Des chercheurs ont utilisé cette technique pour générer automatiquement la première carte des cultures à l'échelle nationale de la Thaïlande, pays où les petites exploitations agricoles indépendantes constituent la forme d'agriculture prédominante. L'équipe a créé une carte couvrant l'ensemble du territoire thaïlandais des quatre principales cultures – riz, manioc, canne à sucre et maïs – et a déterminé, tous les 10 mètres et sans interruption, laquelle de ces quatre cultures était cultivée. La carte obtenue présente une précision de 93 %, un résultat que les chercheurs jugent comparable aux cartographies de terrain réalisées dans les pays à revenu élevé disposant de grandes exploitations.
L'équipe applique sa technique de cartographie à d'autres pays comme l'Inde, où les petites exploitations agricoles font vivre la majeure partie de la population, mais où, historiquement, les types de cultures pratiquées d'une exploitation à l'autre ont été mal répertoriés.
« Il existe un énorme manque de données concernant les cultures à travers le monde », explique Sherrie Wang, professeure adjointe d’Arbeloff en développement professionnel au département de génie mécanique du MIT et à l’Institut des données, des systèmes et de la société (IDSS). « L’objectif ultime est de comprendre les résultats agricoles, comme les rendements, et comment pratiquer une agriculture plus durable. Une des étapes préliminaires essentielles consiste à cartographier précisément les cultures ; plus la cartographie est détaillée, plus on peut répondre à de questions. ».
Wang, accompagné de Jordi Laguarta Soler, étudiant diplômé du MIT, et de Thomas Friedel de la société de technologie agricole PEAT GmbH, présentera plus tard ce mois-ci, lors de la conférence AAAI sur l'intelligence artificielle, un article détaillant leur méthode de cartographie.
Les petites exploitations agricoles sont généralement gérées par une seule famille ou un seul agriculteur qui vit des récoltes et de l'élevage qu'il pratique. On estime qu'elles font vivre les deux tiers de la population rurale mondiale et produisent 80 % de l'alimentation mondiale. Le suivi des cultures et de leur localisation est essentiel pour le contrôle et la prévision de l'approvisionnement alimentaire mondial. Or, la plupart de ces petites exploitations sont situées dans des pays à revenu faible ou intermédiaire, où peu de ressources sont consacrées au suivi des types de cultures et des rendements sur chaque exploitation.
Les efforts de cartographie des cultures sont principalement menés dans les régions à revenus élevés comme les États-Unis et l'Europe, où les agences agricoles gouvernementales supervisent les enquêtes sur les cultures et envoient des agents recenser les parcelles pour étiqueter les cultures. Ces étiquetages de terrain sont ensuite intégrés à des modèles d'apprentissage automatique qui établissent des liens entre les étiquetages des cultures et les signaux satellitaires provenant des mêmes parcelles. Ces modèles permettent alors d'étiqueter et de cartographier de plus vastes étendues de terres agricoles non couvertes par les agents recenseurs, mais automatiquement détectées par les satellites.
« Ce qui manque dans les pays à revenu faible et intermédiaire, c’est cette étiquette terrestre que l’on peut associer aux signaux satellitaires », explique Laguarta Soler. « Tout d’abord, l’obtention de ces données fondamentales pour entraîner un modèle a été limitée dans la plupart des régions du monde. ».
L'équipe s'est rendu compte que si de nombreux pays en développement n'ont pas les ressources nécessaires pour mener des études sur les cultures, ils pourraient utiliser une autre source de données terrestres : les images en bord de route, capturées par des services comme Google Street View et Mapillary, qui envoient des voitures dans une région pour enregistrer des images continues à 360 degrés grâce à des caméras embarquées et des caméras montées sur le toit.
Ces dernières années, ces services se sont étendus aux pays à revenu faible et intermédiaire. Bien que leur objectif ne soit pas spécifiquement la capture d'images de cultures, l'équipe du MIT a constaté qu'elle pouvait identifier les cultures en analysant des images prises en bord de route.
Image recadrée
Dans leur nouvelle étude, les chercheurs ont travaillé avec des images de Google Street View (GSV) prises à travers la Thaïlande, un pays que le service a récemment photographié avec beaucoup de détails et qui est principalement composé de petites fermes.
Parmi plus de 200 000 images GSV prises aléatoirement à travers la Thaïlande, l'équipe a éliminé celles représentant des bâtiments, des arbres et de la végétation en général. Environ 81 000 images concernaient des cultures. Ils en ont sélectionné 2 000 et les ont envoyées à un agronome qui les a identifiées et étiquetées
