Reconnaissance de plantes, optimisation de l'agriculture : l'IA au service de la botanique

Depuis quelques années, le deep learning est au cœur du développement des applications de reconnaissance automatique d'images. Aujourd’hui, il rend possible la découverte des différentes espèces de faunes et de flores qui nous entourent, grâce à une simple photo.  Mais ce ne sont pas les seuls enjeux de l’IA appliqués à la biodiversité. De fait, les projections de l’OMS prévoient 9,2 milliards d’habitants sur Terre d’ici à 2050, avec seulement 4% de terres cultivables en plus par rapport à aujourd’hui. Par conséquent, il faut rendre l’agriculture plus productive et efficace. Et l’IA peut jouer un rôle capital dans cette tendance.

La reconnaissance d'image au service de la botanique 

Qui, lors d’une balade, ne s’est jamais demandé à quelle espèce une fleur, une herbe, un arbre appartenait ? Aujourd’hui, vous pouvez trouver la réponse depuis votre téléphone :  il existe aujourd’hui plusieurs applications d’identification de la flore à partir d’images prises avec un smartphone. Pour une grande part, il s’agit de travaux basés sur l’analyse automatique d’images. En comparant la photo prise par l'utilisateur à celles contenues dans la base de données, le modèle ML suggère un ou plusieurs noms de plantes. L'utilisateur peut ainsi affiner sa reconnaissance. Nous vous proposons d’explorer certains de ces usages à travers ces quelques exemples.

Certaines applications permettent d'identifier et de mieux connaître toutes sortes d’espèces de plantes vivant dans la nature : fleurs, arbres, herbes sauvages, conifères, fougères... Grâce à un jeu de données d’apprentissage de plus en plus fourni et complexe, les performances de ces systèmes d’IA ont été considérablement améliorées.  Toutes les images de plantes collectées sont ensuite analysées par des scientifiques du monde entier. Cela leur permet une meilleure compréhension de l’évolution de la biodiversité végétale, afin de mieux la préserver.  D'autres solutions proposent des conseils au sujet de l’entretien des plantes. 

Ce n’est pas seulement dans le jardinage que l’IA s'est imposée, car elle est également utilisée dans l’ensemble des industries agricoles et horticoles. Les réseaux de neurones (profonds ou non) pour des cas agricoles sont explorés et utilisés de façon importante par les chercheurs. A plus grande échelle, identifier des plantes permet de caractériser un peuplement, ce qui apporte une meilleure connaissance de la biodiversité dans son ensemble. 

Les enjeux de l’évolution technologique dans le milieu agricole 

L’IA dans le champ agricole se déploie dans de nombreuses manières. Elle peut notamment aider les agriculteurs à suivre ce qui se passe sur leurs exploitations. Ces derniers s'équipent depuis quelques années de drones et de capteurs, et le deep learning leur permet d’analyser ces données avec toujours plus de précision. Elles sont ensuite envoyées dans le cloud, où elles peuvent être étudiées par les algorithmes. Grâce à des logiciels de surveillance et de détection automatique, les drones produisent et analysent des données pertinentes en production animale et végétale, en vue d'augmenter la rentabilité agricole et développer une agriculture plus durable. En s'appuyant sur les images/vidéos produites par les caméras placées dans les bâtiments d'élevage ou embarquées sur les engins ou robots agricoles, leurs algorithmes de deep learning, associés à leurs compétences en vision par ordinateur, détectent les situations qui nécessitent une surveillance particulière ou une action spécifique. L'analyse de ces informations va permettre aux agriculteurs et aux agricultrices de prendre des décisions éclairées, appuyées sur des corpus conséquents et décortiqués par les algorithmes de machine learning.

D'autres modèles s’appuient sur des paramètres comme le climat, l’état des semences et des sols, les niveaux d’irrigation, le risque de maladies, etc., pour permettre aux agriculteurs de savoir quoi planter, où et quand, quels plants surveiller et quand récolter. Ces derniers permettent aussi de pratiquer une agriculture plus raisonnée puisqu’ils rendent l’utilisation d’intrants chimiques bien plus précise et pertinente. 

En production végétale, le deep learning peut aussi être utilisé dans la reconnaissance de certaines maladies et entraîner une réduction de la perte de production. En effet, certaines technologies permettent de distinguer les plantes malades des plantes saines et déterminent une stratégie de gestion. De plus, la lutte contre les adventices grâce à l’IA entraîne une réduction des coûts et de l’impact environnemental car l’agriculteur peut adapter les doses de désherbants et engrais.

Le montant total investi dans les start-up Agritech a atteint 51,7 milliards de dollars en 2021, marquant une nette accélération, après 27,8 mrd $ en 2020, et 10,9 mrd $ en 2015.  D’après Research and Markets, en France le marché de l’IA en agriculture était évalué à près de 518,7 millions en 2017 et devrait se développer de plus de 22,5% par an pour atteindre 2.6 milliards d’ici 2025. L’utilisation croissante des technologies de vision par ordinateur pour les applications agricoles et la demande croissante de surveillance et d’analyse de la santé des cultures contribuent à la progression du marché des solutions d’IA.