Philippe Stoop, directeur Recherche & Innovation chez itk, a participé au webinaire AgroTIC « Mesurer et estimer le rendement : quels apports et usages des outils numériques ? ». Au cours du webinaire, plusieurs sujets ont été abordés.
Les outils d’aide à la décision pour l’agriculture et l’élevage : le cœur de métier d’itk
Itk est une PME basée à Montpellier avec une centaine de personne dont le métier et de développer des outils d’aide à la décision agronomique pour l’agriculture et pour l’élevage.
Notre but est d’aider les agriculteurs à optimiser leurs itinéraires techniques sous l’angle de la productivité et de l’atteinte de l’objectif de productivité. De plus, c’est de minimiser leur impact environnemental en particulier avec une utilisation optimale des intrants (irrigation, fertilisation, et pesticide). Notre cœur de métier est le développement de modèles mécanistes des cultures.
Nos plateformes sont destinées aux agriculteurs mais on ne s’adresse pas directement à eux. Les services que l’on développe sont distribués par des coopératives. On travaille beaucoup avec le groupe Winfield aux Etats-Unis.
En ce qui concerne les productions végétales, nous avons deux plateformes de service :
- Vintel pour l’agriculture pérenne (viticulture, arboriculture fruitière). Dans le cas de ces cultures, nous se sommes pas encore sur la prévision de rendement même si on y travaille. Vintel est plus à l’aval. On conseille des cultures où le potentiel de rendement est déterminé par le mode de conduite de la culture, sa taille, sa gestion… Ce qu’on apporte au viticulteur et à l’arboriculteur c’est l’assurance que l’alimentation hydrique de sa culture et sa fertilisation vont lui permettre d’atteindre des rendements de qualité. On lui permet de s’assurer de ses objectifs mais Vintel ne les prédit pas comme on peut le faire avec les grandes cultures.
- Cropwin pour les grandes cultures (blé, maïs, soja). Dans ce cas, c’est effectivement la modélisation et la prédiction du rendement ainsi que la date de maturité qui seront le moteur même de l’outil. A partir de nos modèles de cultures, on va pouvoir dans un premier temps prédire la courbe de développement de la culture et son rendement final. C’est ce qui va nous permettre aussi de savoir jour après jour quel va être son potentiel de photosynthèse. En fonction du climat, du sol dans lequel elle pousse et compte tenu de son potentiel de prédiction biomasse, on pourra déterminer quels vont être ses besoins en eau (si on a besoin de conseil en irrigation) et ses besoins en engrais (pour la fertilisation). Si on ajoute à cela des modèles épidémiologiques, cela va nous permettre aussi de déterminer ses besoins en pesticides, pour les maladies et ravageurs.
Exemple d’un tableau de bord fourni sur l’outil CropWin
Avec la plateforme Cropwin, les agriculteurs peuvent vérifier à tout instant le rendement potentiel de leur culture. Ils peuvent également avoir une présentation des facteurs pour lesquels ils risquent de devoir faire une intervention dans les prochains jours, que ce soit pour l’irrigation ou la fertilisation.
Le modèle mécaniste et ses avantages en conditions climatiques extrêmes
Concernant les technologies utilisées, l’entrée principale est la modélisation et plus précisément les modèles mécanistes. C’est-à-dire des modèles basés sur des travaux de recherche sur l’écophysiologie des cultures, leurs comportements.
L’intérêt pour ce type d’approche est que les modèles ont été développés à partir de la donnée terrain mais aussi à partir de recherches en condition contrôlée où les cultures ont été testés en dehors de leur zone de confort habituel. De ce fait, ces modèles permettent de prédire de façon assez fiable le comportement des cultures dans des événements climatiques extrêmes. C’est vraiment un avantage qui devient de plus en plus fréquent maintenant avec les problèmes que cause le changement climatique. En effet, de plus en plus souvent les agriculteurs sont confrontés à des conditions qu’ils n’avaient jamais rencontrées dans les années précédentes, ce que les modèles statistiques basés sur les historiques prennent moins bien en compte.
Pour les mêmes raisons, ces modèles sont très robustes et s’adaptent facilement à de nouveaux contextes, surtout si on veut les utiliser dans un nouveau pays. Nous avons eu des demandes récemment sur l’Ukraine pour notre modèle blé qui avait été validé jusqu’à présent qu’en Europe de l’Ouest. Avec ce type de modèle, qui porte sur des constantes physiologiques de la culture, l’adaptation à un nouveau contexte géographique est beaucoup plus simple. Il suffit en général d’une calibration sur quelques données d’historique fourni par nos partenaires pour réajuster facilement le modèle à ce nouveau contexte. C’est aussi des modèles qui se prêtent facilement à des travaux multi-échelle. La précision maximale est obtenue sur des services pour les agriculteurs où ce dernier peut nous fournir beaucoup d’information sur ses variétés, les dates de semis qu’il a pratiqué… Le modèle à lui seul apportera le plus de précision. Pour ce qui concerne le travail de précision à l’échelle d’un bassin de collecte ou d’un pays, voire d’un continent, il faudra travailler avec des données d’entrée. Ceci, les modèles mécanistes peuvent le faire en compensant le manque de données d’entrée par l’assimilation avec des données de télédétection.
Également, un élément important est l’utilisation de scénarios météo réalistes sur l’ensemble de la campagne. C’est un domaine en plein essor, qui a beaucoup progressé ces dernières années et qui peuvent maintenant s’utiliser de façon fiable, même si ce n’est pas le cas pour tous les types de modèles et de variables. En ce qui concerne les rendements, on arrive dans une phase maintenant où les modèles de prévision climatique saisonnière permettent une assez bonne précision. Nous avons vu un exemple durant notre collaboration avec la coopérative Winfield aux Etats-Unis l’année dernière. En effet, dès le semi des maïs, on a pu alerter les agriculteurs sur le fait que, compte tenu du phénomène « El Nino » prévu dans les scénarios climatiques, il fallait s’attendre à des difficultés de rendement. D’ailleurs, ça n’est apparu dans les prévisions de rendement de l’USDA que plusieurs mois après, lorsque le phénomène s’est manifesté sur le terrain.
Avec ces phénomènes de données complémentaires à la modélisation, les scénarios météo ou encore la télédétection, notre but est de travailler comme intégrateur. Nous devons être capable d’identifier les meilleurs acteurs pour faire tourner nos modèles de façon fiable, en fonction des problématiques métiers que nous soumettent nos clients. De la même manière, pour la télédétection, nous travaillons avec plusieurs acteurs différents pour nous adapter à nos clients. En effet, comme c’était le cas pour notre client Winfield, nous avons des demandes de prévisions de rendement avec des personnes qui ont déjà accès à des données de télédétection. Notre objectif est alors d’être capable d’intégrer les données déjà exploitées par nos clients dans nos modèles. C’est ce qu’on fait au sein de Winfield, en partenariat avec Géosys. Géosys travaille dans la partie des télédétections et nous, chez itk, dans la partie prévisionnelle de l’offre R7 de la coopérative.
Sur d’autres sujets on peut également travailler avec les indicateurs biophysiques calculés par des opérateurs comme Airbus à partir des images satellites. L’objectif est de pouvoir suivre les avancées dans tous ces domaines tout en enrichissant nos propres modèles.
Pistes de progrès
Pour ce qui est de la prévision de rendement le verrou majeur est d’être capable de produire tôt en saison sur des productions fiables sans avoir beaucoup d’information sur les cultures. Les techniques, en ce moment, de télédétection automatique des cultures, grâce à l’amélioration de la disponibilité d’offre de télédétection à forte fréquence temporelle, sont des voies de progrès majeures.
Un autre acteur important peut être de lever la disponibilité de l’image satellite en fonction des conditions météos. Actuellement, toutes les techniques basées sur l’exploitation d’image satellite dans l’optique et l’infrarouge sont limitées par la couverture nuageuse. D’ailleurs, de nouvelles pistes intéressantes sont ouvertes par le Cirad.
En ce qui concerne la piste sur la modélisation, ce qui est intéressant est de lever les verrous sur la valorisation des cartes de rendement. Actuellement, les cartes de rendement produites par les capteurs sont sous-exploitées en raison de la difficulté à les interpréter. C’est là que les modèles paraissent très prometteurs, lorsqu’ils sont utilisés en mode « inverse ». A partir d’un historique de cartes de rendement fourni par les capteurs des moissonneuses croisées avec nos modèles, l’idée est de faire une cartographie du sol. Cela permettra de chercher, par version de modèle, quels sont les autres quantités du sol qui peuvent coller et expliquer au mieux les hétérogénéités constatées sur le terrain et trouver comment corriger ces hétérogénéités.
Également, un autre élément important est d’apporter de la valeur ajoutée en couplant ces travaux de prédiction du rendement à l’optimisation de la collecte et de la logistique.
Predict and Decide