Le système utilise des images satellites aux côtés de l'intelligence artificielle et a déjà été testé avec succès pour anticiper les performances de la pomme de terre.
Des chercheurs du laboratoire de télédétection (LATUV) de l'Université de Valladolid (UVa) ont conçu un nouvel indice de végétation capable d'améliorer les modèles de prévision des cultures. La nouvelle technique, qui utilise des images satellites ESA Sentinel-2 et des techniques d'apprentissage automatique et d'intelligence artificielle, a été testée avec succès pour prédire le rendement des cultures de pommes de terre et de blé.
La production agricole dépend d'un grand nombre de facteurs, à la fois humains et environnementaux, qui créent une grande incertitude chez les agriculteurs. Mais la technologie peut être un allié important pour la réduire. C'est le cas des modèles de calcul qui cherchent à simuler le comportement d'une culture dans des conditions spécifiques, par exemple le sol, le climat ou les pratiques agricoles, et, en fonction de cette évolution attendue, estimer la production agricole.
«Il existe de nombreux modèles et ils sont généralement spécifiques à chaque type de culture», explique Diego Gómez, chercheur au LATUV et premier auteur de deux études récemment publiées dans les revues International Journal of Remote Sensing et Agricultural and Forest Meteorology.
Mais ces modèles de croissance traditionnels ont certaines limites, telles que «l'incapacité de modéliser spatialement la variabilité au sein d'une même parcelle» ou la multitude de données d'entrée dont ils ont besoin qui «ne sont généralement pas obtenues en raison du coût élevé en temps et en argent impliqué dans leur collecte . »
Superficie de culture de pommes de terre sur laquelle les estimations ont été faites / D. Gómez
Ainsi, ces dernières années, nous misons sur une technologie, la télédétection, qui utilise des images spectrales prises par des capteurs optiques (installés sur des satellites, des avions, des drones, etc.) et qui peut compléter et même remplacer dans certains cas ces modèles traditionnels. Ces images spectrales fournissent des données sur l'état ou la phénologie de la culture - les changements externes visibles dans le processus de développement des plantes - qui sont intégrées dans des modèles qui ajustent ces informations d'entrée pour prédire les cultures.
«Les images spectrales couvrent ce besoin de données d'entrée, permettent d'accéder à des sites distants et ont un faible coût. Ils sont également capables d'obtenir des informations liées à la capacité de production de la culture », note le chercheur du LATUV, qui rappelle que l'un des indices spectraux - formules mathématiques combinant des bandes spectrales - de la végétation le plus couramment utilisé pour estimer la vigueur ou la densité de végétation - qui prédit en fin de compte la productivité des cultures - est le NDVI (NDVI).
L'utilisation de séries chronologiques de cet indice pour générer des modèles prédictifs des cultures est très courante dans la littérature scientifique. Cet indice utilise la réflectance de la végétation - la capacité de la végétation à réfléchir la lumière - dans deux bandes spectrales, rouge et presque rouge, qui sont respectivement liées à une partie de la lumière utilisée pour la photosynthèse et à la structure cellulaire des feuilles.
Un nouvel indice de végétation
Les chercheurs du LATUV ont développé un nouvel indice appelé PPI basé sur des images satellites ESA Sentinel-2 qui, en plus de prendre en compte les informations spectrales impliquées dans la photosynthèse - 400 à 700 nanomètres - prend en compte les informations provenant d'autres zones du spectre électromagnétique -704 nanomètres, bande Red Edge et 945 nanomètres, bande d'absorption de vapeur d'eau -, qui peut fournir d'autres informations clés sur l'état de la culture, comme son stress hydrique - lorsque la plante a besoin de plus d'eau qu'elle n'en a.
Les chercheurs ont comparé la capacité prédictive des deux indices de végétation, NDVI et PPI, avec plus de données provenant d'images satellites. Pour ce faire, ils ont utilisé deux algorithmes d'intelligence artificielle et d'apprentissage automatique (appelés Random Forest et Support Vector Machine), et ont généré divers modèles dans lesquels ils ont combiné ces index avec les autres bandes satellites.
«L'hypothèse était que, en utilisant un index qui utilise d'autres bandes non incluses dans l'indice NDVI populaire et, d'autre part, avec un certain potentiel pour fournir des informations sensibles sur les cultures, les modèles prédictifs seraient meilleurs», explique Gómez, qui avance que, enfin, la capacité prédictive des modèles «augmentait lorsque l'un ou les deux indices de végétation étaient inclus», ce qui valorise «l'utilisation de ces données en combinaison avec certaines bandes satellites individuelles».
Des prédictions plus précises dans la culture de la pomme de terre
Les résultats montrent que l'indice PPI fournit des informations similaires à NDVI lors de l'utilisation de l'algorithme Support Vector Machine, et est nettement plus informatif que NDVI lors de l'utilisation de l'algorithme Random Forest, des résultats prometteurs «qui mettent sur la table un nouvel indice de végétation qui peut améliorer la prédiction. modèles de récolte basés sur des images satellites ».
Jusqu'à présent, le nouvel indice a été testé sur la culture de la pomme de terre dans une zone d'étude assez localisée. Après les céréales, la pomme de terre est l'une des cultures vivrières les plus importantes au monde. Elle joue un rôle clé dans la sécurité alimentaire des pays en développement et a également un poids important dans le secteur agricole européen, l'Allemagne, la France, les Pays-Bas et la Pologne étant les principaux producteurs. Il a également été testé sur du blé avec des données recueillies au Mexique.
L'idée de l'équipement est d'augmenter le nombre de données pour améliorer la solidité du modèle, couvrir une zone d'étude plus large pour augmenter la variabilité spatiale et intégrer de nouvelles cultures. Des perspectives qui dépendent de la continuité du financement et peuvent aider les agriculteurs à prévoir leur récolte de manière plus fiable à l'avenir.