Quand dois-je commencer à appliquer un engrais à taux variable et où ? Mes champs du sud ont-ils un problème de ravageurs ou de maladies ?
Les retards de semis dus aux fortes pluies réduiront-ils les rendements des cultures régionales ? Qu'en est-il de l'été chaud et sec dû à El Niño ? Quels champs doivent être fauchés en raison du stress des cultures comme le gel, la chaleur ou la sécheresse ?
Les technologies numériques peuvent être utilisées pour atténuer et prévoir les pertes de production avec des données en temps réel. Ils peuvent être utilisés pour des interventions de gestion telles que la fertilisation, la lutte antiparasitaire, la détection du stress, la gestion de l'irrigation et le contrôle des mauvaises herbes avant qu'ils n'aient un impact négatif sur la productivité des cultures. Des informations précises sur la répartition spatiale et la dynamique de croissance des cultures sont essentielles pour évaluer les risques potentiels pour la sécurité alimentaire et sont également essentielles pour évaluer les tendances du marché aux niveaux régional, national et même mondial.
Le Dr Andries Potgieter, professeur agrégé à l'Université du Queensland, chercheur à l'Alliance du Queensland pour l'innovation agricole et alimentaire, est l'auteur principal d'un nouvel article publié dans in silico Des plantes qui critiquent quoi de neuf et quoi de neuf dans le monde des technologies numériques pour les cultures. Selon Potgieter, "Cet article met en évidence les progrès réalisés dans les technologies d'observation de la Terre, d'apprentissage automatique et de cloud computing, en particulier au cours des 5 dernières années. Il traite en outre de la fusion de ces technologies avec des systèmes biophysiques ciblés basés sur la connaissance qui conduiront à des applications plus avancées dans le domaine de l'agriculture. Ces systèmes physiques prédictifs intégrés ont le potentiel d'atténuer l'impact des extrêmes et des changements climatiques sur les systèmes de production agricole. Plus précisément, en Australie, où les impacts prévus des climats futurs sur la production alimentaire concernent davantage la durabilité et la résilience des industries pour y faire face.
Les auteurs passent d'abord en revue les technologies de télédétection et de détection proximale. Actuellement, il y a plus de 140 satellites d'observation de la Terre (EO) en orbite, transportant des capteurs qui mesurent les régions visibles, infrarouges et micro-ondes du spectre électromagnétique de la végétation terrestre. La télédétection permet de surveiller les cultures sur de vastes zones dans le temps et avec des données répétées précises. Ces données peuvent être utilisées (entre autres) pour faire la distinction entre différents types de cultures (p. ex. blé, orge, pois chiches et canola) et quantifier la superficie cultivée aux niveaux régional et paysager.
Les progrès récents des technologies de capteurs ont conduit à l'augmentation rapide de l'utilisation de drones ou de véhicules aériens sans pilote (UAV) équipés de capteurs proximaux. Ces capteurs sont déployés au niveau du terrain et ont une résolution spatiale et temporelle supérieure à celle des capteurs EO à distance. Ces données peuvent être utilisées pour surveiller le type de culture, le couvert végétal et pour quantifier les paramètres structurels et biophysiques du couvert (p. ex. indice de surface foliaire, transpiration, pigments photosynthétiques). Les informations des deux plateformes peuvent être intégré pour des classifications de cultures à plus petite échelle.
Le document présente des études utilisant la télédétection et les UAV ainsi que les cultures évaluées, les capteurs et les algorithmes. Il décrit également les avantages et les inconvénients, ainsi que les applications des types de capteurs et des plates-formes de capteurs couramment utilisés en agriculture.
Une fois les données collectées, des algorithmes sont utilisés pour classer les données de télédétection. Traditionnellement, les approches basées sur les connaissances sont explicitement développées par des experts utilisant des équations basées sur la théorie. L'avancée de la puissance de calcul (par exemple, le cloud computing et l'imagerie haute résolution) a conduit au développement de l'apprentissage automatique et d'approches d'apprentissage en profondeur plus complexes. L'apprentissage automatique construit des modèles directement à partir de données sans s'appuyer sur des équations prédéterminées. Les points forts de l'apprentissage automatique incluent la capacité à gérer des données de haute dimensionnalité et à cartographier des classes aux caractéristiques très complexes. Les auteurs donnent des exemples précis de diverses techniques d'apprentissage automatique et d'apprentissage en profondeur.
Les modèles de cultures offrent la puissance prédictive des données de télédétection. Les modèles de culture permettent de prédire le rendement et les stades de développement phénologique pour les scénarios climatiques actuels et/ou projetés. La combinaison de données RS en temps réel avec des modèles de cultures peut fournir des informations en temps réel sur la croissance et le développement des cultures et prédire la phénologie et le rendement. Les outils qui en résultent sont plus importants que jamais car la variabilité et le changement climatiques ont une influence croissante sur la production agricole et la sécurité alimentaire.
Des services d'information basés sur des données de télédétection sont désormais accessibles au public via des plateformes commerciales. Le document fournit des exemples de ces plates-formes et des informations qu'elles fournissent.
Quel avenir pour les technologies numériques en agriculture ?
La croissance et le développement des cultures sont principalement fonction des interactions entre le génotype, l'environnement et la gestion (G × E × M). Ainsi, ces interactions sont la clé pour réaliser de nouveaux gains dans les rendements mondiaux des cultures et assurer la sécurité alimentaire future. L'environnement ne peut pas être modifié, mais différents cultivars (génotypes) peuvent être plantés en ajustant les pratiques de gestion (par exemple, les dates de semis, l'espacement des rangs, la densité des semences) adaptées à l'environnement et au climat futur.
Les agriculteurs savent que tous les champs ne sont pas égaux : certains produisent toujours plus, d'autres toujours moins, tandis que d'autres champs varient dans leur capacité de production d'une année à l'autre. "La planification d'une saison moyenne n'a pas de sens, car aucune saison des pluies n'est la même dans une exploitation agricole au cours d'une année donnée", a déclaré le Dr Potgieter. De plus, la capacité à prendre des décisions éclairées à partir des estimations de rendement régional est limitée par cette variabilité de G × E × M à l'échelle locale.
Jusqu'à présent, les technologies et les approches intégratives peinaient à exploiter pleinement toutes les dimensions des données ciblées disponibles pour améliorer la précision de la phénologie des cultures et de l'estimation des types de cultures. Le professeur agrégé Potgieter dirige actuellement un projet national (financé par la Grains Research and Development Corporation et l'Université du Queensland) qui explore de nouvelles pistes d'application et/ou développe de nouvelles métriques intégratives capables de contribuer efficacement à la résolution de ce problème complexe. Plus précisément, notre objectif est d'exploiter toutes les dimensions (temporelles, spatiales, spectrales et physiologiques) des données ciblées disponibles afin d'améliorer la précision de la phénologie des cultures et de l'estimation des types de cultures. « Ceci permettra de mettre au point une solution intégrée pour le développement, la validation et l’adaptation précis des outils de prédiction de la phénologie des cultures (G) à l’échelle de la parcelle (M), sur de vastes superficies cultivées (E). En travaillant en étroite collaboration avec nos partenaires du secteur numérique, nous prévoyons que les producteurs auront accès à ces outils qui les aideront à prendre des décisions plus éclairées, ciblées sur les facteurs G × E × M de chaque parcelle, et ce, dès le début du cycle de vie. Ils pourront ainsi réduire leurs coûts de production, optimiser la gestion des risques et améliorer la rentabilité globale de leurs exploitations », explique le Dr Potgieter.
