Modélisation prédictive de la croissance du millet dans des sols amendés par des pesticides et de la vinasse à l’aide d’une interprétation de régression SHAP

Pourquoi cela compte pour notre alimentation et nos sols

L’agriculture moderne dépend des pesticides pour protéger les cultures et d’effluents industriels comme la vinasse, un liquide riche en nutriments issu du traitement de la canne à sucre, pour fertiliser les parcelles. Mais la combinaison de ces produits chimiques et résidus dans le sol peut avoir des effets cachés sur la croissance des plantes et la santé du sol à long terme. Cette étude pose une question pratique aux implications larges : peut-on utiliser des modèles informatiques avancés pour démêler la manière dont ces substances interagissent dans le sol et influencent, au fil du temps, une culture fourragère robuste comme le millet perlé ?

Un banc d’essai pour un sol agricole en mutation

Les chercheurs ont cultivé des plants de millet perlé en pots, sous serre, en reproduisant des conditions rencontrées dans des zones sucrières où pesticides et vinasse sont fréquents. Ils se sont concentrés sur deux produits largement utilisés : le tebuthiuron, un herbicide persistant, et le thiaméthoxame, un insecticide, ainsi que sur la vinasse, souvent appliquée comme fertilisant liquide. En combinant la présence ou l’absence de chacun de ces trois apports, ils ont créé des sols présentant différents scénarios de contamination et de fertilisation. L’équipe a ensuite suivi la réponse des plants à travers des mesures simples mais informatives : la masse sèche des racines et des tiges, et la verdure des feuilles, reflet de la chlorophylle et de l’état général de la plante.

Laisser les données parler grâce à l’apprentissage automatique

Plutôt que de chercher des relations causales simples et univoques, les auteurs ont eu recours à un ensemble d’outils d’apprentissage automatique. Ces modèles informatiques sont conçus pour détecter des motifs dans des données complexes et bruitées que les statistiques traditionnelles peinent parfois à appréhender. Ils ont testé neuf méthodes de régression, des modèles linéaires classiques à des techniques plus flexibles comme les forêts aléatoires et la régression par processus gaussien. Pour s’assurer que les modèles soient non seulement performants mais aussi interprétables, ils ont utilisé une méthode appelée SHAP (Shapley Additive Explanations), qui montre dans quelle mesure chaque facteur — le temps, les pesticides et la vinasse — pousse les prédictions à la hausse ou à la baisse pour chaque plante.

Le temps, le géant discret de la croissance végétale

Dans tous les modèles, un message est ressorti clairement : le temps était le principal déterminant des prédictions. Lorsque le nombre de jours après semis était inclus, les modèles ont réalisé un travail modeste mais significatif pour anticiper la biomasse des racines et des parties aériennes. Lorsqu’on retirait la variable temps, leur précision s’effondrait, n’expliquant presque plus la variation de croissance des plantes. Les analyses SHAP ont confirmé cela, montrant que le temps avait systématiquement l’influence la plus forte sur la biomasse prédite, tandis que les pesticides et la vinasse jouaient des rôles plus faibles et dépendants du contexte. Cela a du sens biologiquement : les systèmes racinaires et aériens se développent progressivement, et leurs réponses aux produits chimiques s’accumulent ou s’estompent sur des semaines plutôt que d’apparaître d’un coup.

Acteurs favorables et nocifs dans le mélange du sol

Les modèles ont aussi détecté des signaux plus subtils sur la façon dont chaque additif du sol affectait la croissance du millet. La vinasse tendait à soutenir le développement des plantes, agissant comme amendement et source de nutriments qui augmentait souvent la biomasse des parties aériennes dans les simulations. En revanche, le tebuthiuron et, dans une moindre mesure, le thiaméthoxame, présentaient généralement des contributions neutres ou négatives, cohérentes avec leur réputation de produits persistants pouvant stresser les plantes non ciblées et la vie du sol. Fait important, les modèles suggéraient que l’interaction entre ces facteurs — comment la vinasse modifie les conditions du sol, comment les pesticides se dégradent ou persistent, et comment tout cela évolue dans le temps — est trop complexe pour être saisie par une mesure ponctuelle unique.

Ce que cela signifie pour une agriculture plus intelligente et plus sûre

Pour le lecteur général, la principale conclusion est que prédire la croissance des plantes dans des sols traités chimiquement ne dépend pas seulement des produits présents, mais de la durée d’exposition des plantes et de la manière dont ces substances interagissent à mesure que les conditions changent. L’étude montre que l’apprentissage automatique interprétable peut révéler ces dynamiques sensibles au temps, même lorsque les données sont bruitées et que les effets sont modestes. Bien que les modèles ne soient pas des boules de cristal parfaites, ils ont confirmé de façon fiable que la vinasse peut favoriser la croissance et que les pesticides persistants peuvent la freiner, le tout sous l’influence prépondérante du temps. Cette approche peut aider agriculteurs, agronomes et régulateurs à concevoir des stratégies de gestion qui maintiennent la productivité des sols tout en réduisant les risques de cumul chimique à long terme.

Citation: Frias, Y.A., de Almeida Moreira, B.R., Valério, T.S. et al. Predictive modeling of millet growth in pesticide- and vinasse-amended soils using SHAP regression interpretation. Sci Rep 16, 6935 (2026). https://doi.org/10.1038/s41598-026-35512-7

Mots-clés: sols contaminés par des pesticides, millet perlé, fertigation à la vinasse, apprentissage automatique en agriculture, réhabilitation des sols