Valorisation données anciennes du canton de VD
Le canton de Vaud possède de nombreuses données pédologiques anciennes. L’objectif de ce projet est de tester les possibilités de modéliser ces données en vue d’établir une stratégie de cartographie des sols pour tout le canton.
Factsheet
- Lead school School of Agricultural, Forest and Food Sciences
- Institute Agriculture
- Research unit Soils and Geoinformation
- Funding organisation Others
- Duration (planned) 01.12.2020 - 24.12.2023
- Project management Prof. Dr. Stéphane Burgos
- Head of project Prof. Dr. Stéphane Burgos
- Project staff Prof. Dr. Stéphane Burgos
- Partner Canton de Vaud
- Keywords Données pédologiques, Vaud, modélisation, cartographie, sol
Situation
Le canton de Vaud dispose d’une grande quantité de données pédologiques historiques. Le workpackage 1 a permis de recenser 32’414 sondages avec 90’331 horizons et 304 profils avec 1087 horizons. Ces données ont été analysées et traduites au mieux dans le système FAL 24 qui correspond au standard actuel. Le workpackage 2 a permis d’établir la qualité des données et de valider leur contenu en effectuant des sondages sur 270 lieux anciens. Des conseils d’utilisation ont été émis. Enfin, le workpackage 3 consiste en une évaluation des possibilités de modéliser et d’utiliser ces données dans une future cartographie cantonale. Cette évaluation doit permettre d’établir une stratégie cohérente pour prioriser les zones à cartographier et de poser les bases documentaires pour faciliter cette cartographie.
Course of action
Cinq zones, comprenant chacune 100 sondages, ont été définies. Ces sondages vont servir de validation pour les prédictions des variables modélisées. Les variables ont été calculées d’après les données de base issues des workpackges 1 et 2. Les variables explicatives ont été dérivées des données topographiques, geologiques et climatiques du canton. Une modélisation basée sur le machine learning (random forest) à permis d’entrainer un modèle. La valeur de chaque pixel a ensuite été calculée à partir du modèle et des variables explicatives.
