Présentation
EnglishRÉSUMÉ
La compréhension des processus écophysiologiques de la croissance des plantes, la disponibilité des données agroenvironnementales et la montée en compétences techniques des différents acteurs du secteur agricole rendent possible le développement de méthodes formelles et numériques pour la mise en oeuvre de nouveaux outils de prévision ou d’optimisation des cultures. Ces méthodes reposent sur les différents aspects de la modélisation mathématique, de la simulation numérique, de l’analyse statistique des données et de l’intelligence artificielle. Cet article vise à présenter les principaux concepts utiles à l’agriculture de demain, des exemples concrets d’application et quelques problèmes ouverts.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Marion CARRIER : Directrice générale - CybeleTech, Montrouge, France
-
Paul-Henry COURNEDE : Professeur des universités - Laboratoire de Mathématiques et Informatique, CentraleSupélec, Université Paris-Saclay, Gif-sur-Yvette, France
INTRODUCTION
Les enjeux liés à l’agriculture sont critiques pour l’humanité depuis le néolithique. La période actuelle n’échappe pas à cet état de fait et révèle même de nouvelles problématiques et de nouvelles fragilités auxquelles les sociétés doivent faire face. Le besoin de nourrir une population en forte augmentation s’accompagne désormais de la nécessité de faire évoluer les modes de culture pour être plus respectueux de l’environnement, des contraintes liées au changement climatique ou encore de l’exigence de qualité et de relocalisation de la production. La crise sanitaire récente a rappelé que même dans les sociétés les plus avancées, des tensions sur les marchés alimentaires pouvaient rapidement resurgir et que l’agriculture restait un des principaux domaines stratégiques pour la France.
Pour faire face à ces enjeux, une nouvelle révolution agricole est en marche. Elle bénéficie grandement de l’apport des nouvelles technologies numériques et de l’intelligence artificielle. Le premier objectif de cet article est de présenter les fondements mathématiques, les méthodologies et les techniques mis en jeu pour la transformation digitale du secteur. Le second objectif est d’illustrer sur quelques cas pratiques la mise en œuvre des technologies et comment elles affectent ou affecteront l’agriculture. On peut identifier deux grands axes scientifiques sur lesquels sont développées les nouvelles technologies numériques pour l’agriculture : la modélisation mathématique des processus et l’intelligence artificielle à partir des données agroenvironnementales.
Dans la première partie de cet article, nous montrerons comment la compréhension du fonctionnement des plantes et des cultures en interaction avec leur environnement permet le développement de modèles intégratifs décrivant la dynamique de croissance et la constitution du rendement. Les problématiques scientifiques sont alors celles rencontrées classiquement en modélisation : quelles sont les bonnes échelles de description (temporelle et spatiale), quels processus doivent être pris en compte en fonction de l’objectif visé, quel est le bon compromis entre précision et robustesse, comment paramétrer le modèle pour qu’il corresponde à la situation d’intérêt ? Une fois le modèle construit et paramétré, on peut alors le simuler pour réaliser des prévisions de rendement ou l’optimiser pour déterminer de meilleures conduites culturales.
Dans la seconde partie de cet article nous verrons que l’agriculture n’échappe pas à la grande tendance de l’explosion des données : multiplication des capteurs aux champs ou sur des tracteurs intelligents, imagerie satellitaire ou drone, données pédoclimatiques, statistiques agricoles… Cette grande disponibilité des données ouvre la voie à l’apprentissage statistique et aux nouvelles méthodes de l’intelligence artificielle.
Finalement, nous terminerons en essayant d’esquisser les grandes tendances à venir et en soulignant quelques-uns des nombreux défis scientifiques et technologiques qu’il reste à relever.
MOTS-CLÉS
croissance des plantes données agroenvironnementales apprentissage statistique exploration de données
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Modélisation mathématique et intelligence artificielle en agriculture > Analyse des données et apprentissage statistique
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Modélisation mathématique et intelligence artificielle en agriculture > Analyse des données et apprentissage statistique
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Modélisation mathématique et intelligence artificielle en agriculture > Analyse des données et apprentissage statistique
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
2. Analyse des données et apprentissage statistique
La première section de cet article a présenté les concepts de modélisation de la croissance des plantes ou des cultures et comment les modèles mathématiques obtenus ouvraient la voie à des applications concrètes en agriculture ou sélection végétale, notamment par la prévision ou l’optimisation. On parle de modélisation mécaniste, car elle est basée sur la description des processus fonctionnels (« mécanistes ») de la plante. Une nouvelle approche basée sur l’apprentissage statistique et centrée sur les données se développe désormais largement et vient compléter l’approche mécaniste.
Cette nouvelle approche résulte de trois phénomènes principaux :
-
tout d’abord, la disponibilité de plus en plus grande des données agricoles, notamment grâce au progrès dans la gestion des bases de données chez les grands acteurs du secteur (coopératives, acteurs publics, industriels…) et à la multiplication des capteurs agricoles ;
-
d’autre part, grâce à l’amélioration des algorithmes de machine learning (apprentissage automatique) et de deep learning (apprentissage profond) ;
-
et finalement, grâce à l’augmentation des ressources de calcul (clusters CPU, GPU, hybrides…) permettant à ces algorithmes de traiter des problèmes de grandes dimensions sur de grandes bases de données.
Comme les modèles mécanistes, les modèles de machine learning visent également à fournir des prévisions sur la croissance des cultures. Mais au lieu de décrire les processus et les relations de causalité, ils parcourent des bases de données d’entrées et de sorties pour un problème donné. On peut définir le machine learning comme un processus informatique qui améliore ses performances pour une tâche donnée grâce à l’expérience acquise. Pour cette raison, le machine learning est un domaine de l’intelligence artificielle.
Pour fournir des prévisions précises, les modèles d’apprentissage machine nécessitent de grandes quantités de données, le choix d’un algorithme adéquat et l’identification des entrées et sorties d’intérêt.
Mathématiquement, nous considérons ?xml>
TEST DE VALIDATION ET CERTIFICATION CerT.I. :
Cet article vous permet de préparer une certification CerT.I.
Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.
de Techniques de l’Ingénieur ! Acheter le module
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Analyse des données et apprentissage statistique
BIBLIOGRAPHIE
-
(1) - MONTEITH (J.L.), MOSS (C.J.) - Climate and the efficiency of crop production in Britain. - In: Philosophical Transactions of the Royal Society of London. B, Biological Sciences 281.980 (1977).
-
(2) - De WIT (C.T.), Van LAAR (H.H.), Van KEULEN (H.) - Physiological potential of crop production. - In: Plant breeding perspectives. Pudoc (1979).
-
(3) - JONES (C.A.), KINIRY (J.R.), DYKE (P.T.) - CERES-Maize: A simulation model of maize growth and development. - Texas AM University Press (1986).
-
(4) - BOUMAN (B.) et al - The School of de Wit crop growth simulation models: a pedigree and historical overview. - In: Agricultural systems 52.2-3 (1996).
-
(5) - McCOWN (R.L.) et al - APSIM: a novel software system for model development, model testing and simulation in agricultural systems research. - In: Agricultural systems 50.3 (1996).
-
...
DANS NOS BASES DOCUMENTAIRES
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
1/ Quiz d'entraînement
Entraînez vous autant que vous le voulez avec les quiz d'entraînement.
2/ Test de validation
Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.
Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive