Contribution au développement d'un outil de quantification du degré d'intensification d'exploitations laitières via les variables prédites sur base de la spectrométrie infrarouge

Abstract

Dans le cadre du projet SIMBA, un outil d’aide à la décision est développé afin de permettre aux agriculteurs de quantifier les intérêts économiques et environnementaux selon la méthode de gestion de leur exploitation laitière. Cet outil utilise des simulations liées à une analyse de cycle de vie et des modèles basés sur les agents dont certaines données d’entrée ne sont pas disponibles à large échelle. Ainsi, un aspect du projet consiste à exploiter des données déjà existantes via une approche d’apprentissage automatique pour définir ces nouvelles variables dont notamment la "conscience verte" des agriculteurs. Dans ce cadre, la connaissance de l’intensification de la production laitière pourrait permettre d’améliorer l’assignement de cette variable qui est actuellement très théorique. En effet, des travaux antérieurs ont montré que la mise en place d’actions vertes était différente selon l’intensification de l’exploitation. L’objectif de ce travail vise donc à déterminer un gradient d’intensification caractérisant les exploitations laitières wallonnes à large échelle. Pour ce faire, une hypothèse de travail a été formulée et consiste à supposer que l’intensification se voit dans la composition fine du lait. Ainsi, l’aspect innovant de ce travail consiste donc à prédire ce gradient d’intensification sur base de 112 variables prédites issues de l’analyse moyen infrarouge du lait de tank et de quatre variables communiquées par le laboratoire laitier qui ont été moyennées à l’année. Pour atteindre cet objectif, deux approches ont été testées. La première est basée sur la prédiction, au moyen d’une régression des moindres carrés partiels (PLS), d’un gradient d’intensification estimé à partir du score sur la première composante principale de 15 variables technico-économiques issues des comptabilités agricoles. La seconde approche repose sur un clustering, la prédiction des clusters trouvés par une analyse discriminante des moindres carrés partiels (PLS-DA) et l’utilisation de leurs probabilités d’appartenance. Comparé à la première approche dont les données sont limitées majoritairement à la région herbagère liégeoise (1 776 observations collectées de 2009 à 2018 au sein de 285 exploitations), la seconde utilise l’entièreté des données laitières disponibles (42 110 observations collectées de 2009 à 2021 au sein de 4 375 exploitations) la rendant plus représentative. Les performances du modèle PLS obtenues sont modérées avec R2v variant de 0,49 à 0,51. Dans le cadre de la seconde approche, trois clusters ont été identifiés. La fiabilité de leur prédiction par la méthode PLS-DA variait de 0,69 à 0,70. La corrélation entre la probabilité des observations d’appartenir à un de ces clusters et le gradient d’intensification était de -0,51, montrant que même si l’analyse est non supervisée, elle a pu mettre en avant des modes d’alimentation différents. En effet, le premier cluster peut être attribué à des exploitations extensives. Les deux approches apportent donc leurs lots d’avantages et d’inconvénients (supervisé mais non représentatif vs. non-supervisé et représentatif). Il est donc difficile de conclure de l’utilisation d’un modèle plutôt qu’un autre mais les deux modèles allaient dans le même sens. Cependant, il est important de mentionner que les variables issues du lait sont en partie capables de mettre en lumière le degré d’intensification du comportement d’un agriculteur ce qui était l’objectif poursuivi.