L'intelligence artificielle prédit l'évolution des cultures grâce à des photos de drones
ParisDes chercheurs de l'Université de Bonn ont développé un nouveau logiciel pour simuler la croissance des cultures de champs. En utilisant des milliers de photos prises lors de tests sur le terrain, ils ont entraîné un algorithme d'apprentissage. Celui-ci peut maintenant prédire l'évolution des plantes à partir d'une seule photo initiale. Ce logiciel permet aux agriculteurs d'estimer avec précision des paramètres comme la surface foliaire et les rendements des cultures. Les résultats ont été publiés dans la revue Plant Methods.
L'algorithme analyse des photos de drones prises durant une période de croissance, comme l'observation de l’évolution du chou-fleur dans des conditions spécifiques. À partir de ces images, l'IA prévoit la croissance future en se basant sur une image précoce. Voici les principales caractéristiques :
- Utilisation de photos de drones pour l'apprentissage
- Prédiction de l'évolution future des plantes
- Estimation du rendement et de la surface foliaire
Lukas Drees de l'Institut de Géodésie et de Géoinformation a dirigé le projet. Selon lui, le logiciel aidera les agriculteurs à prendre de meilleures décisions. Les agriculteurs pourront tester virtuellement des options telles que l'utilisation de pesticides ou d'engrais. Cela leur permettra de voir les effets de ces décisions sur le rendement des cultures.
Le logiciel présente des restrictions. Il n'est pas capable de gérer les changements météorologiques soudains, tels qu'une chute rapide de la température ou une pluie continue. À l'avenir, on prévoit qu'il apprenne à s'adapter à ces variations. Les chercheurs ont l'intention de l'améliorer pour qu'il puisse mieux anticiper les effets de ces événements.
Ils ont utilisé une autre IA pour déterminer des détails tels que la quantité de récolte qui sera produite à partir des images. Par exemple, elle peut prédire la taille des têtes de chou-fleur dès le début de leur croissance. Cela aide à planifier et à rendre les récoltes plus efficaces.
Associer les cultures pour des bénéfices multiples
L'idée principale consiste à cultiver ensemble différentes plantes, comme des haricots et du blé, dans un même champ. Cette méthode présente plusieurs avantages.
- Moins de concurrence entre les plantes
- Rendement global supérieur
- Fertilisation naturelle grâce aux plantes fixatrices d'azote comme les haricots
- Moins de vulnérabilité aux ravageurs et aux problèmes environnementaux
Les polycultures nécessitent un choix judicieux des espèces végétales et de leurs proportions. L'IA peut analyser de nombreuses expériences de mélange pour identifier les meilleures combinaisons. Cela conduit à des méthodes agricoles plus efficaces et durables.
Les simulations traditionnelles de croissance des cultures utilisent des modèles qui connaissent les besoins en nutriments et en environnement des plantes. Le nouveau logiciel, en revanche, prévoit la croissance des plantes en apprenant à partir de nombreuses images. Les deux méthodes sont robustes et peuvent bien fonctionner ensemble.
Les chercheurs explorent également des moyens de combiner des méthodes basées sur le processus et des méthodes basées sur l'imagerie. Ils pensent que cela améliorera les prévisions. Cette combinaison pourrait permettre des techniques agricoles plus avancées.
Le cluster d'excellence PhenoRob à l'Université de Bonn soutient un projet majeur visant à améliorer l'agriculture grâce à des technologies intelligentes. L'objectif est de rendre l'agriculture plus respectueuse de l'environnement sans diminuer les rendements des cultures. Lukas Drees et son équipe ont développé un logiciel crucial dans cette initiative.
L'étude est publiée ici:
http://dx.doi.org/10.1186/s13007-024-01205-3et sa citation officielle - y compris les auteurs et la revue - est
Lukas Drees, Dereje T. Demie, Madhuri R. Paul, Johannes Leonhardt, Sabine J. Seidel, Thomas F. Döring, Ribana Roscher. Data-driven crop growth simulation on time-varying generated images using multi-conditional generative adversarial networks. Plant Methods, 2024; 20 (1) DOI: 10.1186/s13007-024-01205-3Aujourd'hui · 22:25
Étude : le rôle de l'hippocampe dans la maîtrise des mouvements
Aujourd'hui · 20:28
Modèles linguistiques : vers une société plus inclusive et intelligente
Aujourd'hui · 18:29
Impact du stress sportif sur l'alimentation des athlètes
Aujourd'hui · 16:32
Liens subtils entre cerveau et convictions politiques
Partager cet article