Des chercheurs dévoilent un modèle d’IA capable de prédire la résistance au froid de la vigne selon les régions

Des chercheurs ont proposé un système d’intelligence artificielle visant à prédire dans quelle mesure les vignes peuvent résister au froid selon les régions de culture, un problème qui met depuis longtemps à l’épreuve les vignobles situés hors des zones où les modèles de prédiction ont d’abord été développés.

L’étude a été mise en ligne sur arXiv le 31 août par William Solow, Paola Pesantez-Cabrera, Markus Keller, Lav Khot, Sandhya Saisubramanian et Alan Fern. Dans l’article, l’équipe décrit une méthode de prédiction quotidienne de la résistance au froid de la vigne, une mesure de la résistance des bourgeons dormants aux températures de gel susceptibles de réduire les rendements la saison suivante.

Pour les viticulteurs, la question est concrète et coûteuse. Lors d’hivers rigoureux et de baisses soudaines des températures, les bourgeons dormants peuvent être endommagés avant même le début de la saison de croissance. Ces dégâts peuvent réduire la production de raisins, compromettre la reprise des ceps et obliger les exploitants à revoir leurs plans de taille, de reformation ou de replantation. Des prévisions quotidiennes fiables de la résistance au froid peuvent aider les producteurs à évaluer le risque plus précisément, mais les modèles les plus performants dépendent généralement de vastes ensembles de données locales et se transfèrent difficilement vers de nouveaux vignobles, de nouvelles régions ou de nouveaux cépages.

Les auteurs estiment que cette limite a freiné l’adoption plus large de ces outils, en particulier là où les archives historiques sur la résistance au froid sont rares. Les systèmes biophysiques, hybrides et d’apprentissage profond existants peuvent être précis lorsqu’ils sont entraînés dans un lieu donné à partir d’informations locales, indique l’article, mais ils restent souvent propres à ce site. Ils sont donc moins utiles pour les viticulteurs qui ont besoin d’orientations dans des régions où les mesures sont moins nombreuses ou dans des vignobles plantés avec des cultivars moins étudiés.

Pour résoudre ce problème, les chercheurs ont mis au point ce qu’ils appellent une représentation latente transférable. En termes simples, le système cherche à apprendre les différences régionales qui façonnent la réponse de la vigne aux conditions hivernales, puis à transposer ces connaissances dans des lieux qu’il n’a pas encore vus. Le modèle y parvient en créant des embeddings appris, c’est-à-dire des représentations numériques compactes d’informations sur une région et un cultivar.

L’article indique que ces embeddings peuvent être inférés de deux façons. La première s’appuie sur des descriptions textuelles du cultivar et de la région de culture. La seconde utilise un ensemble limité d’observations historiques. Cette conception permet au modèle de fonctionner dans des contextes « zero-shot » et « few-shot ». Dans un contexte zero-shot, le système tente d’effectuer des prédictions pour une nouvelle région sans données d’entraînement directes provenant de cette région, en s’appuyant à la place sur des informations descriptives. Dans un contexte few-shot, il travaille avec seulement une petite quantité de données historiques locales.

Selon l’article, les chercheurs ont testé l’approche sur des jeux de données provenant de six régions d’Amérique du Nord. Ils indiquent que le modèle a systématiquement surpassé les méthodes de référence actuelles pour la prédiction de la résistance au froid de la vigne et a nettement amélioré le transfert vers des régions disposant de peu de données. L’entrée arXiv ne fournit pas, dans son résumé, une ventilation complète des résultats des tests, mais les auteurs décrivent les gains comme à la fois plus précis dans l’ensemble et particulièrement utiles dans des contextes pauvres en données.

Ce problème de transfert régional n’est pas anodin pour le secteur du vin. Les vignobles des zones froides établies comme des régions viticoles plus récentes font souvent face au même obstacle : ils ont besoin d’outils d’évaluation des risques adaptés au site, mais ils ne disposent pas toujours d’années de données mesurées sur la résistance des bourgeons pour les construire. Un modèle qui se transfère mieux d’une région à l’autre et qui fonctionne avec seulement une petite quantité d’informations locales pourrait, à terme, rendre la planification contre le gel plus pratique pour davantage de producteurs. Il pourrait aussi soutenir le choix des cépages, la gestion des risques hivernaux et d’autres décisions de viticulture de précision dans les endroits où la collecte de données reste limitée.

L’approche est également importante parce que la variabilité climatique accentue la pression sur les gestionnaires de vignobles. Les dégâts hivernaux ne dépendent pas seulement des températures minimales absolues. Ils peuvent aussi être influencés par la manière dont les vignes s’endurcissent à l’automne, par la façon dont elles se désendurcissent lors des épisodes doux et par la rapidité des changements de conditions. Ces dynamiques peuvent varier fortement d’une région à l’autre, même lorsqu’on cultive le même cultivar. Un système qui apprend à partir à la fois de textes descriptifs et d’observations clairsemées est censé capter une partie de cette variation locale sans exiger dès le départ un jeu de données local complètement constitué.

L’article se concentre sur la vigne, mais il replace ce travail dans le contexte plus large des plantes ligneuses, pour lesquelles les prévisions de résistance au froid sont importantes afin d’éviter les dommages dus au gel. Dans les vignobles, les enjeux sont particulièrement visibles, car les pertes de bourgeons peuvent affecter directement la récolte suivante. Pour les viticulteurs, de meilleures estimations en amont peuvent orienter les décisions sur la main-d’œuvre, les justificatifs d’assurance, le renouvellement du vignoble et les prévisions de récolte. Pour les caves, des rendements plus stables peuvent compter dans la planification des approvisionnements en raisins et de la production à long terme.

L’étude en est encore au stade du préprint. Les articles mis en ligne sur arXiv sont accessibles au public avant l’évaluation par les pairs, et les résultats doivent être lus à cette lumière. Malgré cela, le travail indique une orientation claire pour l’IA agricole : des modèles qui ne se contentent pas de bien fonctionner là où ils ont été entraînés, mais qui peuvent être adaptés plus facilement selon les différences géographiques et variétales.

Les auteurs présentent le système comme un moyen de rendre la prédiction de la résistance au froid plus utile au-delà d’une poignée de sites bien étudiés. Si cet objectif se confirme lors d’évaluations ultérieures et sur le terrain, les vignobles des régions plus froides ou moins étudiées pourraient accéder à des outils de prévision jusque-là concentrés là où existent déjà de longues séries de données.