Une étude montre que les modèles de terroir numérique échouent aux tests spatiaux indépendants

Une étude publiée mardi dans Discover Applied Sciences a révélé que les outils d’apprentissage automatique utilisés pour soutenir les indications géographiques, notamment les régions viticoles et d’autres produits alimentaires et boissons liés à une origine, donnent souvent de bons résultats dans les tests internes mais s’affaiblissent lorsqu’ils sont confrontés à des données spatiales indépendantes.

L’article examine ce que les auteurs appellent le « terroir numérique », une couche numérique destinée à relier les qualités revendiquées d’un produit à des conditions environnementales mesurables telles que le sol, le climat, la biodiversité, la gestion des terres et les pratiques locales. Les chercheurs estiment que la crédibilité des indications géographiques dépend de plus en plus de systèmes capables d’auditer ces affirmations à l’aide de preuves vérifiables.

L’étude a été menée par des chercheurs affiliés à des institutions au Brésil, dont l’Université fédérale de Sergipe, l’Université d’État de Feira de Santana et l’Université fédérale rurale du Pernambouc. Elle a passé en revue la littérature scientifique publiée entre 2010 et 2025 sur les approches d’apprentissage automatique liées aux indications géographiques et à l’audit des services écosystémiques.

En s’appuyant sur les lignes directrices de revue PRISMA-ScR, l’équipe a commencé avec 272 références et les a examinées au moyen d’un système automatisé de score pondéré qui, selon l’article, a atteint une précision thématique de 94,2 %. Ce processus a abouti à un corpus thématique final de 148 études pour une analyse descriptive, multivariée, en réseau et méta-analytique. Parmi elles, 25 ont satisfait au seuil complet de qualité méthodologique pour un examen qualitatif approfondi, sur la base d’un score MMAT adapté d’au moins 20 et d’une mesure de cohérence inter-évaluateurs, ou ICC, de 0,87.

Les chercheurs ont constaté un écart net entre la forte précision rapportée lors de la validation interne et des résultats plus faibles lors de contrôles externes plus exigeants. Dans l’ensemble des études examinées, les classificateurs affichaient souvent une précision en validation interne comprise entre 80 % et 100 %. Mais les modèles dépourvus de validation spatialement indépendante ont enregistré une baisse moyenne de performance de 11,8 % lors des tests externes de robustesse, contre un recul de 5,6 % pour les modèles validés spatialement. L’article fait état d’une taille d’effet de d = 0,95.

Les auteurs ont également mis en évidence une fragmentation méthodologique importante dans ce domaine. Ils ont signalé une modularité de Q = 0,62 et une hétérogénéité de I² = 58 %, des chiffres qui, selon eux, indiquent des méthodes incohérentes susceptibles de limiter la comparabilité et l’usage réglementaire. Le respect des principes FAIR en matière de données, qui visent à rendre les données faciles à trouver, accessibles, interopérables et réutilisables, s’est établi en moyenne à 34,2 sur 100.

Selon l’article, ces faiblesses créent ce qu’il décrit comme des asymétries de vérification susceptibles de restreindre l’utilisation de ces systèmes par les régulateurs ou par des auditeurs tiers. Les auteurs estiment que les modèles d’apprentissage automatique pour le terroir numérique devraient s’éloigner des systèmes de classification statiques au profit de modèles adaptatifs, validés spatialement et explicables.

Ils proposent des critères d’intégrité pour les travaux futurs, notamment une dégradation externe ne dépassant pas 8 %, des outils d’IA explicable capables d’identifier les marqueurs territoriaux derrière les décisions du modèle, ainsi qu’une conformité FAIR d’au moins 60 sur 100.

Ces résultats pourraient avoir une importance pour les producteurs de boissons qui s’appuient sur les indications géographiques, en particulier les régions viticoles mais aussi d’autres catégories fondées sur l’origine, car des outils d’audit numérique plus performants pourraient aider à étayer les revendications liées à la durabilité et au terroir par des preuves traçables. Cela pourrait réduire le risque que le marketing environnemental associé aux noms de lieux aille plus vite que ce qui peut réellement être vérifié.

L’article a été publié en accès libre le 23 juin. Les auteurs ont indiqué n’avoir reçu aucun financement externe et n’avoir aucun intérêt concurrent ni conflit d’intérêts.