Le logiciel peut simuler la croissance future sur la base d’une seule image initiale

Des chercheurs de l'Université de Bonn ont développé un logiciel capable de simuler la croissance des grandes cultures. Pour ce faire, ils ont introduit des milliers de photos issues d’expériences sur le terrain dans un algorithme d’apprentissage. Cela a permis à l’algorithme d’apprendre à visualiser l’évolution future des plantes cultivées à partir d’une seule image initiale. Grâce aux images créées au cours de ce processus, des paramètres tels que la surface foliaire ou le rendement peuvent être estimés avec précision.

Quelles plantes dois-je combiner dans quel rapport pour obtenir le meilleur rendement possible ? Et comment ma culture se développera-t-elle si j’utilise du fumier au lieu d’engrais artificiels ? À l'avenir, les agriculteurs devraient pouvoir compter de plus en plus sur une assistance informatique pour répondre à ces questions.

Les chercheurs ont désormais franchi une étape cruciale vers cet objectif. “Nous avons développé un logiciel qui utilise des photos de drones pour visualiser l'évolution future des plantes présentées”, explique Lukas Drees de l'Institut de géodésie et de géoinformation de l'université de Bonn. Le chercheur en début de carrière est un employé du pôle d’excellence PhenoRob.

Ce projet à grande échelle basé à l'Université de Bonn entend faire progresser la numérisation intelligente de l'agriculture afin d'aider l'agriculture à devenir plus respectueuse de l'environnement, sans pour autant nuire aux rendements des récoltes. Les résultats sont publiés dans la revue Méthodes végétales.

Un aperçu virtuel du futur pour aider à la prise de décision

Le programme informatique présenté aujourd'hui par Drees et ses collègues constitue un élément de base important. Il devrait permettre à terme de simuler virtuellement certaines décisions, par exemple d'évaluer l'impact de l'utilisation de pesticides ou d'engrais sur le rendement des cultures.

Pour que cela fonctionne, il faut que le programme soit alimenté par des photos de drones issues d’expériences sur le terrain. “Nous avons pris des milliers d'images sur une période de croissance”, explique le doctorant. “Nous avons ainsi documenté, par exemple, le développement des cultures de chou-fleur dans certaines conditions.”

Les chercheurs ont ensuite entraîné un algorithme d’apprentissage à l’aide de ces images. Ensuite, à partir d’une seule image aérienne d’un stade précoce de croissance, cet algorithme a pu générer des images montrant l’évolution future de la culture dans une nouvelle image créée artificiellement.

L'ensemble du processus est très précis tant que les conditions de culture sont similaires à celles présentes lors de la prise des photos de formation. Par conséquent, le logiciel ne prend pas en compte l’effet d’une vague de froid soudaine ou d’une pluie continue durant plusieurs jours. Cependant, il faudra qu’elle apprenne à l’avenir comment la croissance est affectée par de telles influences, ainsi que par une utilisation accrue d’engrais, par exemple. Cela devrait lui permettre de prédire le résultat de certaines interventions de l'agriculteur.

“De plus, nous avons utilisé un deuxième logiciel d'IA capable d'estimer divers paramètres à partir de photos de plantes, comme le rendement des cultures”, explique Drees. “Cela fonctionne également avec les images générées. Il est ainsi possible d'estimer très précisément la taille ultérieure des têtes de chou-fleur à un stade très précoce de la période de croissance.”

Focus sur les polycultures

Un domaine sur lequel les chercheurs se concentrent est l’utilisation des polycultures. Cela fait référence au semis de différentes espèces dans un même champ, comme les haricots et le blé. Comme les plantes ont des exigences différentes, elles se font moins concurrence dans une telle polyculture que dans une monoculture, où une seule espèce est cultivée. Cela augmente le rendement. De plus, certaines espèces – les haricots en sont un bon exemple – peuvent capter l’azote de l’air et l’utiliser comme engrais naturel. Les autres espèces, en l’occurrence le blé, en profitent également.

“Les polycultures sont également moins sensibles aux parasites et autres influences environnementales”, explique la Drees. “Cependant, le fonctionnement de l'ensemble dépend en grande partie des espèces combinées et de leur rapport de mélange.”

Lorsque les résultats de nombreuses expériences de mélange différentes sont intégrés aux algorithmes d’apprentissage, il est possible de formuler des recommandations quant aux plantes particulièrement compatibles et dans quelles proportions.

Les simulations de croissance végétale basées sur des algorithmes d’apprentissage constituent un développement relativement nouveau. Jusqu’à présent, les modèles basés sur les processus ont été principalement utilisés à cette fin. Ceux-ci, métaphoriquement parlant, ont une compréhension fondamentale des nutriments et des conditions environnementales dont certaines plantes ont besoin pendant leur croissance pour prospérer.

“Notre logiciel fait cependant ses déclarations uniquement sur la base de l'expérience qu'il a collectée à l'aide des images de formation”, souligne la Drees.

Les deux approches se complètent. Si elles étaient combinées de manière appropriée, cela pourrait améliorer considérablement la qualité des prévisions. “C'est aussi un point que nous étudions dans notre étude”, précise le doctorant. “Comment pouvons-nous utiliser les méthodes basées sur les processus et les images pour qu'elles profitent les unes des autres de la meilleure façon possible ?”