Analyse des données et apprentissage statistique
Modélisation mathématique et intelligence artificielle en agriculture

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