Potentiel de reconquête agricole dans les Alpes-Maritimes : Vers une planification alimentaire territoriale pour la transition écologique
- Ibn-Daifa, Sofian (2025)
Mémoire
Non consultable
- Titre en français
- Potentiel de reconquête agricole dans les Alpes-Maritimes : Vers une planification alimentaire territoriale pour la transition écologique
- Titre dans une autre langue
- Agricultural reconquest potential in the Alpes-Maritimes : Towards a territorial food planning strategy for the ecological transition
- Auteur
- Ibn-Daifa, Sofian
- Directeur de recherche
- Angeliaume Descamps, Alexandra
- Date de soutenance
- 12 septembre 2025
- Établissement
- Université Toulouse-Jean Jaurès
- UFR ou composante
- Département Géographie-Aménagement-Environnement
- Mots-clés en français
- Friches agricoles
- Télédétection
- Apprentissage automatique
- Reterritorialisation
- Planification alimentaire
- Mots-clés dans une autre langue
- Agricultural wasteland
- Remote sensing
- Machine learning
- Reterritorialization
- Food planning
- Résumé en français
-
L’abandon des terres cultivées, ou déprise agricole, constitue un défi majeur pour le département des Alpes-Maritimes, situé dans l’extrême sud-est de la France, où la pression foncière est forte, le relief accidenté et les parcelles très morcelées. Dans un contexte de transition écologique et de recherche d’autonomie alimentaire, ce mémoire vise à cartographier les friches agricoles mobilisables et à évaluer ensuite leur potentiel de mise en culture afin d’augmenter la production locale.
La méthodologie combine l’analyse de données spatiales et l’apprentissage automatique. Tout d’abord, un modèle de classification par forêts d’arbres décisionnels (Random Forest) a été entraîné pour détecter les parcelles en friche à partir de parcelles connues comme abandonnées. La deuxième étape de la méthodologie consiste à la caractérisation de ces friches agricoles dans un but de remise en valeur agricole et d’estimer la superficie de terres arables exploitables pour différents types de production. Pour finir, un outil numérique a été développé pour permettre d’imaginer des scenarii d’allocation dans le département pour différentes productions agricoles (élevage, cultures pérennes ou annuelles), afin d’estimer la contribution potentielle de la remise en culture de ces terres à l’autonomie alimentaire du département.
Les résultats montrent que le modèle supervisé Random Forest présente une haute performance prédictive pour repérer les terres en friche. Il a permis d’identifier près de 8 300 ha de friches mobilisables dans le département des Alpes-Maritimes, soit près de 1 100 ha de plus que les friches déjà recensées, ce qui suggère une sous-estimation de la déprise dans ce département. En abaissant le seuil de probabilité du modèle pour maximiser la détection, ce total atteint environ 12 000 ha de friches. En parallèle, le modèle met en évidence les facteurs clés de l’abandon : isolement (fort couvert forestier, éloignement), contraintes naturelles (forte pente, accès difficile) et faible taille des parcelles.
La deuxième étape d’analyse multicritère montre que plusieurs milliers d’hectares de friches offrent des conditions propices à une remise en culture, notamment pour l’élevage extensif ou des cultures pérennes, alors qu’une part plus limitée pour les grandes cultures céréalières, le maraîchage et les légumineuses.
Finalement, l’outil numérique développé fournit aux décideurs un outil opérationnel pour appuyer les politiques de réaffectation du foncier et de planification alimentaire. Bien que ce travail montre l’efficacité d’une analyse spatiale et d’une approche par apprentissage automatique dans les projets de reconquête agricole, plusieurs améliorations peuvent être envisagées. À titre d’exemple, une intégration de données socio-économiques et temporelles, une meilleure prise en compte du micro-relief et un affinement des critères agronomiques pour améliorer la précision du diagnostic. - Résumé dans une autre langue
-
The abandonment of cultivated land, or agricultural withdrawal, is a major challenge for the department of Alpes-Maritimes, located in the far southeast of France, where land pressure is high, the terrain is rugged, and the plots are very fragmented. In a context of ecological transition and the search for food autonomy, this dissertation aims to map the mobilizable agricultural wastelands and then evaluate their cultivation potential in order to increase local production.
The methodology combines spatial data analysis and machine learning. First, a Random Forest classification model was trained to detect fallow plots from plots known to be abandoned. The second step of the methodology consists of characterizing these agricultural wastelands with the aim of agricultural redevelopment and estimating the area of arable land that can be exploited for different types of production. Finally, a digital tool was developed to allow for the creation of allocation scenarios in the department for different agricultural productions (livestock, perennial or annual crops), in order to estimate the potential contribution of cultivating this land to the department’s food autonomy.
The results show that the supervised Random Forest model has a high predictive performance for locating fallow land. It made it possible to identify nearly 8,300 ha of mobilizable wasteland in the department of Alpes-Maritimes, which is nearly 1,100 ha more than the fallow land already surveyed, suggesting an underestimation of agricultural decline in this department. By lowering the model’s probability threshold to maximize detection, this total reaches about 12,000 ha of fallow land. At the same time, the model highlights the key factors of abandonment: isolation (dense forest cover, remoteness), natural constraints (steep slope, difficult access), and small plot size.
The second stage of the multicriteria analysis shows that several thousand hectares of wasteland offer conditions suitable for cultivation, particularly for extensive livestock farming or perennial crops, while a more limited share is suitable for large-scale cereal crops, market gardening, and legumes.
Finally, the developed digital tool provides decision-makers with an operational tool to support land reallocation and food planning policies. Although this work shows the effectiveness of a spatial analysis and a machine learning approach in agricultural reconquest projects, several improvements can be considered. For example, an integration of socio-economic and temporal data, a better consideration of the micro-relief, and a refinement of the agronomic criteria to improve the accuracy of the diagnosis. - Accès au document
- Non consultable
Citation bibliographique
Ibn-Daifa, Sofian (2025), Potentiel de reconquête agricole dans les Alpes-Maritimes : Vers une planification alimentaire territoriale pour la transition écologique [Mémoire]