Présentation

Article interactif

1 - SYSTÈME DYNAMIQUE DE LA CROISSANCE DES CULTURES

2 - ANALYSE DES DONNÉES ET APPRENTISSAGE STATISTIQUE

3 - CONCLUSION

4 - GLOSSAIRE

Article de référence | Réf : AF1521 v1

Conclusion
Modélisation mathématique et intelligence artificielle en agriculture

Auteur(s) : Marion CARRIER, Paul-Henry COURNEDE

Relu et validé le 26 avr. 2021

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

RÉSUMÉ

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’article

ABSTRACT

Mathematical Modelling and Artificial Intelligence in Agriculture

The understanding of the ecophysiological processes of plant growth, the availability of agro-environmental data and the increasing technical skills of the different actors in the agricultural sector make it possible to develop formal and numerical methods for the implementation of new tools for crop yield prediction or optimization. These methods are based on different aspects of mathematical modelling, numerical simulation, statistical data analysis and artificial intelligence. This article aims to present the main concepts useful for tomorrow’s agriculture, some concrete application examples, and open questions.

Auteur(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.

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

plant growth   |   agro-environmental data   |   machine learning   |   data mining

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-af1521


Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(233 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

ABONNEZ-VOUS

Lecture en cours
Présentation

3. Conclusion

La modélisation mathématique et l’analyse de données par l’intelligence artificielle sont deux axes scientifiques et technologiques majeurs pour aider à repenser le fonctionnement des systèmes agricoles et agroalimentaires.

La mise en équation des connaissances sur le fonctionnement des végétaux permet de simuler in silico leur comportement. Des approches multiphysiques permettent de coupler des phénomènes géologiques, biologiques, mécaniques, énergétiques pour décrire les différents aspects du comportement des cultures. L’enjeu n’est pas forcément de chercher à mettre en œuvre des modèles holistiques, dont la simulation peut être consommatrice en temps de calcul et la paramétrisation exigeante en données d’entrée, mais plutôt de composer une représentation couplée des phénomènes que l’on a besoin de comprendre, anticiper ou optimiser pour une problématique donnée. Un formalisme mathématique générique a été présenté, permettant de formaliser les problèmes de conduites agronomiques et d’optimisation.

Une évolution technologique emblématique de ces dernières années est le recours aux données d’observation (météorologiques, satellites, drones, capteurs agronomiques…) pour injecter de l’intelligence dans les modèles. Les enjeux pour l’agriculture sont d’autant plus importants qu’il y a de nombreux phénomènes dans le comportement d’une plante et de son écosystème que l’on ne sait pas expliquer par des équations. Plus encore, les faibles marges du secteur agricole font qu’il est primordial de valoriser les données acquises automatiquement à faibles coûts (satellite, réglementation…), et de rationaliser l’investissement en capteurs et autres technologies coûteuses. La capacité à analyser et valoriser les sources de données doit être au centre de la réflexion.

Deux exemples de méthodologies sont présentés pour la prévision de rendement aux paragraphes 1.4.3...

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

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.

Obtenez CerT.I., la certification
de Techniques de l’Ingénieur !
Acheter le module

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(233 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

ABONNEZ-VOUS

Lecture en cours
Conclusion
Sommaire
Sommaire

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 est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(233 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

ABONNEZ-VOUS

Sommaire

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 %.


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(233 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

ABONNEZ-VOUS