Intelligence artificielle (IA) en agriculture

Qu’est-ce que l’intelligence artificielle ?

L’intelligence artificielle (IA) est la capacité d’une machine à manifester des aptitudes humaines telles que le raisonnement, l’apprentissage, la planification et la créativité (définition de la Commission européenne, 2018). L’IA est à la fois une science et une discipline d’ingénierie. C’est une science parce qu’elle étudie, sur le plan théorique, comment pourrait fonctionner un « raisonnement artificiel ». C’est de l’ingénierie parce que l’on construit des machines ou des programmes qui mettent concrètement en œuvre ces capacités. L’objectif principal de l’IA est de développer des algorithmes, des modèles et des systèmes permettant aux machines d’apprendre à partir des données, d’en tirer des conclusions, de prendre des décisions et de résoudre des problèmes de manière autonome, comme le ferait un être humain. Un système d’IA fonctionne lorsque ses performances sont mesurables et vérifiables — par exemple, lorsque la machine résout un problème, exécute une tâche ou prend des décisions avec succès selon des critères prédéfinis.

Fig.1 : L’IA : science et ingénierie.

Machine learning et deep learning

Le machine learning et le deep learning sont deux technologies de l’intelligence artificielle qui s’intègrent de plus en plus au travail quotidien des agriculteurs et des techniciens de terrain, en tant qu’outils pratiques pour prendre de meilleures décisions. Le machine learning peut être décrit comme la capacité d’un système à « apprendre de l’expérience ». En pratique, on fournit au modèle de nombreuses données historiques : données météorologiques, données de production, analyses de sol, images des cultures, interventions agronomiques et résultats obtenus. En analysant ces données, l’algorithme identifie automatiquement des relations récurrentes, appelées « patterns », et les utilise pour faire des prévisions ou suggérer des actions. En agriculture, cela permet par exemple d’estimer le rendement attendu, de prévoir un risque de stress hydrique ou d’identifier des conditions favorables au développement d’une maladie, sur la base de données environnementales et agronomiques réelles. Le deep learning est un sous-ensemble du machine learning, particulièrement puissant lorsqu’il s’agit de traiter des données complexes telles que des images, des signaux ou des séries temporelles très détaillées. Sa force réside dans l’utilisation de réseaux de neurones « profonds », inspirés du fonctionnement du cerveau humain, capables d’extraire automatiquement les informations les plus pertinentes à partir de données brutes. Dans le contexte agricole, c’est le deep learning qui permet, par exemple, de reconnaître une maladie foliaire à partir d’une photo prise au champ, de distinguer les adventices de la culture, d’analyser la structure de la frondaison d’une plante ou d’évaluer l’état de vigueur à partir d’images satellites ou de drone.

Fig.2 : Machine learning et deep learning.

La différence pratique entre les deux approches est que le machine learning fonctionne très bien lorsque les variables clés sont déjà connues et mesurables, comme les données phénologiques, le rendement ou les conditions météorologiques. À l’inverse, le deep learning devient indispensable lorsque l’information n’est pas immédiatement numérique mais doit être interprétée, comme c’est le cas pour les images aériennes. Souvent, dans les applications agricoles les plus avancées, les deux technologies sont combinées : le deep learning extrait les informations des images ou des capteurs, et le machine learning les intègre aux données météorologiques, pédologiques et de gestion agronomique pour appuyer la décision finale.

L’IA est-elle vraiment utile en agriculture ?

La valeur de l’intelligence artificielle apparaît surtout lorsqu’elle est appliquée à des problèmes concrets et correctement intégrée aux processus décisionnels de l’exploitation. L’utilité des techniques de machine learning et de deep learning réside dans le soutien apporté à l’agriculteur dans un contexte toujours plus complexe et imprévisible, caractérisé par la variabilité climatique, la hausse des coûts de production, une pression réglementaire accrue et la nécessité de réduire l’impact environnemental. Aujourd’hui, grâce aux stations météo d’exploitation, aux images satellites et de drone, ainsi qu’aux capteurs de terrain ou montés sur tracteur, l’agriculture dispose d’une grande quantité de données. Cette donnée doit être transformée en information pour l’agriculteur, afin de l’aider à prendre des décisions éclairées et pertinentes. L’un des enjeux cruciaux de l’agriculture moderne est la nécessité d’agir rapidement pour garantir la qualité et la quantité du produit final. L’intelligence artificielle permet d’analyser les données issues de différentes sources et de les transformer en indications opérationnelles, telles que des fenêtres d’intervention optimales, des niveaux de risque ou des priorités d’action. Cela est particulièrement pertinent pour des activités comme la gestion de l’irrigation, la protection phytosanitaire, la nutrition et le suivi de l’état végétatif.

Gérer la variabilité spatio-temporelle

L’un des principaux avantages de l’IA est sa capacité à prendre en compte la variabilité spatiale et temporelle des systèmes agricoles. Des champs apparemment homogènes peuvent présenter des différences significatives de sol, de vigueur ou de développement phénologique. Grâce au machine learning et au deep learning, ces différences peuvent être identifiées et quantifiées, ce qui permet des interventions ciblées et, par conséquent, une utilisation plus efficiente de l’eau, des engrais et des produits phytosanitaires. Il s’agit d’une approche gagnant-gagnant : d’un côté, les coûts diminuent pour l’agriculteur, de l’autre, la durabilité sociale, économique et environnementale augmente. Il est toutefois essentiel de préciser que l’efficacité de ces outils dépend fortement de la qualité des données et de la justesse du modèle agronomique sous-jacent. Un algorithme ne peut pas compenser des données manquantes, non représentatives, ou une interprétation agronomique erronée du problème. C’est pourquoi une approche multidisciplinaire est essentielle : la coopération entre agriculteurs, agronomes, techniciens et experts en intelligence artificielle est nécessaire pour garantir les meilleures performances de l’IA appliquée à l’agriculture. Les algorithmes de machine learning et de deep learning fonctionnent au mieux lorsqu’ils sont construits sur des bases agronomiques solides et utilisés comme outils d’aide à la décision, capables de transformer de grandes quantités de données en indications opérationnelles plus rapides, plus ciblées et plus durables.

Fig.3 : L’utilisation du machine learning et du deep learning en agriculture requiert une approche multidisciplinaire.

L’IA dans une agrumeraie : une étude de cas réelle

Un exemple concret d’application de l’intelligence artificielle et des technologies numériques en agriculture est représenté par l’analyse multispectrale par drone menée sur une agrumeraie située en Sicile. Cette activité avait pour objectif d’évaluer de manière objective et quantitative l’état végétatif et la réponse des plantes à différents produits agronomiques (biostimulants), en exploitant des images à très haute résolution et des algorithmes d’analyse avancée. La zone d’étude a été divisée en 25 parcelles expérimentales de 80 m², comprenant chacune 4 plantes. Cette configuration a permis d’obtenir des données comparables et statistiquement robustes, essentielles pour évaluer l’efficacité des traitements testés et interpréter correctement la variabilité spatiale de l’agrumeraie. Le relevé a été réalisé très rapidement à l’aide d’un drone DJI Mavic 3 Multispectral, dont le capteur multispectral intégré permet l’acquisition simultanée et alignée de quatre bandes spectrales (vert, rouge, red edge et NIR), ainsi que de l’image RGB à haute résolution.

Fig.4 : Parcelles expérimentales au sein d’une agrumeraie sicilienne.

Les résultats de l’expérimentation

À partir des images RGB et multispectrales, un modèle 3D (digital twin) de l’agrumeraie a été recréé. L’utilisation de ce modèle, associée à des algorithmes de vision par ordinateur et d’IA, permet d’extraire automatiquement plusieurs paramètres biométriques et physiologiques de la culture, potentiellement plante par plante : la surface végétalisée, pour quantifier la couverture de la frondaison ; l’épaisseur, la hauteur et le volume de la frondaison, indicateurs directs du développement végétatif ; les indices de végétation, en particulier le NDVI pour la vigueur végétative, et le GNDVI et le NDRE pour l’estimation indirecte de la concentration en chlorophylle et de l’état nutritionnel. Ces paramètres résultent de l’application d’algorithmes d’analyse avancée qui transforment la donnée brute en information agronomique. Les images multispectrales, complexes par nature, sont traitées pour en extraire des motifs spatiaux et des différences entre parcelles qui seraient difficilement détectables par une observation visuelle traditionnelle. Examinons deux exemples de paramètres biométriques calculés sur l’agrumeraie. Tout d’abord, la surface végétalisée représente la densité de la frondaison de chaque plante d’agrumes et est essentielle pour visualiser la distribution spatiale de la densité, en identifiant les zones à densité plus faible ou plus élevée.

Fig.5 : Surface de la frondaison pour chaque plante.

La carte du volume de la frondaison permet de visualiser le développement global des frondaisons sous forme de valeur moyenne pour chaque parcelle. Le volume de la frondaison est directement corrélé à la biomasse et confirme ce qui était déjà apparu sur la carte précédente de surface végétalisée.

Fig.6 : Volume de la frondaison pour chaque plante.

Sur la base des informations multispectrales capturées par drone, trois indices de végétation ont été calculés : NDVI, GNDVI et NDRE. L’indice NDVI est fortement influencé par la vigueur de la surface végétalisée, mais il en est tout autant limité car, une fois un point maximal atteint, il tend à saturer et à masquer l’éventuelle variabilité du champ. Dans l’agrumeraie, on observe une variabilité intra-parcellaire, en plus de la variabilité entre parcelles.

Fig.7 : Indice de végétation NDVI de la frondaison pour chaque plante.

La carte GNDVI permet de suivre la teneur en chlorophylle des cultures et de mieux distinguer les zones les plus saines par rapport au NDVI lorsque les frondaisons sont bien développées. En outre, le GNDVI peut être utilisé pour évaluer l’absorption hydrique des plantes et donc leur stress hydrique. Là aussi, on observe une forte variabilité entre parcelles, tandis que la variabilité intra-parcellaire est réduite.

Fig.8 : Indice de végétation GNDVI de la frondaison pour chaque plante.

Comme pour l’indice GNDVI, la carte NDRE permet de suivre la teneur en chlorophylle des cultures, y compris lorsque les frondaisons sont bien développées. Le NDRE est un meilleur indicateur de la santé des plantes que le NDVI pour les cultures à cycle moyen et tardif présentant un taux élevé de chlorophylle. En outre, le NDRE peut être utilisé pour évaluer l’absorption d’azote par les plantes et donc leur efficience.

Fig.9 : Indice de végétation NDRE de la frondaison pour chaque plante.

Conclusions

L’étude de cas menée dans l’agrumeraie démontre que l’intelligence artificielle appliquée à la télédétection par drone peut devenir un véritable outil opérationnel d’aide à la décision agronomique. Le service iDrone d’Agrobit permet de transformer des images multispectrales à très haute résolution en informations objectives et mesurables sur l’état végétatif des cultures. De plus, grâce au calcul de paramètres biométriques et d’indices de végétation, il a été possible d’identifier et de quantifier la variabilité spatiale de l’agrumeraie, d’évaluer la réponse des plantes à différents traitements et de détecter précocement des situations de stress. Ces informations, difficiles à obtenir par le seul suivi visuel, permettent des interventions plus ciblées, plus efficientes et plus durables. Dans un contexte agricole toujours plus complexe, le service iDrone représente une solution AgTech fiable pour améliorer l’efficacité de gestion, réduire les coûts et appuyer des décisions fondées sur des données réelles.