Le rendement des cultures peut être maximisé lorsque la meilleure variété génétique et les pratiques de gestion des cultures les plus efficaces sont utilisées pour la culture. Les scientifiques ont développé divers modèles d’apprentissage automatique pour prédire les facteurs qui produisent le meilleur rendement dans des plantes cultivées spécifiques. Cependant, les modèles traditionnels ne peuvent pas s’adapter à des niveaux élevés de variation des paramètres ou à de grandes quantités de données.
Cela peut conduire à l’échec des modèles dans certaines circonstances. De plus, étant donné que les modèles de culture sont limités aux types d’intrants qu’ils peuvent accepter, les améliorations apportées à un modèle peuvent ne pas s’appliquer à d’autres modèles.
Pour surmonter cette limitation, des chercheurs coréens dirigés par le professeur Jung Eok Son de l’Université nationale de Séoul ont créé un nouveau modèle de culture basé sur l’apprentissage en profondeur connu sous le nom de « DeepCrop », pour les poivrons doux hydroponiques. Le modèle peut prendre en charge plusieurs variables d’entrée et a moins de limitations sur la quantité de données qu’il peut traiter.
Par conséquent, il peut être utilisé dans la plupart des contextes et peut être étendu à des applications similaires. Les chercheurs ont testé les prédictions de DeepCrop en cultivant la culture deux fois par an pendant deux ans dans des serres. Leurs résultats ont été publiés dans Phénomique végétale le 1er mars 2023.
« Nous avons sélectionné des algorithmes d’apprentissage en profondeur comme solution potentielle pour atténuer la fragmentation et la redondance. L’apprentissage en profondeur a une grande applicabilité à de larges tâches cibles ainsi qu’une remarquable capacité d’abstraction pour d’énormes ensembles de données », explique le professeur Son.
DeepCrop est un modèle basé sur des processus qui peut simuler la croissance des cultures en réponse à divers facteurs et conditions environnementales. Il peut être mis à l’échelle pour inclure de nombreux types d’entrées ou une plus grande quantité de données. L’une des raisons de la grande polyvalence de DeepCrop est qu’il est construit exclusivement avec des réseaux de neurones. Les réseaux de neurones sont des combinaisons d’algorithmes qui traitent les interactions entre les données d’entrée pour faire des prédictions utiles.
Étant donné que les simulations sont créées sur une plate-forme informatique, DeepCrop nécessite une infrastructure minimale. « Grâce à son applicabilité, une tâche compliquée effectuée dans l’entreprise est devenue accessible avec un ordinateur personnel », explique le professeur Son.
Les algorithmes d’apprentissage en profondeur doivent être alimentés en données avant de pouvoir faire des prédictions. Les algorithmes DeepCrop sur la simulation de la croissance des plantes ont été entraînés de la même manière. Cependant, il n’a pas eu besoin de la programmation de concepts sophistiqués en physiologie végétale ou en modélisation des cultures pour produire des prédictions utiles. « La simulation DeepCrop a suivi de manière adéquate la tendance croissante à partir de zéro selon les scores, mais le modèle doit être inspecté car il a le potentiel d’être amélioré », note le professeur Son.
Pour valider les prédictions de DeepCrop, l’équipe a cultivé des poivrons doux dans des conditions de serre prédéfinies. Une comparaison des schémas de croissance des plantes prévus et réels a suggéré que DeepCrop surpassait les autres modèles de culture basés sur les processus existants, comme l’indique son efficacité de modélisation. Le modèle était également le moins susceptible de faire des erreurs de prédiction.
La capacité de DeepCrop à produire des prédictions utiles même avec des entrées et des paramètres variables suggère qu’il peut déterminer les relations entre les données d’entrée, quel que soit le type de données. Les résultats de cette étude suggèrent également que les modèles d’apprentissage en profondeur peuvent être utiles pour un large éventail d’applications en agronomie. « Nous espérons que le DeepCrop développé pourra améliorer l’accessibilité des modèles de cultures et atténuer les problèmes de fragmentation dans les études de modèles de cultures », conclut le professeur Son.
Plus d’information:
Taewon Moon et al, Modélisation des cultures basée sur les processus pour une applicabilité élevée avec un mécanisme d’attention et des décodeurs multitâches, Phénomique végétale (2023). DOI : 10.34133/plantphenomics.0035