EOSDA Contribue Au Rendement Agricole Plus Élevé

Pourquoi Les Agraires Auraient-Ils Besoin D’Outils Basés Sur L’IA Pour Évaluer La Productivité Des Cultures?

Oleksandr Dzhevaga: Nous constatons une demande croissante d’analyses rationalisées dans le secteur agricole pour diverses raisons. D’une part, grâce à la stratégie de l’UE de la ferme a la table, la perte de nutriments devrait être réduite de 50 % d’ici 2030, et l’utilisation d’engrais devrait être réduite de 20 % tout en préservant la fertilité des sols ^{European Commission. (2022). Farm to Fork Strategy. Language selection | Food Safety.}. Cette stratégie aboutit à un certain nombre de directives applicables à toutes les entreprises agricoles au sein de l’UE. En outre, différents facteurs, du changement climatique à l’équilibre import-export, obligent les producteurs à rechercher des instruments qui les aideront à préserver leur productivité de manière saine et rentable.

Certains des objectifs des outils basés sur l’IA pour l’agriculture sont:

1. Faire des prédictions sur l’état des cultures.
2. Obtenir l’analyse rapide des données et formuler des recommandations exploitables.
3. Optimiser les programmes d’irrigation, l’application d’engrais et d’autres opérations agricoles critiques qui ont un impact sur la productivité des cultures.
4. Détecter et prédire les ravageurs et les infestations dans les cultures.
5. Atténuer les risques météorologiques et comprendre l’humidité du sol, la température, l’humidité, les précipitations, etc. pour prendre des décisions éclairées.

Comme vous pouvez le constater, l’utilisation d’outils basés sur l’IA offre des capacités avancées pour évaluer la productivité et la santé des cultures avec plus de précision et d’efficacité. L’utilisation d’analyses avancées facilite l’optimisation du rendement, l’atténuation des risques et les décisions fondées sur les données pour améliorer les pratiques agricoles.

Quelles Sont Les Cartes De Productivité Basées Sur L’Indice De Productivité Combiné Comme Solution Personnalisée D’EOSDA?

Aleksey Kryvobok: Les Cartes De Productivité basées sur L’Indice De Productivité Combiné (plus loin – PM) sont générées à l’aide de données d’entrée combinées à partir de sources de différentes natures, comme l’imagerie satellite et les modèles biophysiques. Les PM nous permettent de savoir dans quelles parties du champ la productivité (la végétation) était constamment élevée et dans laquelle elle était constamment faible.

Le résultat est une carte, enrichie d’une visualisation basée sur le NDVI (Indice De Végétation Par Différence Normalisée), ainsi que des résultats de la modélisation biophysique. Ces derniers prennent en compte plusieurs facteurs supplémentaires (type de culture, conditions météorologiques, type de sol, topographie, etc.). Cela permet une analyse plus précise puisque davantage de variables sont prises en compte pour dériver la valeur de sortie. De plus, L’Indice De Productivité Combiné peut être utilisé pour évaluer les spécificités de chaque culture séparément, c’est-à-dire que l’utilisateur peut disposer de différentes cartes de productivité pour différentes cultures.

Oleksandr Dzhevaga: Oui, nos clients ont exprimé leur intérêt pour le développement d’analyses aussi diversifiées. C’est très important puisque chaque type de culture nécessite un ensemble spécifique de conditions pour produire une bonne récolte.

Données Satellites Sont Fournies En Chiffres/Pixels Et Les Cultures Sont Mesurées En Unités De Poids. Quelles Unités De Mesure Utilisez-Vous Pour Évaluer La Productivité?

Aleksey Kryvobok: L’indice de productivité est une valeur sans unités de mesure. Ceci est lié au fait que notre méthodologie combine deux sources de données différentes avec des unités de mesure différentes:

• L’indice de productivité est calculé à partir d’images satellites (notamment basées sur des indices de végétation) qui prennent une valeur de 0 à 1.
• Productivité modélisée par culture, basée sur les résultats de la modélisation biophysique en unités telles que kg/ha.

L’indice final (combiné) est une valeur obtenue à partir de la modélisation biophysique, multipliée par l’indice de productivité calculé à partir des données satellitaires.

Par conséquent, cet indice de productivité n’a pas d’unités de mesure spécifiques. Nous pouvons d’une manière ou d’une autre comparer la valeur de l’indice de productivité avec le kg/ha, mais cela ne sera pas tout à fait correct. La meilleure façon d’utiliser l’indice est de comparer la productivité de différentes zones d’intérêt (AOI) sur une échelle unifiée, appelée regroupement. Ensuite, en estimant les résultats obtenus, on peut comprendre quelle zone est la plus productive et laquelle est la moins productive (compte tenu de plusieurs paramètres mentionnés ci-dessus).

Pour mieux comprendre cela, référons-nous à l’exemple (maïs):

• Indice de productivité basé sur les données satellites pour pixel/zone = 0,8
• Résultat de la modélisation biophysique = 10,000 (supposément kg/ha)
• Productivité finale pondérée (combinée) Indice pixel/zone = 8,000 (sans unités de mesure)

Qu’Est-ce Que Le Clustering Des Cartes De Productivité Et Comment Peut-Il Être Utilisé?

Oleksandr Dzhevaga: Dans la version brute (sans post-traitement supplémentaire), les cartes de productivité sont des images géoréférencées, constituées d’ensembles de pixels, chaque pixel contenant la valeur de l’indice de productivité combiné. Ce format n’est pas toujours pratique pour utiliser de telles données, en particulier lorsqu’elles doivent être utilisées pour des machines ou pour une analyse de haut niveau d’une vaste zone.

Afin de rendre l’utilisation des cartes de productivité plus pratique aux fins mentionnées ci-dessus, un regroupement (ou zonage) est généralement effectué. Le clustering divise la carte de productivité en différentes zones homogènes, en fonction des valeurs d’index des pixels. Cela signifie que les pixels avec des valeurs d’index similaires sont combinés en une seule zone, c’est-à-dire un cluster.

Aleksey Kryvobok: Nous pouvons choisir un nombre différent de clusters pour différents cas. Par exemple, vous pouvez sélectionner 5 clusters (productivité très élevée, productivité élevée, productivité moyenne, productivité modérée et productivité faible). Ensuite, pour chaque cluster, choisissez un intervalle de valeurs d’index. Et si la valeur d’index d’un pixel se situe dans l’intervalle sélectionné, alors le pixel sera attribué à un cluster, comme sur l’image ci-dessous.

Aleksey Kryvobok: De plus, ces grappes peuvent être plus facilement utilisées, par exemple, pour une fertilisation différenciée. La carte de productivité groupée est chargée dans la machine et le taux d’engrais est défini pour chaque classe (par exemple, le taux de fertilisation le plus élevé est défini pour le cluster à faible productivité et le taux le plus bas pour le cluster à très haute productivité). La machine utilise la navigation et les géoréférences d’une carte de productivité, de sorte que lorsque la machine entre, disons, dans une zone de faible productivité, la quantité d’engrais déposée augmente, et ainsi de suite, en fonction de la zone dans laquelle se trouve la machine.

Modèles D’IA Sont Connus Pour Être Fragiles. Si Le Modèle Est Formé Pour La Zone D’Intérêt, Il Peut Être Erroné Sur L’Autre. Comment Garantir La Précision Sur Les Différentes Zone D’Intérêt?

Aleksey Kryvobok: L’Indice De Productivité Combiné est basé sur deux composantes: les résultats des calculs de l’indice de végétation (NDVI) et les résultats de la modélisation biophysique. Pour former le modèle personnalisé pour la Carte De Productivité, nous devons former des modèles distincts pour chacun de ces deux composants, puis combiner les résultats.

Quant au premier composant, tout est ici assez simple. L’indice est calculé sur la base d’images satellite multispectrales, qui capturent une réflexion de longueur d’onde spécifique depuis la surface de la Terre. Avec un changement dans les caractéristiques de la surface terrestre (par exemple, dans une autre région), ces caractéristiques de réflexion spectrale changent et la valeur des indices change également. Les équations et les approches de calcul des indices ont été développées de longue date et validées selon différents critères par de nombreuses communautés scientifiques.

Oleksandr Dzhevaga: Cependant, la situation est légèrement différente pour le deuxième volet (modélisation biophysique). Il utilise une méthode bien connue, le modèle WOFOST qui a été adapté par les scientifiques d’EOSDA dans le but de calculer des cartes de productivité basées sur l’indice combiné de productivité. Grâce à notre variation de ce modèle dynamique, nous pouvons estimer le potentiel de culture inexploité, enrichi par la connaissance des conditions environnementales et climatiques.

Aleksey Kryvobok: Cela devient possible parce que les paramètres d’entrée du modèle sont des données locales sur les types de sols, les conditions météorologiques et les caractéristiques du développement des cultures (données phénologiques) dans une région particulière. Cela signifie que le modèle recevra en entrée des paramètres spécifiques inhérents à un emplacement particulier. Par exemple, les données phénologiques sont étudiées séparément pour chaque région agro-climatique par l’équipe R&D de l’EOSDA. Cela permet d’affiner l’algorithme pour qu’il tienne compte des spécificités de la région pour laquelle l’analyse est réalisée.

Le modèle peut également être validé et calibré davantage si des données de sol fiables sont disponibles dans des régions sélectionnées, telles que des données météorologiques provenant de stations météorologiques au sol, des données réelles sur le rendement des cultures, des cartes des sols à haute résolution spatiale etc.

Comment Commander Des Cartes De Productivité Auprès De L’Équipe EOSDA?

Aleksey Kryvobok: Nous devons obtenir certaines données pour commencer à entraîner le modèle d’IA. Dans le cas de Cartes De Productivité basées sur L’Indice De Productivité Combiné, ce serait:

1. Domaine d’intérêt: Pour vérifier la qualité et l’acceptabilité de la simulation, il est proposé de fournir des zones d’intérêt d’au moins deux régions présentant des caractéristiques climatiques et pédologiques différentes
2. Cultures principales d’intérêt et données phénologiques sur les cultures cibles pour la zone d’intérêt (si disponible)
3. Données sur le type de sol pour la zone d’intérêt (si disponible)
4. Données sur le terrain pour la zone d’intérêt (si disponible)
5. Données historiques météorologiques (si disponibles)

Oleksandr Dzhevaga: Ces Cartes De Productivité sont des projets personnalisés, et chaque projet personnalisé est unique. Habituellement, les agraires qui expriment leur intérêt pour la formation d’un modèle nous contactent et nous discutons ensemble de la manière dont nous pouvons mettre en œuvre leur projet conformément aux exigences. Tous nos développements de solutions personnalisées sont réalisés par notre équipe de scientifiques qui comprend des médecins et des professeurs sur un total de 60 data scientists et spécialistes SIG internes. Après la discussion initiale, une proposition détaillée est partagée avec le client pour fournir les estimations, la durée et les résultats attendus du projet.

Quels Types De Travaux De Tels Projets Personnalisés Peuvent-Ils Inclure?

Oleksandr Dzhevaga: Permettez-moi de souligner certaines des tâches potentielles que nous pouvons couvrir dans un projet personnalisé de cartographie de la productivité.

• Affiner les pipelines automatisés (modélisation biophysique, données météorologiques, etc.)
• Analyser la végétation et les caractéristiques climatiques de la zone d’intérêt unique du client
• Lancer surveiller l’exploitation de pipelines, par ex. rechercher, télécharger et combiner des images satellite, calculer l’indice de productivité basé sur les données satellites
• Effectuer la modélisation biophysique des cultures cibles pour la superficie requise et la période historique
• Combiner les résultats des calculs et obtenir un indice de productivité combiné
• Effectuer le post-traitement du résultat, la recherche et la correction des anomalies (le cas échéant), la rastérisation des données, le regroupement des données et la visualisation
• Générer des rapports sur les résultats de la formation du modèle.

Ce ne sont là que quelques exemples de ce que nous faisons et qui reviennent fréquemment dans nos projets. Pourtant, le potentiel de la Carte De Productivité personnalisée peut être encore étendu.

Pouvez-Vous Citer Quelques Cas D’Utilisation Réussis Récents Par Les Clients? Quels Étaient Les Objectifs Des Clients Et Comment Les Avons-Nous Atteints?

Oleksandr Dzhevaga: Nous avons récemment réussi à fournir avec succès un PoC pour des cartes de productivité pour une grande entreprise internationale de sciences et technologies agricoles aux États-Unis. Nous avons eu l’opportunité de dialoguer directement avec leur équipe R&D et de développer les cartes de productivité en fonction de leurs exigences déclarées.

Aleksey Kryvobok: L’objectif principal du projet était de confirmer la haute qualité et la précision des solutions EOSDA concernant les particules générées à l’aide d’une approche combinée basée sur des données satellite et des données de modèles biophysiques. Le résultat final a passé avec succès le processus de validation interne mené par le client, ce qui est particulièrement précieux compte tenu de la taille de son activité.

Alors, Une Fois Le Modèle D’IA Pour Les Cartes De Productivité Personnalisées Est Formé, Quelle Est Une Prochaine Étape? Client, Comment Peut-Il l’intégrer Dans Ses Propres Processus De Travail Et Logiciels?

Aleksey Kryvobok: Cela dépend du format du résultat. Les MP peuvent être fournis pour le domaine d’intérêt sélectionné dans deux formats principaux:

• Masque vectoriel qui divisera la zone d’intérêt en zones de productivité en fonction des valeurs de l’indice de productivité. Pour des données plus précises, la zone sera probablement divisée en divisions plus petites (champs/sections) au sein desquelles les zones seront affichées
• Masque raster, avec affichage par pixel de la valeur de l’indice de productivité. Ces indices pour chaque pixel peuvent être extraits pour une analyse plus approfondie, si nécessaire

Oleksandr Dzhevaga: Le client peut choisir le format de données souhaité et soit afficher les résultats avec son logiciel (et par exemple consulter ses clients), soit utiliser ces données pour d’autres expériences et développements (puisque nous fournissons des données par pixel très détaillées et des instructions détaillées). pour interpréter correctement les données).

Quel Est L’Avantage Concurrentiel De Ces Cartes De Productivité De L’EOSDA?

Oleksandr Dzhevaga: L’avantage concurrentiel au niveau commercial peut être compris avec domaines principaux d’application des Cartes De Productivité:

1. La carte de productivité peut être utilisée pour l’ensemencement différentiel. Par exemple, plus de graines peuvent être semées dans une zone plus productive, et moins de graines dans une zone moins productive, pour obtenir le rendement maximum;
2. De plus, avec son aide, les agriculteurs peuvent définir des zones d’échantillonnage du sol. La prise d’échantillons du sol est nécessaire pour optimiser la croissance des plantes et peut être effectuée de différentes manières. La carte de productivité personnalisée permet de prélever un plus petit nombre d’échantillons car ils ne sont pas extraits le long de la grille, mais dans des zones de productivité différente. Cette méthode est plus précise et plus rentable;
3. Ces cartes sont utilisées pour appliquer des engrais potassiques et phosphatés. Ces engrais doivent être appliqués moins fréquemment que les engrais azotés (en fonction de la composition du sol, du climat, etc.), car ils mettent plus de temps à être éliminés du sol. L’analyse sur le terrain est donc compilée sur des itérations plus longues;
4. La carte de productivité nous permet d’effectuer des analyses du potentiel de certains territoires en termes de productivité pour différents types de cultures. Il s’agit d’un outil important pour les entreprises agricoles qui analysent la faisabilité des investissements et de l’entrée sur différents territoires pour étendre leurs activités commerciales.

Aleksey Kryvobok: En ce qui concerne l’aspect algorithmique de notre modèle, notre avantage est que nous entraînons le modèle sur deux ou plusieurs ensembles de données à validation croisée, ce qui permet de parvenir à des conclusions analytiques plus précises.

De plus, la maturité de notre technologie est certainement un élément qui nous permet de devancer la concurrence. Nos scientifiques chargés de la gestion de données sont des créateurs de réseaux neuronaux chevronnés capables de façonner des modèles mathématiques au-delà des approches conventionnelles connues sur le marché. Ces modèles sont également enrichis de l’expertise de scientifiques SIG, de pédologues et d’experts en phénologie.

D’ailleurs, nos derniers résultats de recherche sont enregistrés auprès de l’Office Des Brevets et Des Marques des États-Unis, ce qui constitue une preuve solide des performances exceptionnelles de notre équipe scientifique. À savoir, l’une de nos découvertes enregistrées, qui crée automatiquement des cartes de végétation, est utilisée par EOSDA Crop Monitoring.

Le fait que nous puissions adapter les réseaux neuronaux en fonction des besoins de nos clients est la raison pour laquelle nous appelons les projets personnalisés des Cartes De Productivité. Essentiellement, tout autre modèle peut se transformer en quelque chose de nouveau. En plus de cela, il sera reproductible: nous pouvons aider à lisser le code et les processus afin que la carte de productivité personnalisée apporte continuellement de la valeur. Ce n’est pas seulement une chose ponctuelle.

Ok, Donc EOSDA Propose Des Cartes De Productivité Comme Solution Personnalisée Et Comme Solution Intégrée Dans EOSDA Crop Monitoring. Quelle Est La Différence Entre Les Deux?

Aleksey Kryvobok: Cartes De Productivité, en tant que solution personnalisée, est basée sur l’indice de productivité combiné, qui comprend des données d’indice de végétation dérivées de l’imagerie satellite, ainsi que des données de modélisation biophysique. Pour créer des Cartes De Productivité personnalisées, nous devons adapter le modèle biophysique pour qu’il fonctionne pour un emplacement géographique spécifique (données climatiques, sol, paramètres de culture, etc.) lié à chaque cas spécifique. Alors que les cartes de productivité, en tant que fonctionnalité de la plateforme EOSDA Crop Monitoring, calculent automatiquement une moyenne des valeurs NDVI les plus élevées pour la période de temps spécifiée par l’utilisateur. Cette opération ne prend qu’une minute. Dans l’ensemble, une fonctionnalité de cartes de productivité sur une plateforme est une solution rapide que tout le monde peut utiliser pour l’application à taux variable (intrants et semences), ainsi que pour définir les emplacements d’échantillonnage des sols. Alors que les Cartes De Productivité en tant que solution personnalisée sont plus précis puisque davantage de paramètres sont pris en compte, mais leur réalisation prend du temps et de l’expertise humaine.

Compris! Enfin, Quels Sont Les Projets Futurs De l’EOSDA Concernant Le Développement Du Service De Création Des Cartes De Productivité Personnalisées?

Aleksey Kryvobok: Suite à notre Preuve De Concept réussie, nous sommes convaincus que notre solution est à la fois viable et évolutive. Nous avons développé un ensemble de méthodologies de pipeline qui permettent à notre équipe de calculer efficacement l’indice de productivité combiné pour de grandes surfaces. Par conséquent, nos plans les plus proches incluent la formation de modèles personnalisés sur des zones plus vastes que pendant le processus PoC, ainsi qu’un travail plus approfondi avec la modélisation biophysique.

Oleksandr Dzhevaga: Il existe également un potentiel d’augmentation de la précision de la modélisation, notamment en raison des facteurs suivants:

1. Statistiques de rendement: si un client peut fournir des données historiques sur les rendements dans les régions d’intérêt, cela pourrait alors affiner le modèle (en raison de paramètres de modèle plus fiables) et également rapprocher les unités du kg/ha (mais elles ne seront pas exactement les mêmes dans tous les cas).
2. Données météorologiques: en utilisant une grille météorologique à haute résolution et des données encore meilleures provenant de stations au sol (si disponibles auprès du client), nous pouvons améliorer la précision et l’équité des résultats.
3. Données sur les types des sols et la topographie: ce sont également des facteurs qui peuvent améliorer la précision si des cartes numérisées des sols et du terrain à haute résolution et localement précises sont disponibles. Comme alternative, l’EOSDA pourrait potentiellement améliorer la résolution spatiale des cartes de sols existantes.
4. Autres données: toutes autres données fiable et disponible sur lw terrain qui peut devenir des paramètres de modèle supplémentaires.

Aleksey Kryvobok: C’est vrai, car notre approche est basée sur des modèles biophysiques et même s’il s’agit d’une plante exotique et que nous disposons de données à son sujet (phénologie et paramètres de culture), nous pouvons travailler avec cela. La méthodologie développée permet à EOS Data Analytics d’élargir la liste des cultures prises en charge si nécessaire, qu’il s’agisse de cultures courantes ou rares.