La population mondiale s'élève actuellement à plus de 8,1 milliards d'habitants. On estime qu'elle atteindra 9,7 milliards d'ici 2050. Selon l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO), nourrir cette population nécessitera une augmentation de 70 % de la production agricole.
Le simple développement des techniques de production actuelles ne suffit pas à répondre à la demande future, car il est également important de prendre en compte que le secteur agricole est le cinquième plus grand consommateur d'énergie et l'un des principaux contributeurs aux émissions de gaz à effet de serre.
L'agriculture intelligente est aujourd'hui un sujet brûlant dans le secteur. On constate comment les nouvelles technologies sont utilisées dans l'agriculture et l'élevage pour accroître à la fois la quantité et la qualité. Parmi ces technologies figurent le GPS, des capteurs de plus en plus intelligents, l'Internet des objets en agriculture (IoTA), le cloud computing, l'automatisation, les véhicules autonomes, l'intelligence artificielle (IA) et l'apprentissage automatique (ML). Ensemble, ces technologies permettent de créer un système intégré et hautement optimisé, gage d'une plus grande autonomie.
L'agriculture de précision est un aspect important de l'agriculture intelligente. Elle améliore les rendements agricoles grâce à des méthodes de production automatisées et a été théorisée pour la première fois dans les années 1980. Cependant, c'est à John Deere que l'on attribue la première mise en pratique de cette théorie, lorsqu'en 1996, l'entreprise a lancé son système d'agriculture de précision GreenStar, qui a introduit le guidage GPS et la direction automatisée.
L'importance des données a été clairement reconnue dès les débuts de l'agriculture de précision et, fait intéressant, la brochure de GreenStar arborait le slogan « L'information est votre nouvelle récolte ! ». L'agriculture de précision a parcouru un long chemin depuis lors et est désormais considérée comme fondamentale pour la pratique de l'agriculture intelligente, qui consiste à accéder à des données précises et en temps réel et à les utiliser pour améliorer la qualité et le rendement des cultures, mieux utiliser la main-d'œuvre et, bien sûr, accroître la rentabilité du secteur agroalimentaire.
Grâce à de meilleures données, non seulement les décisions peuvent être prises plus rapidement et avec plus d'assurance, mais le processus décisionnel peut être largement automatisé, permettant une action immédiate.
Les capteurs
sont essentiels pour améliorer les rendements en agronomie, la science de la gestion des sols et de la production végétale. Par exemple, la couleur d'une culture, et notamment certaines propriétés spectrales invisibles à l'œil nu, est un indicateur fondamental de sa santé (et de son stade de croissance). L'imagerie satellitaire permet de calculer divers indices spectraux. Parmi les plus utiles pour la production végétale figurent l'indice de végétation par différence normalisée (NDVI, qui compare les niveaux de lumière visible dans le proche infrarouge [NIR] et dans le rouge), l'indice de surface foliaire (LAI) et l'indice de stress hydrique (MSI). Ces dernières années, l'utilisation de drones multirotors et à voilure fixe, équipés de caméras à vision standard et hyperspectrale et de capteurs thermiques, s'est intensifiée, remplaçant ainsi les satellites.
Les propriétés spectrales peuvent également être un indicateur de la santé des sols, et des informations utiles peuvent être obtenues à partir de capteurs électrochimiques (qui mesurent le pH et les niveaux de nutriments) et de capteurs de rayonnement gamma.
Combinées à des données plus générales, telles que la température de l'air et le point de rosée, la vitesse et la direction du vent, l'humidité relative, la pression atmosphérique et le rayonnement solaire, ces informations peuvent alimenter un écosystème agricole connecté.
Les données sur l'état sanitaire des cultures permettent d'établir une carte de prescription (CP) qui détaille les zones d'application des ressources telles que les semences, les engrais, les pesticides et l'eau. De plus, les prévisions météorologiques, le coût des ressources et la disponibilité du matériel nécessaire à la location contribuent à éclairer les décisions stratégiques relatives au calendrier d'application de ces ressources.
Il est important de contrôler les quantités de ressources, car elles ont une influence directe sur la rentabilité de l'agro-industrie, ainsi que sur un certain nombre de questions environnementales.
Les technologies à taux
(VRT) appliquent les semences, les engrais, l'eau et les pesticides en quantités optimales et là où c'est le plus nécessaire. On distingue généralement deux types de VRT : les VRT cartographiques et les VRT à capteurs. Les VRT cartographiques ajustent l'application des produits en fonction d'une carte préétablie du champ. Les VRT à capteurs,
quant à elles, n'utilisent pas de carte, mais des capteurs embarqués qui mesurent en temps réel les propriétés du sol ou les caractéristiques des cultures. Prenons l'exemple des semis : le débit de semis de la machine s'adapte à la pression exercée. La carte ne prenant pas en compte le compactage du sol, qui influe sur le rendement, un système de détection de la texture et du compactage du sol in situ, installé sur la machine, est indispensable pour ajuster la profondeur de travail du sol en temps réel.
Comme mentionné précédemment, l'Internet des objets appliqué à l'agriculture (IoT Ag) fait partie intégrante du paysage de l'agriculture intelligente. Les dispositifs sans fil compatibles avec l'IoT Ag seront largement utilisés pour mesurer les conditions environnementales. La plupart de ces dispositifs seront exposés aux intempéries — dans les champs, installés sur les machines agricoles, voire sur le bétail (pour la surveillance de ce dernier) — et devront donc être robustes.
Nombre d'entre eux devront également être alimentés par batterie, car ils seront installés dans des zones reculées. Bien que ces appareils passent la majeure partie de leur temps en mode veille, leur autonomie devrait dépasser un an avant le remplacement des batteries, voire plusieurs années s'ils peuvent être rechargés grâce à des cellules photovoltaïques. Heureusement, plusieurs microcontrôleurs (MCU) basse consommation sont déjà utilisés dans des dispositifs IoT et des appareils électroniques portables alimentés par batterie.
La cybersécurité doit également être prise en compte, car les dispositifs IoT Ag constituent, en pratique, des nœuds du réseau de l'exploitation agricole. Bien que les données transmises par un dispositif ne soient pas nécessairement sensibles, elles transitent par un réseau contenant des informations précieuses et permettant de contrôler des machines automatisées.
IA et ML
Le VRT, soutenu par la grande quantité de données collectées, améliore les niveaux d'automatisation rendus possibles par le guidage des systèmes mondiaux de navigation par satellite (GNSS) combiné à des technologies automatisées telles que la fermeture des rangs/sections des semoirs et le contrôle des rampes de pulvérisation, par exemple.
Cependant, le plus grand potentiel réside dans l'intégration de l'intelligence artificielle (IA) et de l'apprentissage automatique (AA) dans le domaine ; et le marché de l'IA dans l'agriculture devrait passer de 1,7 milliard de dollars actuellement en 2023 à 4,7 milliards de dollars en 2028, avec un taux de croissance annuel composé de plus de 23 %.
Comme mentionné précédemment, la détermination en temps réel du compactage du sol est utile, mais la solution ne nécessite pas une complexité supérieure à celle d'un système de contrôle en boucle fermée intégrant un renforcement et une méthode de mesure de la déformation ou du déplacement. La distinction en temps réel entre les cultures et les adventices, lors du passage des machines agricoles, requiert un système de vision par ordinateur associé à des algorithmes d'apprentissage automatique (AA) pour déterminer l'opportunité d'appliquer des herbicides (voir Figure 2). De plus, s'il s'agit d'une culture, quel est son état sanitaire ? Le flétrissement et le recroquevillement des feuilles sont souvent des signes de maladie. Un système de vision par ordinateur avec AA sera capable de détecter les traces d'insectes et d'identifier les plantes nécessitant des pesticides. Il est toutefois important de noter que cette décision dépendra également d'autres facteurs, tels que l'humidité du sol, car les symptômes observés peuvent ne pas être spécifiques à une seule maladie ou infestation. Un manque d'eau peut également provoquer le flétrissement ; le modèle d'AA doit donc accepter différents types de données d'entrée.
Figure 2 : Grâce au GPS, l’ordinateur connaît sa position en temps réel et, à partir d’une carte de prescription VRT, détermine approximativement où appliquer les herbicides. Toutefois, l’intégration d’informations en temps réel provenant de capteurs et de caméras permet d’obtenir une précision bien supérieure.
Comme mentionné précédemment, les microcontrôleurs basse consommation sont déjà largement utilisés dans les dispositifs IoT et peuvent donc également l'être dans les dispositifs IoT Ag. De plus, grâce à des initiatives telles que le mouvement Tiny Machine Learning (tinyML), il est possible d'implémenter l'IA et le ML dans un microcontrôleur. L'implémentation d'algorithmes de ML dans le microcontrôleur permet de fournir les capacités de traitement en périphérie et de prise de décision nécessaires à de nombreuses applications VRT.
Résumé :
L’agriculture intelligente repose sur l’accès aux données et leur utilisation efficace pour améliorer les rendements. Ces données s’avèrent déjà essentielles à des pratiques comme la VRT (Variable Reduction Technology), permettant aux agriculteurs d’optimiser leurs ressources et d’accroître l’automatisation. Toutefois, c’est l’intégration de l’IA et du ML (apprentissage automatique) dans l’écosystème agroalimentaire qui promet les plus grands avantages, en permettant une prise de décision instantanée et une utilisation optimale des ressources.
À propos de l'auteur :
Nilam Ruparelia dirige les efforts de commercialisation de Microchip en matière d'IA/ML dans le secteur des technologies de pointe, ainsi que sur les marchés de la 5G et des communications. Fort d'une expérience de plus de 30 ans dans l'industrie des semi-conducteurs, il a occupé des postes axés sur les marchés, les clients et les applications pour des leaders du secteur des microcontrôleurs, des FPGA et des produits de communication. Nilam est titulaire d'une licence d'ingénieur en électronique et communications de l'école d'ingénieurs LD de l'université du Gujarat, en Inde.
