Un modèle d'intelligence artificielle améliore les prévisions de croissance des raisins pour les vignobles

Des chercheurs de l'Université de l'État de Washington ont développé une nouvelle méthode pour prédire les stades de croissance de la vigne, visant à aider les gestionnaires de vignobles à prendre de meilleures décisions en matière d'irrigation, de fertilisation et de calendrier des récoltes. L'étude, dirigée par William Solow et Sandhya Saisubramanian, introduit une approche de modélisation hybride qui combine l'apprentissage profond avec des modèles biophysiques traditionnels pour améliorer la précision des prédictions de la phénologie de la vigne.

La phénologie de la vigne fait référence à la chronologie des étapes clés du développement de la vigne, telles que le débourrement, la floraison et la véraison (début de la maturation). Des prévisions précises de ces stades sont cruciales pour l'exploitation des vignobles. Des interventions au mauvais moment peuvent réduire le rendement et la qualité ou nuire à la santé de la vigne. Cependant, il est difficile de prévoir ces stades en raison du manque de données historiques pour chaque variété de raisin et de la relation complexe entre les conditions météorologiques et le développement des plantes.

Traditionnellement, les viticulteurs s'appuient sur des modèles biophysiques tels que le modèle Growing Degree Day (GDD), qui utilise les unités de chaleur accumulées pour estimer le moment où les événements phénologiques se produiront. Bien que largement utilisé, le modèle GDD ne prend en compte que la température et manque souvent de la précision nécessaire à la gestion moderne des vignobles. Les méthodes d'apprentissage profond se sont révélées prometteuses pour modéliser des relations plus complexes en utilisant des données météorologiques supplémentaires, mais leur efficacité est limitée par la rareté des enregistrements phénologiques détaillés pour de nombreux cépages.

La nouvelle approche proposée par Solow et Saisubramanian répond à ces limites en utilisant un cadre d'apprentissage multitâche. Cette méthode permet à un réseau neuronal récurrent d'apprendre de plusieurs cultivars de raisin à la fois tout en préservant la structure biologique du développement de la plante. Le réseau neuronal prédit les paramètres quotidiens du modèle GDD sur la base d'un ensemble plus large de caractéristiques météorologiques, notamment le rayonnement solaire et les précipitations. Ce paramétrage dynamique permet au modèle de s'adapter aux conditions changeantes tout au long de la saison de croissance.

Pour tester leur méthode, les chercheurs ont utilisé des ensembles de données réelles et synthétiques. Les données réelles proviennent de 32 cultivars de raisin suivis au Centre de recherche et de vulgarisation en agriculture irriguée de l'Université de l'État de Washington à Prosser, dans l'État de Washington. Ces données couvrent plus de trois décennies et comprennent des observations quotidiennes des stades phénologiques et de la résistance au froid pendant la dormance. Des ensembles de données synthétiques ont été générés à l'aide de modèles de culture établis et de données météorologiques historiques provenant de plusieurs États américains.

L'équipe a comparé son modèle hybride - appelé Dynamic Model Calibration with Multi-Task Learning (DMC-MTL) - à plusieurs modèles de référence : modèles biophysiques traditionnels, approches d'apprentissage profond standard, modèles hybrides qui n'intègrent que partiellement l'apprentissage profond et les modèles biophysiques, et réseaux neuronaux informant sur la physique. Ils ont évalué la précision de chaque méthode pour prédire la phénologie saisonnière, la résistance au froid et le rendement du blé dans divers scénarios météorologiques.

Les résultats ont montré que le modèle DMC-MTL était nettement plus performant que les modèles GDD traditionnels, réduisant les erreurs de prédiction de plus de la moitié pour tous les cultivars de raisin testés. Le nouveau modèle a également produit des prédictions plus cohérentes sur le plan biologique que les méthodes d'apprentissage profond standard. Par exemple, il a évité les séquences impossibles telles que la prédiction du débourrement après la floraison ou le retour à la dormance après le début de la croissance - des erreurs qui peuvent se produire avec des approches purement axées sur les données.

Les chercheurs ont également constaté que le DMC-MTL était robuste lorsqu'il était testé sur des données provenant de régions dont les conditions météorologiques étaient différentes de celles utilisées pour la formation. Alors que d'autres modèles d'apprentissage profond ont connu de fortes augmentations d'erreurs lorsqu'ils ont été appliqués en dehors de leur région de formation, DMC-MTL a maintenu des performances relativement stables. Cela suggère qu'il pourrait être utile pour les vignobles dans les régions où les données historiques sont limitées ou qui font face à des événements climatiques inhabituels.

Un autre avantage de l'approche multitâche est qu'elle permet d'exploiter des données éparses sur de nombreux cultivars sans simplement les agréger, un processus qui peut masquer des différences importantes entre les variétés. En intégrant des informations spécifiques aux cultivars dans l'architecture du réseau neuronal, le DMC-MTL a amélioré la précision par cultivar tout en bénéficiant de l'apprentissage partagé.

L'étude a également porté sur les performances du modèle à chaque stade phénologique. Le DMC-MTL a minimisé les erreurs non seulement dans l'ensemble, mais aussi à des moments critiques tels que le débourrement et la floraison - des moments clés pour la planification des tâches dans les vignobles. Les chercheurs ont évalué le nombre de cultivars qui se situaient en dessous de différents seuils d'erreur correspondant aux besoins des viticulteurs ; avec une tolérance d'erreur de 10 jours, 90 % des cultivars ont été prédits avec précision par DMC-MTL, contre 80 % pour la meilleure solution suivante.

L'interprétabilité est un autre avantage mis en évidence par les auteurs. Comme DMC-MTL prédit les paramètres d'un modèle biophysique établi au lieu de faire des prédictions opaques, les agronomes peuvent mieux comprendre comment les facteurs météorologiques influencent les résultats - une caractéristique appréciée dans la prise de décision agricole.

Le déploiement de cette nouvelle approche de modélisation est prévu pour la fin de l'année sur une plateforme numérique utilisée par les agriculteurs (la plateforme spécifique n'a pas été divulguée). L'équipe de recherche étudie également les moyens d'améliorer encore l'étalonnage en temps réel et la quantification de l'incertitude dans les prévisions de l'état des cultures.

Ces travaux ont été financés par l'USDA NIFA par l'intermédiaire de l'AgAID AI Institute et ont bénéficié d'une collaboration à long terme avec le laboratoire du Dr Markus Keller à l'université de l'État de Washington.

Les résultats représentent un pas en avant dans l'application de l'intelligence artificielle à l'agriculture, offrant des outils pratiques aux producteurs confrontés à des conditions climatiques de plus en plus variables et à des objectifs de production de plus en plus exigeants.