Research Articles "Des pixels aux pâturages : comment l'IA peut aider les agriculteur.rice.s à prévoir leurs pâturages

on9 Août 2024

Des chercheur.eure.s de l'Alliance de Bioversity International et du CIAT ont ouvert la voie pour que les agriculteur.rice.s (des petit.e.s exploitant.e.s aux grand.e.s éleveur.euse.s) puissent obtenir des informations sur la quantité et la qualité de leurs pâturages directement sur leur smartphone.

Par : Andrew Wight

En 2020, les émissions agricoles mondiales représentaient 16 milliards de tonnes d'équivalent dioxyde de carbone, selon l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO), et d'autres données de la FAO montrent que le bétail – y compris la viande et le lait – contribue à environ 3,8 milliards de tonnes d'équivalent dioxyde de carbone. Améliorer l'efficacité et la productivité du pâturage des bovins (comme augmenter la production de lait ou le nombre d'animaux) sans accroître l'empreinte environnementale est un objectif clé pour réduire ces émissions.

Dans un article de 2024 intitulé Pixels to pasture: Using machine learning and multispectral remote sensing to predict biomass and nutrient quality in tropical grasslands publié dans la revue internationale Remote Sensing Applications: Society and Environment, des chercheur.euse.s de l'Université de Glasgow et de l'Alliance de Bioversity International et du CIAT présentent un guide pratique pour exploiter les informations des satellites et utiliser des modèles prédictifs pour évaluer les pâturages en termes de quantité (biomasse) et de qualité (protéines brutes, digestibilité et teneur en cendres).

Accéder à l'article

Juan Andrés Cardoso Arango,

co-auteur de l'article et éco-physiologiste végétal spécialisé dans les fourrages tropicaux à l'Alliance de Bioversity International et CIAT, explique qu'aujourd'hui, analyser tous les facteurs qui déterminent la quantité et la qualité est difficile à mettre à l'échelle : avec un petit drone, vous pouvez seulement échantillonner environ neuf hectares à la fois, et encore moins avec des instruments portatifs.

Pixels to Pasture How AI Can Help Farmers Predict Their Pasture — Crédit photo : Isabela Salazar

« Dans certaines régions de Colombie, vous pouvez avoir des propriétés de 3000 hectares », explique Juan Andrés Cardoso, ajoutant que c'est l'une des raisons pour lesquelles les chercheur.eure.s ont développé un système « neutre à l'échelle », capable de collecter des données via satellite sur plusieurs kilomètres carrés à la fois, tout en étant tout aussi utile pour un.e agriculteur.rice avec seulement un hectare.

Cardoso explique que les bases de données d'images satellites gratuites et les avancées technologiques dans le traitement par intelligence artificielle ont « démocratisé » cette analyse.

« Quand j'ai commencé en 2018, personne ne connaissait l'apprentissage automatique, maintenant vous pouvez obtenir ces informations plus rapidement qu'auparavant », dit-il.

Prédiction basée sur l'IA

Diana María Gutiérrez Zapata, associée de recherche principale à l'Alliance de Bioversity International et CIAT, spécialiste de l'analyse de données et co-autrice de l'article, explique que prédire la productivité et la qualité des pâturages à l'aide de la télédétection est un défi en raison des nombreux facteurs influents et des limites des données.

« En caractérisant mieux les systèmes productifs et en capturant des données plus précises sur les facteurs de contrôle et de réponse, il existe un potentiel important pour développer des modèles prédictifs haute performance », dit-elle. « Ces modèles peuvent soutenir des outils numériques pour appuyer la prise de décisions stratégiques, permettant aux agriculteur.rice.s d'optimiser la gestion des pâturages et de mieux gérer les risques (tels que la rareté de l'eau et les fourrages de mauvaise qualité) au sein de leurs systèmes de production. »

Brian Barrett, maître de conférences (professeur associé) à l'Université de Glasgow, en Écosse, et co-auteur de l'étude, ainsi qu'expert en capteurs spatiaux, explique qu'en 2017, lui, Cardoso et leurs collègues se sont rencontrés et ont commencé à discuter de l'utilisation potentielle de la télédétection ou des données d'observation de la Terre et des approches d'apprentissage automatique pour estimer les caractéristiques des fourrages dans différents climats, y compris les pâturages intensifs et extensifs.

« Ce qui était important pour nous, c'était la connexion avec les petit.e.s agriculteur.rice.s et la manière dont nous pourrions développer quelque chose qui leur fournirait des informations utiles et, en fin de compte, conduirait à une meilleure prise de décision et gestion », explique Barrett.

Pixels to Pasture How AI Can Help Farmers Predict Their Pasture - Image 2 — Crédit photo : Anny Yedra

L'avenir

Cardoso explique que l'objectif à long terme est de développer un modèle avec une interface utilisateur aussi simple à utiliser que Google Maps. « Nous voulons qu'un.e agriculteur.rice puisse localiser sa ferme sur une plateforme et vérifier la quantité et la qualité de son fourrage », dit-il.

Gutiérrez explique que, dans un climat en évolution, disposer d'informations opportunes sur la production ou la qualité attendue des pâturages est crucial pour la gestion des risques.

« En étant plus conscient.e.s des risques associés aux décisions de gestion des pâturages, les agriculteur.rice.s peuvent faire des choix mieux informés concernant la production, l'utilisation et la conservation », dit-elle. « Cela bénéficie non seulement aux agriculteur.rice.s en optimisant l'utilisation des ressources, mais a également un impact positif sur l'environnement en réduisant les émissions et les déchets, abordant ainsi diverses problématiques en lien avec les Objectifs de développement durable. »

Barrett explique que, dans le futur, l'équipe aimerait développer cette approche pour non seulement offrir une meilleure idée des ressources fourragères disponibles, mais aussi pour prédire comment les pâturages réagiraient à différents scénarios de gestion et de climat.

« Étant donné que la perte de forêts à l'échelle mondiale (~75 %) est principalement due à la conversion à l'agriculture, et avec l'augmentation des populations mondiales, ainsi que la hausse de la consommation alimentaire et de l'utilisation des ressources qui en découle, il est essentiel de trouver de nouvelles façons d'augmenter la production alimentaire tout en préservant nos forêts restantes », explique-t-il, ajoutant que l'incorporation de technologies telles que les données satellites et les approches avancées d'apprentissage automatique peut conduire à une agriculture plus efficace et rentable, ainsi qu'à une durabilité accrue des systèmes alimentaires.