Alors que la demande mondiale de produits agricoles de base devrait augmenter considérablement d’ici 2050 en raison de la croissance démographique, de l’augmentation du revenu par habitant et de l’utilisation croissante des biocarburants, il est nécessaire d’adopter des pratiques d’intensification agricole durable sur les terres cultivées existantes pour répondre à cette demande. Cependant, les processus d’estimation actuellement utilisés dans les pays du Sud restent inadéquats. Les méthodes traditionnelles telles que l’auto-évaluation et la coupe des cultures ont leurs limites, et les technologies de télédétection ne sont pas pleinement utilisées dans ce contexte.
Cependant, les progrès récents en matière d’intelligence artificielle et d’apprentissage automatique, en particulier l’apprentissage profond avec les réseaux de neurones convolutifs (CNN), offrent ici des solutions prometteuses. Pour explorer la portée de cette nouvelle technologie, des chercheurs japonais ont mené une étude axée sur le riz. Ils ont utilisé des images numériques au sol prises au stade de la récolte de la culture, combinées à des CNN, pour estimer le rendement du riz. Leur étude est parue dans Phénomique des plantes.
« Nous avons commencé par mener une vaste campagne sur le terrain. Nous avons rassemblé des images du couvert rizicole et des données brutes sur le rendement des grains provenant de 20 sites dans sept pays afin de créer une base de données multinationale complète », explique le Dr Yu Tanaka, professeur agrégé à la Graduate School of Environmental. , Vie, Sciences naturelles et Technologie, Université d’Okayama, qui a dirigé l’étude.
Les images ont été capturées à l’aide d’appareils photo numériques capables de collecter les données requises à une distance de 0,8 à 0,9 mètres, verticalement vers le bas depuis le couvert du riz. Avec le Dr Kazuki Saito de l’Institut international de recherche sur le riz (anciennement Africa Rice Center) et d’autres collaborateurs, l’équipe a réussi à créer une base de données de 4 820 données de rendement des parcelles de récolte et 22 067 images, englobant divers cultivars de riz, systèmes de production et pratiques de gestion des cultures. .
Ensuite, un modèle CNN a été développé pour estimer le rendement en grains pour chacune des images collectées. L’équipe a utilisé une méthode d’occlusion visuelle pour visualiser l’effet additif de différentes régions dans les images du couvert rizicole. Cela impliquait de masquer des parties spécifiques des images et d’observer comment l’estimation du rendement du modèle changeait en réponse aux régions masquées.
Les connaissances acquises grâce à cette méthode ont permis aux chercheurs de comprendre comment le modèle CNN interprétait diverses caractéristiques des images de la canopée du riz, influençant sa précision et sa capacité à faire la distinction entre les composants contribuant au rendement et les éléments non contributifs dans la canopée.
Le modèle a bien fonctionné, expliquant environ 68 à 69 % de la variation du rendement dans les ensembles de données de validation et de test. Les résultats de l’étude ont mis en évidence l’importance des panicules (des grappes de fleurs à branches lâches) dans l’estimation du rendement grâce à une visualisation basée sur l’occlusion. Le modèle pourrait prédire le rendement avec précision pendant la phase de maturation, en reconnaissant les panicules matures, et également détecter les différences de rendement entre les cultivars et la gestion de l’eau dans l’ensemble de données de prévision. Sa précision diminue toutefois à mesure que la résolution de l’image diminue.
Néanmoins, le modèle s’est révélé robuste, faisant preuve d’une bonne précision sous différents angles de prise de vue et à différents moments de la journée. « Dans l’ensemble, le modèle CNN développé a démontré des capacités prometteuses dans l’estimation du rendement en grains bruts à partir d’images de la canopée du riz dans divers environnements et cultivars. Un autre aspect attrayant est qu’il est très rentable et ne nécessite pas de coupes de cultures à forte intensité de main-d’œuvre ou de technologies complexes de télédétection. « , déclare le Dr Tanaka.
L’étude met l’accent sur le potentiel des modèles basés sur CNN pour surveiller la productivité du riz à l’échelle régionale. Cependant, la précision du modèle peut varier selon les conditions, et d’autres recherches devraient se concentrer sur l’adaptation du modèle aux environnements à faible rendement et pluvieux. La méthode basée sur l’IA a également été mise à la disposition des agriculteurs et des chercheurs via une simple application pour smartphone, améliorant ainsi considérablement l’accessibilité de la technologie et de ses applications réelles.
Le nom de cette application est « HOJO », et elle est déjà disponible sur iOS et Android. Les chercheurs espèrent que leurs travaux mèneront à une meilleure gestion des rizières et contribueront à des programmes de sélection accélérée, contribuant ainsi positivement aux initiatives mondiales de production alimentaire et de durabilité.
Plus d’information:
Yu Tanaka et al, Deep Learning permet une estimation instantanée et polyvalente du rendement du riz à l’aide d’images RVB basées sur le sol, Phénomique des plantes (2023). DOI : 10.34133/plantphenomics.0073