Les scientifiques de l'Iowa State University travaillent vers un avenir dans lequel les agriculteurs peuvent utiliser des avions sans pilote pour repérer, et même prédire, les maladies et le stress dans leurs cultures. Leur vision repose sur l'apprentissage automatique, un processus automatisé dans lequel la technologie peut aider les agriculteurs à réagir plus efficacement au stress des plantes.

Arti Singh, un professeur assistant adjoint d'agronomie, dirige une équipe de recherche multidisciplinaire qui a récemment reçu un programme de trois ans, 499 $, 845 de l'Institut national de l'alimentation et de l'agriculture du département de l'Agriculture des États-Unis pour développer une technologie d'apprentissage automatique qui pourrait automatiser la capacité des agriculteurs à diagnostiquer une gamme de stress majeurs dans le soja. La technologie en cours de développement utiliserait des caméras fixées à des véhicules aériens sans pilote, ou drones, pour recueillir des images à vol d'oiseau des champs de soja. Une application informatique analyserait automatiquement les images et alerterait l'agriculteur des points chauds.

"Au plus simple, l'apprentissage automatique consiste simplement à entraîner une machine à faire quelque chose que nous faisons, " a dit Singh. " Quand vous voulez apprendre à un enfant ce qu'est une voiture, tu leur montres des voitures. C'est ce que nous faisons pour former des algorithmes informatiques, montrant un grand nombre d'images de divers stress du soja à identifier, classer, quantifier et prévoir les contraintes sur le terrain."

L'équipe de recherche a rassemblé un énorme ensemble de données d'images de soja, certains en bonne santé et d'autres soumis au stress et à la maladie, qu'ils ont ensuite étiquetés. Un programme informatique parcourt les images étiquetées et assemble des algorithmes capables de reconnaître le stress dans de nouvelles images. Singh a déclaré que le programme d'apprentissage automatique pourrait être capable de détecter un large éventail de stress courants du soja, y compris fongique, maladies bactériennes et virales, ainsi que les carences en nutriments et les dommages causés par les herbicides.

L'utilisation de l'imagerie hyperspectrale, ou des caméras qui capturent des gammes de longueurs d'onde au-delà de celles vues par l'œil humain, pourrait permettre à la technologie de prédire la présence de stress avant même l'apparition des symptômes, donner aux agriculteurs plus de temps pour gérer le problème, elle a dit.

La fascination de Singh pour l'apprentissage automatique a commencé en 2014 lorsqu'elle a assisté à un séminaire sur le sujet organisé par l'ISU Plant Sciences Institute. Elle a immédiatement pensé que la technologie était prometteuse pour la sélection végétale et la phytopathologie, mais une étude de la littérature académique a montré que la majeure partie du travail dans le domaine provenait des disciplines de l'ingénierie, pas les sciences végétales. Elle s'est rendu compte qu'une plus grande collaboration serait nécessaire pour faire progresser ce domaine en agriculture.

« Nous devons également inclure les scientifiques des plantes, " dit-elle. " Sinon, nous aurons des ingénieurs qui travailleront sur des problèmes de phytologie. La collaboration entre les disciplines est ce qui le rend possible. »

Elle a aidé à constituer une équipe interdisciplinaire qui a créé une application qui permet aux utilisateurs de smartphones de prendre des photos de plants de soja pour déterminer si les plants souffrent d'une carence en fer. Maintenant, l'équipe de recherche vise à étendre son travail à partir de l'application d'origine, qui nécessite des photos prises manuellement pour diagnostiquer un seul stress, à des algorithmes capables de prendre des images de drones et d'identifier une gamme de contraintes.

L'avenir de la technologie repose sur la capacité des scientifiques et des ingénieurs à rassembler le bon type d'ensemble de données, puis à développer la capacité d'analyser ces données. À la fin de la subvention, Singh a déclaré que l'équipe avait l'intention d'avoir achevé un cadre de meilleures pratiques pour la collecte de données à l'aide d'UAV. Cela inclut la détermination des résolutions d'image optimales, ainsi que des hauteurs et des vitesses optimales pour les drones. Les chercheurs espèrent intégrer de manière transparente la collecte de données, conservation et analyse menant à son application dans les champs agricoles pour détecter et atténuer les stress des plantes en temps opportun. Singh a déclaré que l'équipe rendra toutes ses conclusions accessibles au public à la fin du projet.

L'approche a le potentiel d'être appliquée dans de nombreuses autres cultures également, dit Singh.