Classification des sols dans la savane soudanienne à l’aide des produits Sentinel et d’informations topographiques avec des modèles d’apprentissage automatique

Pourquoi connaître le sol sous nos pieds est important

Au cœur semi‑aride de l’Afrique de l’Ouest, les agriculteurs dépendent du sorgho et d’autres cultures vivrières cultivées dans un paysage où les pluies sont irrégulières et où les sols peuvent varier fortement sur quelques centaines de mètres seulement. Pourtant, des cartes détaillées des sols, nécessaires pour décider quelles cultures planter et comment les gérer, font souvent défaut. Cette étude montre comment des images satellites gratuites et l’apprentissage automatique moderne peuvent être combinés pour dessiner des cartes des sols beaucoup plus précises pour la savane soudanienne du Burkina Faso, offrant un outil pratique pour de meilleurs rendements et une meilleure gestion des terres.

Un paysage qui cache des motifs en pleine vue

La recherche s’est concentrée sur le bassin de Doulou, dans le centre du Burkina Faso, un plateau doucement ondulé avec de petites collines, des vallées peu profondes et une saison des pluies courte mais intense. Des travaux de terrain antérieurs avaient montré que les principaux types de sols de cette région s’organisent étroitement selon la position sur la pente : sols peu profonds et caillouteux sur le haut du plateau ; sols de profondeur modérée sur les pentes moyennes ; sols plus profonds et plus fertiles en bas de pente ; et sols hydromorphes dans les lits des cours d’eau. Ces différences influencent les racines des cultures, le stockage d’eau et la fertilité. Mais jusqu’à présent, les agriculteurs et les planificateurs ne disposaient que de cartes pédologiques nationales ou continentales très générales, qui homogénéisaient la plupart de ces variations à petite échelle.

Observer le sol depuis l’espace

Pour capturer ce motif caché, l’équipe a combiné trois types d’informations. D’abord, elle a utilisé les images du satellite européen Sentinel‑2, qui enregistre la lumière réfléchie dans plusieurs couleurs, y compris des longueurs d’onde sensibles aux minéraux du sol et à l’humidité. Ensuite, elle a ajouté des données radar de Sentinel‑1, capables de percevoir la rugosité de surface et l’humidité même à travers les nuages. Enfin, elle a calculé un indice de « humidité » à partir d’un modèle numérique de terrain à haute résolution, soit une image tridimensionnelle du relief. Cet indice estime où l’eau de pluie a tendance à s’accumuler ou à ruisseler, se reliant directement à la formation des sols le long des pentes. Des scientifiques de terrain avaient préalablement recensé ou échantillonné 141 profils pédologiques et les avaient classés en quatre grands groupes de sols, fournissant la vérité terrain nécessaire pour entraîner et tester les modèles informatiques.

Apprendre aux machines à lire le paysage

Les chercheurs ont ensuite testé trois méthodes d’apprentissage automatique populaires — Random Forest, Extreme Gradient Boosting (XGBoost) et Support Vector Machines — pour voir laquelle pouvait le mieux associer les caractéristiques dérivées des satellites aux types de sol connus. Ils ont essayé plusieurs combinaisons d’entrées, par exemple en n’utilisant que les données radar, uniquement les données optiques, ou des mélanges de celles‑ci avec l’indice d’humidité basé sur le terrain. Le grand gagnant fut XGBoost alimenté par les informations optiques de Sentinel‑2 plus l’indice d’humidité, atteignant une exactitude globale d’environ quatre prédictions correctes sur cinq. Random Forest a obtenu des résultats légèrement inférieurs, et la Support Vector Machine a été derrière. Lorsque l’équipe a examiné quelles entrées importaient le plus, l’indice d’humidité est apparu en tête, soulignant à quel point l’écoulement et l’accumulation d’eau contrôlent les motifs pédologiques dans ce paysage de savane. Certaines bandes en proche‑infrarouge court de Sentinel‑2 se sont également révélées importantes car elles détectent la texture et l’humidité du sol.

Tracer une carte plus précise pour les agriculteurs

Armés du modèle le plus performant, les scientifiques ont produit une carte détaillée des sols du bassin. L’image obtenue montre des sols superficiels et graveleux dominant le haut du plateau, des sols de profondeur moyenne sur les pentes intermédiaires, des sols plus profonds et plus fertiles près du cours d’eau, et des sols humides et mal drainés confinés aux chenaux bas. Comparée aux produits à l’échelle continentale et aux grilles pédologiques globales, cette carte affine les limites entre les zones de sols et corrige des erreurs de classification étendues. Ces détails plus fins correspondent davantage aux enquêtes de terrain et aux connaissances locales, et s’alignent sur la façon dont l’eau et les sédiments descendent la pente lors de fortes pluies. Ces informations peuvent guider l’emplacement de la culture du sorgho ou d’autres plantes, indiquer où s’attendre à des embâcles d’eau, et signaler où la conservation des sols ou la plantation d’arbres pourrait être la plus urgente.

Ce que cela signifie pour l’alimentation et la planification future

Pour les non‑spécialistes, le message clé est qu’il est désormais possible de créer des cartes des sols pratiques à l’échelle des parcelles dans des régions pauvres en données sans des années d’enquêtes coûteuses. En laissant les satellites « lire » le paysage et en utilisant l’apprentissage automatique pour reconnaître les relations entre pente, humidité et sol, cette étude offre un outil qui peut aider les agriculteurs à mieux choisir leurs cultures, cibler les engrais et protéger les zones fragiles contre l’érosion. Bien que l’approche dépende encore de quelques échantillonnages sur le terrain et doive être validée sur des zones plus vastes, elle annonce un avenir où la connaissance détaillée des sols — autrefois enfermée dans des fosses dispersées et des rapports d’experts — pourra être largement mise à disposition à travers la savane soudanienne et d’autres régions sèches similaires.

Citation: Maung, W.S., Kenta, I., Toru, S. et al. Soil classification in the Sudan Savanna using sentinel products and topographic information with machine learning models. Sci Rep 16, 10880 (2026). https://doi.org/10.1038/s41598-026-46259-6

Mots-clés: cartographie numérique des sols, télédétection, apprentissage automatique, savane soudanienne, planification agricole