Certains rapports prédisant que le marché de l'agriculture de précision atteindra 12,9 milliards de dollars d'ici 2027, il existe un besoin croissant de développer des solutions d'analyse de données sophistiquées qui peuvent guider les décisions de gestion en temps réel. Une nouvelle étude d'un groupe de recherche interdisciplinaire de l'Université de l'Illinois offre une approche prometteuse pour traiter efficacement et avec précision les données agricoles de précision.

« Nous essayons de changer la façon dont les gens mènent la recherche agronomique. Au lieu d'établir une petite parcelle de terrain, statistiques courantes, et publier les moyens, ce que nous essayons de faire implique l'agriculteur beaucoup plus directement. Nous menons des expériences avec les machines des agriculteurs dans leurs propres champs. Nous pouvons détecter des réponses spécifiques au site à différentes entrées. Et nous pouvons voir s'il y a une réponse dans différentes parties du terrain, " dit Nicolas Martin, professeur adjoint au Département des sciences des cultures de l'Illinois et co-auteur de l'étude.

Il ajoute, « Nous avons développé une méthodologie utilisant l'apprentissage en profondeur pour générer des prévisions de rendement. Elle intègre des informations provenant de différentes variables topographiques, électroconductivité du sol, ainsi que les traitements à l'azote et au taux de semis que nous avons appliqués dans neuf champs de maïs du Midwest. »

Martin et son équipe ont travaillé avec les données 2017 et 2018 du projet Data Intensive Farm Management, dans lequel des semences et des engrais azotés ont été appliqués à des taux variables dans 226 champs du Midwest, Brésil, Argentine, et l'Afrique du Sud. Les mesures au sol ont été associées à des images satellites haute résolution de PlanetLab pour prédire le rendement.

Les champs ont été décomposés numériquement en carrés de 5 mètres (environ 16 pieds). Données sur le sol, élévation, taux d'application d'azote, et le taux de semis ont été introduits dans l'ordinateur pour chaque carré, dans le but d'apprendre comment les facteurs interagissent pour prédire le rendement dans ce carré.

Les chercheurs ont abordé leur analyse avec un type d'apprentissage automatique ou d'intelligence artificielle connu sous le nom de réseau de neurones convolutifs (CNN). Certains types d'apprentissage automatique commencent par des modèles et demandent à l'ordinateur d'insérer de nouveaux bits de données dans ces modèles existants. Les réseaux de neurones convolutifs sont aveugles aux modèles existants. Au lieu, ils prennent des bits de données et apprennent les modèles qui les organisent, similaire à la façon dont les humains organisent les nouvelles informations à travers les réseaux de neurones dans le cerveau. Le processus CNN, qui prédit le rendement avec une grande précision, a également été comparé à d'autres algorithmes d'apprentissage automatique et à des techniques statistiques traditionnelles.

« Nous ne savons pas vraiment ce qui cause des différences dans les réponses de rendement aux intrants dans un champ. Parfois, les gens ont l'idée qu'un certain endroit devrait réagir très fortement à l'azote et ce n'est pas le cas, ou vice versa. Le CNN peut détecter des modèles cachés qui peuvent provoquer une réponse, " dit Martin. " Et quand on a comparé plusieurs méthodes, nous avons découvert que le CNN fonctionnait très bien pour expliquer les variations de rendement. »

L'utilisation de l'intelligence artificielle pour démêler les données de l'agriculture de précision est encore relativement nouvelle, mais Martin dit que son expérience ne fait que frôler la pointe de l'iceberg en termes d'applications potentielles de CNN. "Finalement, nous pourrions l'utiliser pour proposer des recommandations optimales pour une combinaison donnée d'intrants et de contraintes de site."