Algorithme d’intelligence artificielle utilisé pour prédire les rendements agricoles

Il est prévu que le marché de l’agriculture de précision atteindra 12,9 milliards de dollars d’ici 2027. Avec cette augmentation, il existe un besoin de solutions d’analyse de données sophistiquées capables de guider les décisions de gestion en temps réel. Un nouveau méthode a été développée par un groupe interdisciplinaire de l’Université de l’Illinois, et elle vise à traiter efficacement et avec précision les données agricoles de précision.

Nicolas Martin est professeur adjoint au département des sciences des cultures à l’Université de l’Illinois et co-auteur de l’étude.

“Nous essayons de changer la façon dont les gens mènent des recherches agronomiques. Au lieu d’établir un petit parcelle de terrain, de faire des statistiques et de publier les moyennes, ce que nous essayons de faire implique l’agriculteur de manière plus directe. Nous réalisons des expériences avec les machines des agriculteurs dans leurs propres champs. Nous pouvons détecter les réponses spécifiques à différents intrants. Et nous pouvons voir s’il y a une réponse dans différentes parties du champ”, déclare-t-il.

“Nous avons développé une méthode utilisant l’apprentissage profond pour générer des prédictions de rendement. Elle intègre des informations provenant de différentes variables topographiques, de la conductivité électrique du sol, ainsi que des traitements d’azote et de taux de semis que nous avons appliqués dans neuf champs de maïs du Midwest.”

L’équipe a utilisé les données de 2017 et 2018 du projet de gestion intensive de données pour aider à développer leur approche. Dans ce projet, des semences et des engrais azotés ont été appliqués à des taux différents sur 226 champs. Ces champs étaient situés dans différentes régions du monde, notamment le Midwest, le Brésil, l’Argentine et l’Afrique du Sud. Des images satellites haute résolution ont été fournies par PlanetLab, et elles ont été associées à des mesures au sol pour prédire le rendement.

Les champs ont été séparés numériquement en carrés de 5 mètres. L’ordinateur a reçu des données sur le sol, l’altitude, le taux d’application d’azote et le taux de semis pour chaque carré, et il a ensuite commencé à apprendre comment le rendement dans ce carré est déterminé par l’interaction des facteurs.

Pour compléter leur analyse, les chercheurs ont eu recours à un réseau de neurones convolutionnels (CNN). Un CNN est un type d’apprentissage automatique ou d’intelligence artificielle. Alors que certains types d’apprentissage automatique font que les ordinateurs ajoutent de nouvelles données à des modèles existants, les réseaux de neurones convolutionnels ne prennent pas en compte les modèles existants. Les CNN regardent les données et apprennent les modèles qui sont responsables de les organiser, et cela fonctionne de manière similaire à la façon dont les humains organisent l’information à travers les réseaux neuronaux du cerveau. L’approche CNN a pu prédire le rendement avec un taux de précision élevé, et elle a été comparée à d’autres algorithmes d’apprentissage automatique et à des techniques statistiques traditionnelles.

“Nous ne savons pas vraiment ce qui cause les différences de réponses de rendement aux intrants à travers un champ. Parfois, les gens ont l’idée qu’un certain endroit devrait répondre fortement à l’azote et ce n’est pas le cas, ou vice versa. Le CNN peut détecter des modèles cachés qui peuvent être à l’origine d’une réponse”, déclare Martin. “Et lorsque nous avons comparé plusieurs méthodes, nous avons constaté que le CNN fonctionnait très bien pour expliquer la variation du rendement.”

L’utilisation de l’intelligence artificielle pour analyser les données de l’agriculture de précision est un domaine nouveau, mais c’est un domaine en pleine croissance. L’agriculture est l’une des principales industries qui seront drastiquement modifiées par l’intelligence artificielle, et l’utilisation de celle-ci continue d’augmenter. Selon Martin, cette expérience n’est que le début de l’utilisation des CNN dans une variété d’applications différentes.

“Éventuellement, nous pourrions l’utiliser pour élaborer des recommandations optimales pour une combinaison donnée d’intrants et de contraintes de site.”