Qu’est-ce que l’intelligence artificielle ?
L’intelligence artificielle (IA) est la capacité d’une machine à présenter des capacités humaines telles que le raisonnement, l’apprentissage, la planification et la créativité (définition de la Commission européenne, 2018). L’IA relève à la fois de la science et de l’ingénierie. Il s’agit d’une science parce qu’elle étudie théoriquement comment le « raisonnement artificiel » pourrait fonctionner. C’est de l’ingénierie parce qu’il s’agit de construire des machines ou des programmes qui réalisent effectivement ces capacités.
L’objectif principal de l’IA est de développer des algorithmes, des modèles et des systèmes qui permettent aux machines d’apprendre à partir de données, de tirer des conclusions, de prendre des décisions et de résoudre des problèmes de manière autonome, comme s’il s’agissait d’un être humain. Un système d’IA fonctionne lorsque ses performances sont mesurables et vérifiables. Par exemple, si la machine résout un problème, exécute une tâche ou prend des décisions avec succès selon des critères prédéterminés.

Fig.1 : IA : science et ingénierie.

Apprentissage automatique et apprentissage en profondeur
L’apprentissage automatique et l’apprentissage profond sont deux technologies d’intelligence artificielle qui entrent de plus en plus dans le travail quotidien des agriculteurs et des techniciens de terrain en tant qu’outils pratiques pour prendre de meilleures décisions.
L’apprentissage automatique peut être décrite comme la capacité d’un système à « apprendre de l’expérience ». Dans la pratique, de nombreuses données historiques sont fournies au modèle : données météorologiques, données de production, analyse des sols, images des cultures, interventions agronomiques et leurs résultats. En analysant ces données, l’algorithme identifie automatiquement des relations récurrentes, appelées modèles, et les utilise pour faire des prédictions ou suggérer des actions. En agriculture, il s’agit par exemple d’estimer les rendements attendus, de prévoir un risque de stress hydrique ou d’identifier les conditions favorables au développement d’une maladie à partir de données environnementales et agronomiques réelles.
Apprentissage en profondeur est un sous-ensemble de l’apprentissage automatique particulièrement puissant lorsqu’il s’agit de travailler avec des données complexes telles que des images, des signaux ou des séries chronologiques très détaillées. Sa force réside dans l’utilisation de réseaux neuronaux « profonds », inspirés du fonctionnement du cerveau humain, qui sont capables d’extraire automatiquement les informations les plus pertinentes des données brutes. Dans le contexte agricole, c’est le deep learning qui permet, par exemple, de reconnaître une maladie foliaire à partir d’une photo prise sur le terrain, de distinguer les ravageurs de la culture, d’analyser la structure d’un couvert végétal ou d’évaluer l’état de vigueur à partir d’images satellites ou de drones.

Fig.2 : Apprentissage automatique et apprentissage profond.

La différence pratique entre les deux approches est que l’apprentissage automatique fonctionne très bien lorsque les variables clés sont déjà connues et mesurables, comme les données phénologiques, le rendement, les conditions météorologiques. À l’inverse, l’apprentissage profond devient essentiel lorsque les informations ne sont pas immédiatement numériques mais doivent être interprétées, comme dans le cas des images aériennes. Souvent, dans les applications agricoles plus avancées, les deux technologies sont combinées : l’apprentissage profond extrait des informations à partir d’images ou de capteurs, et l’apprentissage automatique les intègre aux données météorologiques, pédologiques et de gestion agronomique pour appuyer la décision finale.

L’IA est-elle vraiment utile dans l’agriculture ?
La valeur de l’intelligence artificielle émerge surtout lorsqu’elle est appliquée à des problèmes concrets et correctement intégrée dans les processus décisionnels de l’entreprise. L’utilité des techniques d’apprentissage automatique et d’apprentissage profond consiste à soutenir l’agriculteur dans un environnement de plus en plus complexe et aléatoire, caractérisé par la variabilité du climat, l’augmentation des coûts de production, une pression réglementaire accrue et la nécessité de réduire l’impact sur l’environnement.
Aujourd’hui, grâce à l’utilisation de stations météorologiques agricoles, d’images satellite et de drones, de capteurs dans les champs ou montés sur les tracteurs, l’agriculture dispose d’une multitude de données. Ces données doivent être transformées en informations pour l’agriculteur lui-même, afin de l’aider à prendre des décisions éclairées et judicieuses. L’un des points cruciaux de l’agriculture moderne est la nécessité d’agir rapidement pour garantir la qualité et la quantité du produit final. L’intelligence artificielle permet d’analyser des données provenant de différentes sources et de les transformer en indications opérationnelles, telles que les fenêtres d’intervention optimales, les niveaux de risque ou les priorités d’action. Cela est particulièrement important pour des activités telles que la gestion de l’irrigation, la lutte contre les parasites, la nutrition et la surveillance de l’état végétatif.

Gestion de la variabilité spatio-temporelle
L’un des plus grands avantages de l’utilisation de l’IA est la possibilité de travailler sur la variabilité spatiale et temporelle des systèmes agricoles. Des champs apparemment homogènes peuvent présenter des différences significatives en termes de sol, de vigueur ou de développement phénologique. Grâce à l’apprentissage automatique et à l’apprentissage profond, ces différences peuvent être détectées et quantifiées, ce qui permet des interventions ciblées et, par conséquent, une utilisation plus efficace de l’eau, des engrais et des pesticides. Il s’agit d’une approche gagnant-gagnant, qui permet d’une part de réduire les coûts pour l’agriculteur et d’autre part d’accroître la durabilité sociale, économique et environnementale.
Toutefois, il est essentiel de préciser que l’efficacité de ces outils dépend fortement de la qualité des données et de l’exactitude du modèle agronomique sous-jacent. Un algorithme ne peut pas compenser des données manquantes ou non représentatives ou une interprétation agronomique incorrecte du problème. C’est pourquoi une approche multidisciplinaire est cruciale : la coopération entre agriculteurs, agronomes, techniciens et experts en intelligence artificielle est nécessaire pour garantir les meilleures performances de l’IA appliquée à l’agriculture. Les algorithmes d’apprentissage automatique et d’apprentissage profond fonctionnent mieux lorsqu’ils sont construits sur une base agronomique solide et utilisés comme des outils de soutien, capables de transformer de grandes quantités de données en conseils opérationnels plus opportuns, plus ciblés et plus durables.

Fig.3 : L’utilisation de l’apprentissage automatique et de l’apprentissage profond dans l’agriculture nécessite une approche multidisciplinaire.

L’IA dans les plantations d’agrumes : une étude de cas réelle
Un exemple concret de l’application de l’intelligence artificielle et des technologies numériques à l’agriculture est représenté par l’analyse multispectrale par drone d’une plantation d’agrumes située en Sicile. L’objectif de cette activité était d’évaluer objectivement et quantitativement l’état végétatif et la réponse des plantes à différents produits agronomiques (biostimulants), en exploitant des images à très haute résolution et des algorithmes d’analyse avancés.
La zone d’étude a été subdivisée en 25 parcelles expérimentales de 80 m² avec 4 plantes chacune. Cette approche a permis d’obtenir des données comparables et statistiquement robustes, essentielles pour évaluer l’efficacité des traitements testés et pour interpréter correctement la variabilité spatiale de l’agrumeraie.
L’étude a été réalisée très rapidement à l’aide d’un drone DJI Mavic 3 Multispectral, dont le capteur multispectral intégré permet l’acquisition simultanée et alignée de quatre bandes spectrales (vert, rouge, bord rouge et NIR), en plus de l’image RVB haute résolution.

Fig.4 : Parcelles expérimentales dans une plantation d’agrumes sicilienne.

Les résultats de l’expérience
À partir des images RVB et multispectrales, un modèle 3D (jumeau numérique) de l’agrumeraie a été recréé. L’utilisation de ce modèle, combinée à des algorithmes de vision artificielle et d’intelligence artificielle, permet l’extraction automatique de divers paramètres biométriques et physiologiques de la culture, potentiellement plante par plante : la surface végétalisée, pour quantifier le couvert végétal ; l’épaisseur, la hauteur et le volume du couvert végétal, indicateurs directs du développement végétatif ; les indices de végétation, en particulier le NDVI pour la vigueur végétative, le GNDVI et le NDRE pour l’estimation indirecte de la concentration en chlorophylle et de l’état nutritionnel. Ces paramètres sont dérivés de l’application d’algorithmes d’analyse avancés qui transforment les données brutes en informations agronomiques. Les images multispectrales, complexes par définition, sont traitées pour extraire des modèles spatiaux et des différences entre les parcelles qui seraient difficiles à détecter avec des observations visuelles traditionnelles.
Examinons deux exemples de paramètres biométriques calculés sur la plantation d’agrumes. Premièrement, la surface végétalisée représente la densité de la canopée de chaque plant d’agrume et est fondamentale pour visualiser la distribution spatiale de la densité, en identifiant les zones avec une densité plus faible ou plus élevée.

Fig.5 : Surface de la canopée pour chaque plante.

La carte du volume de la canopée permet de visualiser le développement global de la canopée sous la forme d’une valeur moyenne pour chaque parcelle. Le volume de la canopée est directement lié à la biomasse et est similaire à la carte précédente de la surface végétalisée.

Fig.6 : Volume de la canopée pour chaque plante.

Sur la base des informations multispectrales capturées par le drone, trois indices de végétation ont été calculés : NDVI, GNDVI et NDRE. L’indice NDVI est fortement influencé par la vigueur de la zone végétalisée mais il est également limité par celle-ci car, après avoir atteint un point maximum, il a tendance à saturer et à masquer toute variabilité dans le champ. Dans l’agrumeraie, on observe une variabilité intra-parcellaire, ainsi qu’une variabilité entre les parcelles.

Fig.7 : Indice de végétation NDVI de la canopée pour chaque plante.

La carte GNDVI permet de suivre la teneur en chlorophylle des cultures et de mieux distinguer les zones plus saines que le NDVI lorsque les couverts sont bien développés. En outre, le GNDVI peut être utilisé pour évaluer l’absorption d’eau des plantes et donc leur stress hydrique. Là encore, la variabilité interparcellaire est élevée, tandis que la variabilité intraparcellaire est faible.

Fig.8 : Indice de végétation GNDVI de la canopée pour chaque plante.

Comme pour l’indice GNDVI, la carte NDRE permet de surveiller la teneur en chlorophylle des cultures , même lorsque le couvert végétal est bien développé. Le NDRE est un meilleur indicateur de la santé des plantes que le NDVI pour les cultures moyennes et tardives à forte teneur en chlorophylle. En outre, la NDRE peut être utilisée pour évaluer l’absorption d’azote par les plantes et donc leur efficacité.

Fig.9 : Indice de végétation GNDVI de la canopée pour chaque plante.

Conclusions
L’étude de cas menée dans l’agrumeraie montre que l’intelligence artificielle appliquée à la télédétection par drone peut devenir un outil opérationnel concret d’aide à la décision agronomique. Le système iDrone d’Agrobit permet de transformer des images multispectrales à très haute résolution en informations objectives et mesurables sur l’état végétatif des cultures. De plus, grâce au calcul de paramètres biométriques et d’indices de végétation, il a été possible d’identifier et de quantifier la variabilité spatiale de l’agrumeraie, d’évaluer la réponse des plantes à différents traitements et d’identifier les situations de stress à un stade précoce. Ces informations, difficiles à obtenir par la seule surveillance visuelle, permettent des interventions plus ciblées, plus efficaces et plus durables.
Dans un environnement agricole de plus en plus complexe, le service iDrone fournit une solution AgTech fiable pour améliorer l’efficacité de la gestion, réduire les coûts et soutenir les décisions fondées sur des données.