Les images satellites prédisent la productivité agricole

Un modèle développé par l'Embrapa a permis d'estimer avec précision la productivité de la canne à sucre grâce à des images satellites collectées pendant la phase de croissance de la culture. Ce résultat a été obtenu en intégrant les images à des techniques statistiques et à l'apprentissage automatique. La même méthodologie a également été testée sur le soja et a servi d'outil de validation pour le biostimulant Hydratus, récemment lancé.

La recherche utilise une série chronologique d'images PlanetScope mises à disposition par le programme Brasil Mais, géré par le ministère de la Justice et de la Sécurité publique. Ces images quotidiennes permettent aux chercheurs d'identifier les moments les plus propices au développement des plantes afin d'obtenir l'indice de végétation utilisé dans les prévisions. Les informations recueillies à partir des images, combinées à des variables telles que le cultivar, le cycle de production et les précipitations accumulées pendant la phase de croissance, sont utilisées dans un modèle de prévision.

Dans le cas de la canne à sucre, une étude menée en partenariat avec la Coopérative des planteurs de canne à sucre de l'État de São Paulo (Coplacana) et financée par le Finep (Institut national de l'agriculture, de l'élevage et de l'approvisionnement alimentaire), a suivi deux récoltes sur trois ans et a obtenu un coefficient de détermination de 0,89. Cela signifie que lorsque les prédictions du modèle ont été comparées au rendement observé sur le terrain avec des méthodes agronomiques traditionnelles, la précision était de 89 %, un taux considéré comme élevé pour les prévisions.

Geraldo Magela Cançado, chercheur en agriculture numérique à l'Embrapa, explique que les travaux ont débuté avec un modèle plus simple, mais qu'à mesure de leur progression, de nouvelles variables seront ajoutées, telles que la température, la texture du sol et la disponibilité en eau. Ces variables devraient améliorer l'efficacité de l'outil.

L'équipe de recherche espère générer un modèle de prédiction utilisable par les producteurs et l'industrie à partir de données parcellaires sur les propriétés rurales. Cela permettrait une meilleure planification stratégique, des négociations anticipées, une meilleure planification logistique et des conseils pour d'éventuelles interventions sur les cultures. Les agences gouvernementales pourraient également l'utiliser pour prévoir les récoltes.

« Cette méthodologie permet une prévision des récoltes plus objective. Nous souhaitons réduire la subjectivité de ces prévisions et être plus exhaustifs. Compte tenu de l'immensité du pays, cela n'est possible que grâce à l'imagerie satellite », explique le chercheur João Antunes.

Dans la culture du soja

Après l'expérimentation initiale sur la canne à sucre, la même méthodologie a été appliquée aux cultures de soja dans le cadre d'une étude validant l'utilisation du biostimulant Hydratus, qui protège les plantes contre la sécheresse et stimule leur croissance. Financée par le Finep (Institut national de l'agriculture, de l'élevage et de l'approvisionnement), cette étude a été menée en partenariat avec Embrapa Milho e Sorgo (Lait et sorgho) et l'entreprise Bioma. Trois zones ont été surveillées. Dans deux d'entre elles, l'équipe de recherche a utilisé des images satellite PlanetScope, et dans la troisième, des images capturées par drone.

Alors que l'indice végétatif normalisé par différence verte (GNDVI) a été utilisé pour prédire le rendement de la canne à sucre, l'indice de végétation amélioré (EVI2) a été utilisé pour le soja. Le premier utilise les bandes spectrales proche infrarouge (NIR) et verte, permettant d'identifier les différences de teneur en chlorophylle. Le second utilise la bande spectrale rouge en plus du NIR, avec une sensibilité à la structure et à la biomasse de la plante.

Les résultats ont non seulement révélé une différence de productivité entre les traitements à différentes doses et le contrôle du biostimulant Hydratus, mais ont également démontré une corrélation de 71 % entre la productivité prédite et la productivité observée. Bien que inférieur à la précision de la canne à sucre, l'indice de prédiction du modèle est considéré comme élevé.

« Chaque culture se comporte différemment, et cette variation entre elles est normale. En général, nous supposons que des niveaux de corrélation supérieurs à 0,6 sont acceptables (ce qui signifie que le modèle peut expliquer plus de 60 % de la variation observée). Dans le cas de la canne à sucre, la production étant étroitement liée au couvert végétal lui-même (la partie de la plante située au-dessus de la surface du sol, constituée de feuilles et de tiges), de meilleurs résultats sont obtenus, car il existe une relation quasi directe entre la biomasse et la productivité des tiges (une tige typique des graminées, comme la canne à sucre). Dans le cas du soja, le produit étant le grain, la relation entre le couvert végétal et la productivité n'est pas aussi directe », explique Geraldo Cançado.

Les bons résultats du modèle de prédiction suscitent l’optimisme quant à son utilisation dans la recherche sur le terrain, permettant une surveillance précise et non destructive.

« Ce double cadre d’évaluation, combinant des mesures agronomiques et la télédétection, offre une stratégie innovante et rentable pour évaluer les performances des cultures en temps réel », explique le chercheur.

L'étude compare deux approches, l'une basée sur l'apprentissage automatique, l'autre sur des méthodes statistiques. Selon Eduardo Speranza, analyste chez Embrapa, compte tenu de la taille encore réduite de l'échantillon utilisé pour entraîner l'algorithme, le modèle statistique s'est avéré plus précis.

« Malgré de nombreuses expériences, nous avons travaillé sur une publication avec 500 à 600 échantillons pour entraîner un algorithme. Cette quantité pour l'apprentissage automatique est faible. La méthode d'apprentissage automatique a le potentiel d'être améliorée, mais elle nécessite des milliers d'échantillons », explique Speranza, précisant que l'augmentation du nombre d'échantillons dépend de la validation sur site par la méthode de suivi agronomique.

Un travail primé

Le programme Brasil Mais (Environnement intégré et sûr) du ministère de la Justice et de la Sécurité publique s'appuie sur une plateforme d'alerte utilisant des images quotidiennes des nanosatellites de la constellation PlanetScope. Ces images sont partagées avec plus de 600 institutions brésiliennes, notamment les agences de sécurité publique et de surveillance aux niveaux fédéral, étatique et municipal, ainsi qu'avec des universités et des instituts de recherche. L'Embrapa est l'un des utilisateurs des images fournies par 130 satellites qui couvrent quotidiennement le Brésil, avec une résolution de 3 mètres par pixel et huit bandes spectrales.

« Bien que l'objectif principal du programme soit la surveillance de divers types d'activités illégales, le potentiel de ces images se distingue également dans la recherche agricole, ouvrant de nouvelles perspectives d'étude et d'innovation à l'Embrapa. L'initiative s'avère particulièrement adaptée aux applications dans des zones expérimentales, telles que les parcelles de production agricole, où une surveillance quotidienne à haute résolution peut générer des informations précieuses pour la recherche et la gestion », déclare Júlio Esquerdo, directeur adjoint de la recherche et du développement d'Embrapa Digital Agriculture. 

La fréquence élevée des images représente un avantage par rapport à l'utilisation d'images de drones, par exemple. Bien que la résolution des images de drones soit meilleure, la fréquence est limitée par la disponibilité du personnel pour voler.

Cette année, Rede Mais, qui regroupe les institutions participant au programme Brasil Mais, a organisé une cérémonie de remise de prix afin de récompenser et de valoriser les initiatives utilisant la plateforme. L'article « Prévision de la productivité de la canne à sucre à l'aide de l'analyse temporelle des images PlanetScope », présenté par Embrapa, a remporté la première place dans la catégorie Institutions fédérales.

Article

Des recherches sur l'utilisation de l'imagerie PlanetScope pour définir des modèles de prévision de la productivité de la canne à sucre et du soja ont été publiées et sont disponibles en accès libre. Prévision du rendement de la canne à sucre grâce à l'analyse temporelle de l'imagerie satellite pendant la phase de croissance fsalut publié dans le magazine Agronomie et l'article Les inoculants à base de Bacillus améliorent la résilience du soja à la sécheresse : performances agronomiques et analyse par télédétection à partir d'essais multi-sites au Brésil c'était dans le magazine Frontières.