). Plus concrètement c'est l'écart moyen qui sépare une valeur simulée quelconque de son équivalent mesuré. Elle se calcule comme suit :

RMSE = [n-1? (Pi - Oi) 2] 0.5

n est le nombre des valeurs variant de 1 à n

Pi la valeur prédite

Oi la valeur mesurée

Pour faciliter les comparaisons, il est bon de la relativiser en l'exprimant en pourcentage des moyennes mesurées des variables (NRMSE) qui est l'erreur de prédiction.

NRMSE = (RMSE *100)/ Moyenne des valeurs mesurées

Ø Ajustements

- Ajustement de l'efficience interne ou rapport rendement/exportation du modèle puis comparaison des paramètres d'exportation du modèle avec ceux observés

Cet ajustement consiste à rapprocher de façon progressive les valeurs de l'efficience interne de N, P et K pour avoir une simulation de rendements et des exportations bien faite.

- Ajustement des taux de recouvrement de N, P et K

Pour le calcul du taux de recouvrement voir le paragraphe 2.2.2.2.

Dans le processus du calibrage du taux de recouvrement, les taux de recouvrement de N, P et K calculés à partir des données collectées seront utilisés comme la base de cet ajustement.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Il y a des temps ou l'on doit dispenser son mépris qu'avec économie à cause du grand nombre de nécessiteux"   Chateaubriand