Un ensemble de données complet sur les rendements des cultures au Royaume‑Uni intégrant des informations satellitaires, météorologiques et pédologiques

Pourquoi c’est important pour notre avenir alimentaire

La quantité d’aliments qu’un pays peut produire dépend non seulement de la météo, mais de l’interaction subtile entre le climat, le sol et les conditions quotidiennes dans les parcelles des agriculteurs. Jusqu’à présent, les chercheurs au Royaume‑Uni n’avaient pas accès à un large jeu de données ouvert reliant ce qu’on a réellement récolté à des mesures détaillées provenant de satellites et de stations météorologiques. Cet article présente une ressource de ce type, appelée jeu de données CYCleSS, qui rassemble rendements des cultures, climat, sols et observations satellitaires pour des centaines de parcelles en Angleterre. Il offre aux scientifiques, décideurs et même aux entreprises agri‑tech un nouvel outil pour comprendre et prévoir les récoltes dans un monde qui se réchauffe et devient plus incertain.

Assembler les différentes pièces du puzzle agricole

Les auteurs ont constitué CYCleSS en partant de données de « vérité terrain » sur les rendements, collectées par des moissonneuses‑batteuses modernes sur 934 parcelles en Angleterre entre 2015 et 2017. Ces machines enregistrent de façon routinière la quantité de grain récoltée à une résolution spatiale fine, mais ces données restent généralement sur l’exploitation car elles sont commercialement sensibles. L’équipe a travaillé avec le Centre britannique d’écologie et d’hydrologie (UK Centre for Ecology and Hydrology) et d’autres partenaires pour anonymiser ces informations de sorte qu’aucune exploitation individuelle ne puisse être identifiée, tout en conservant une précision suffisante pour un usage scientifique. Outre le rendement, ils ont enregistré quelle culture était cultivée dans chaque parcelle, principalement le blé d’hiver, le colza et l’orge, ainsi que les cultures de légumineuses.

Météo, sol et satellites sur la même carte

Pour comprendre pourquoi les rendements varient, le jeu de données combine plusieurs autres sources d’information, toutes alignées sur une grille de carrés d’un kilomètre. Les relevés météorologiques quotidiens, tels que température, précipitations, ensoleillement, vent, pression atmosphérique et évaporation, proviennent des archives climatiques nationales couvrant l’ensemble de la Grande‑Bretagne. Les propriétés des sols, notamment la capacité de rétention d’eau, la vitesse de drainage et la répartition sable‑limon‑argile, ont été ajoutées à partir de cartes pédologiques à l’échelle européenne. Les chercheurs ont ensuite filtré cette grille pour ne conserver que les zones effectivement consacrées à l’agriculture arable, en utilisant une carte d’occupation des sols détaillée qui distingue les types de culture à une résolution de 10 mètres.

Observer la croissance des cultures depuis l’espace

Un atout majeur de CYCleSS est l’intégration des données satellitaires avec les rendements de terrain. À l’aide d’une plateforme de calcul en nuage, l’équipe a extrait des séries temporelles de mesures radar issues de la mission européenne Sentinel‑1 pour chaque carré de la grille sélectionné. Le radar présente l’avantage de fonctionner à travers les nuages et la nuit, et ses signaux évoluent à mesure que les cultures développent davantage de feuilles et de biomasse. Pour chaque pixel satellitaire de 10 mètres situé dans les zones choisies, les chercheurs ont rassemblé des mesures radar tous les cinq jours dans deux polarisations et leur ratio, connus pour être sensibles au type de culture et au stade de développement. Ces signaux au niveau pixel ont ensuite été moyennés à l’échelle des parcelles et reliés aux informations de rendement et de pratique culturale correspondantes.

Garantir l’anonymat des agriculteurs tout en préservant l’utilité des données

Parce que les cartes de rendement sont directement liées aux moyens de subsistance des agriculteurs, la confidentialité a été une préoccupation centrale. Pour protéger les contributeurs, les auteurs ont mis en place un processus en deux équipes. Une équipe s’est chargée de l’alignement satellite, sol et climat sur la grille fine ; une équipe distincte au UKCEH a fait correspondre ces grilles aux parcelles et aux rendements réels, puis a supprimé les localisations précises. Les parcelles ont finalement été identifiées uniquement par des codes aléatoires et par les carrés de grille plus larges de 10 kilomètres dans lesquels elles se trouvent. Cela signifie qu’un même carré contient de nombreuses exploitations, rendant pratiquement impossible le lien d’un enregistrement de rendement particulier à une entreprise spécifique, tout en préservant le lien scientifique entre l’environnement et le rendement.

Ce que cela permet pour l’agriculture et la résilience climatique

Le jeu de données CYCleSS ouvre la voie à des modèles beaucoup plus puissants de performance des cultures au Royaume‑Uni. Parce qu’il relie des résultats de récolte réels à des flux riches de mesures météo, sol et satellitaires, il est idéal pour entraîner et tester des outils d’apprentissage automatique, comme les réseaux neuronaux profonds, qui nécessitent de grands ensembles de données bien structurés. Il peut également servir à vérifier et améliorer les modèles traditionnels de croissance des cultures et à explorer des façons de combiner ces modèles avec des observations satellitaires en quasi‑temps réel. Bien que les données proviennent principalement d’exploitations mieux équipées du sud de l’Angleterre et comportent encore certaines incertitudes de mesure, elles offrent une fenêtre rare et accessible publiquement sur la façon dont les cultures britanniques réagissent à leur environnement, aidant les chercheurs à concevoir des prévisions de rendement plus fiables et à orienter les efforts visant à rendre l’agriculture à la fois productive et durable.

Citation: Corcoran, E., Bebber, D.P., Curceac, S. et al. A comprehensive UK crop yield dataset incorporating satellite, weather, and soil type information. Sci Data 13, 491 (2026). https://doi.org/10.1038/s41597-025-06528-x

Mots-clés: prédiction des rendements, données agricoles, agriculture au Royaume‑Uni, apprentissage automatique