Les modèles de drones ne prédisent pas le stress de la vigne à des dates inédites

Une étude publiée dans Scientific Reports a montré que les drones équipés de caméras multispectrales peuvent estimer avec une précision prometteuse plusieurs paramètres physiologiques importants de la vigne, mais que cette approche reste limitée lorsque les modèles sont testés à des dates de mesure qu’ils n’ont pas encore rencontrées.

La recherche s’est intéressée à une question centrale de la viticulture de précision : une méthode d’apprentissage automatique élaborée à partir de mesures hyperspectrales effectuées sur des feuilles peut-elle être appliquée à des images recueillies par des véhicules aériens sans pilote, ou UAV ? Selon les auteurs, la réponse est en partie positive. Le système a donné des résultats satisfaisants au cours d’une même campagne, mais n’a pas démontré sa capacité à généraliser de manière fiable à de nouvelles dates de mesure, ce qui pourrait limiter son utilisation immédiate pour la gestion courante des vignobles.

Cette question est importante, car les viticulteurs sont de plus en plus incités à suivre le stress de la vigne plus rapidement et sur de plus grandes surfaces. Le changement climatique, la hausse des températures, l’évolution des régimes de précipitations et la multiplication des épisodes de sécheresse renforcent l’importance de la gestion de l’eau dans de nombreuses régions viticoles. Les mesures directes de la physiologie de la vigne fournissent des informations détaillées sur son fonctionnement, mais elles sont lentes, nécessitent beaucoup de main-d’œuvre et sont généralement réalisées feuille par feuille. L’imagerie par UAV permet de couvrir des vignobles entiers beaucoup plus rapidement.

L’étude a été menée dans un vignoble expérimental à Himmelstadt, en Allemagne, exploité par l’Institut d’État bavarois de viticulture et d’horticulture. Le site est planté de Müller-Thurgau. Les chercheurs ont suivi 36 pieds de vigne soumis à différents régimes d’irrigation — sans irrigation, avec irrigation modérée ou intensive — afin de couvrir un éventail plus large de conditions hydriques et de stress.

L’équipe a combiné des mesures au sol recueillies au cours des saisons de croissance 2024 et 2025 avec des observations multispectrales aériennes réalisées en 2025. Chaque campagne annuelle sur le terrain a produit 180 observations appariées, portant sur des paramètres physiologiques et des mesures hyperspectrales à l’échelle de la feuille, soit un jeu de données au sol de 360 observations au total. En 2025, les chercheurs ont également recueilli 180 observations multispectrales appariées par UAV au cours de cinq campagnes de vol en juillet et en août.

Les vols ont eu lieu autour de midi à l’aide d’un drone DJI Matrice 300 RTK équipé d’un système de caméra multispectrale Agrowing Quad V1. Le capteur a enregistré dix bandes spectrales dans les domaines du visible et du proche infrarouge, de 430 à 850 nanomètres. Les mesures au sol ont été effectuées immédiatement après les vols. Les paramètres physiologiques étudiés étaient le taux d’assimilation nette, noté A, le taux de transport des électrons, ou ETR, et le rendement quantique effectif du photosystème II, noté ΦPSII. Ces variables sont couramment utilisées pour évaluer la photosynthèse et le stress des plantes.

L’étude a notamment retenu l’attention parce qu’elle a testé un dispositif de mesure plus pratique que celui de nombreuses expériences antérieures. Les capteurs hyperspectraux captent des informations spectrales très précises, mais ces systèmes sont généralement plus complexes, plus coûteux et plus difficiles à utiliser de façon répétée sur de grandes surfaces. Les caméras multispectrales montées sur des drones sont plus courantes pour le suivi commercial des vignobles, car elles sont plus faciles à utiliser et génèrent moins de données. En contrepartie, elles enregistrent un nombre plus limité de bandes, plus larges.

Les chercheurs ont d’abord vérifié si les informations essentielles contenues dans les données hyperspectrales à l’échelle de la feuille resteraient accessibles en limitant les spectres aux domaines du visible et du proche infrarouge, plus courants dans les systèmes UAV. Ils ont constaté que le prétraitement des données par la dérivée première de la réflectance améliorait les résultats. Pour les mesures in situ à l’échelle de la feuille, les meilleurs modèles ont atteint des valeurs de R² de 0,811 pour A, 0,792 pour ETR et 0,890 pour ΦPSII.

Ils ont également constaté que le rééchantillonnage spectral modéré n’entraînait qu’une baisse limitée des performances prédictives pour A et ETR. Ce résultat laisse penser qu’une partie des informations physiologiques les plus utiles ne se limite pas à des caractéristiques spectrales extrêmement étroites, ce qui conforte l’idée que les systèmes multispectraux pourraient remplir une partie de cette fonction.

Une fois passés aux images prises par drone, les modèles ont également donné de bons résultats dans plusieurs cas. Les meilleurs modèles fondés sur les données UAV ont atteint des valeurs de R² de 0,765 pour A, 0,768 pour ETR et 0,901 pour ΦPSII. Concrètement, ces résultats indiquent que l’imagerie multispectrale aérienne peut capter des signaux liés à l’activité photosynthétique et au stress de la vigne.

L’étude a également montré que la sélection des pixels de la canopée avait son importance. Les modèles fondés sur des observations de la canopée à l’ombre, ou sur la combinaison d’observations à l’ombre et en plein soleil, ont amélioré les prédictions de A et d’ETR par rapport aux modèles utilisant uniquement les parties ensoleillées de la canopée. En revanche, ΦPSII est resté relativement stable quelle que soit la méthode d’extraction. Ce constat pourrait aider à définir les futurs protocoles de travail par drone, car les images de vignobles présentent souvent de forts contrastes entre le feuillage ensoleillé et celui à l’ombre.

La principale limite est toutefois apparue lors de la validation. Lorsque les modèles étaient répartis par pied de vigne, ils parvenaient à généraliser à des pieds qui n’avaient pas été inclus dans l’entraînement. Mais avec une validation par exclusion successive d’une date, qui teste la capacité du modèle à prédire des mesures effectuées à une date entièrement inédite, les performances ne se sont pas maintenues. Les auteurs ont identifié la généralisation temporelle comme la principale faiblesse de l’approche fondée sur les UAV.

Ce point devrait particulièrement intéresser la filière vitivinicole. Les vignobles, les caves et d’autres entreprises du secteur des boissons se tournent de plus en plus vers les outils d’agriculture de précision pour piloter l’irrigation, évaluer l’état sanitaire des vignes et préserver la qualité du raisin. Les nouveaux résultats laissent penser que le suivi multispectral par drone pourrait devenir un outil opérationnel utile, mais ils mettent également en garde contre l’idée qu’un modèle entraîné à partir de données recueillies à certaines dates restera fiable plus tard dans la saison ou une autre année. Pour les entreprises qui envisagent d’investir dans des capteurs, des outils d’analyse ou l’automatisation des vignobles, l’étude souligne à la fois le potentiel de ces modèles d’apprentissage automatique et les limites actuelles de leur fiabilité dans le temps.

Les conditions météorologiques de la saison 2025 ont contribué à créer la variabilité nécessaire pour tester le système. Selon l’étude, la température annuelle moyenne a atteint 10,6 °C et les précipitations annuelles totales se sont élevées à 433,5 millimètres. D’avril à septembre, les précipitations ont été d’environ 241 millimètres, avec des conditions relativement sèches en juin, suivies de périodes plus humides plus tard dans la saison. Les températures estivales ont souvent dépassé 20 °C. Les chercheurs indiquent que ces conditions ont entraîné une forte variabilité des besoins en eau et de l’humidité du sol, et que l’irrigation a été appliquée en 2025 conformément aux règles prévues pour chaque traitement. Il en a résulté une plus grande variation de l’état hydrique des vignes qu’en 2024, année où les seuils d’irrigation n’ont pas été atteints et où aucune irrigation n’a été pratiquée.

Les auteurs indiquent que ces travaux prolongent les études antérieures menées à l’échelle de la feuille, en testant des données multitemporelles recueillies sur deux ans et en évaluant des images prises par drone dans des conditions réelles de vignoble. Ils ont entraîné des modèles distincts pour les jeux de données au sol et aériens, plutôt que de transférer directement un modèle ajusté d’une échelle à l’autre, ce qui leur a permis d’isoler les effets de la résolution spectrale, de l’échelle de mesure et de l’échantillonnage de la canopée.

Ces résultats ouvrent des perspectives de développement, notamment si les futurs jeux de données couvrent davantage de dates, de saisons ou de sites présentant des cépages et des modes de conduite différents. Pour l’instant, l’étude indique que l’imagerie multispectrale par UAV peut estimer à l’échelle de la parcelle des paramètres physiologiques importants de la vigne, mais que cette technologie doit encore être davantage validée dans le temps avant de pouvoir être considérée comme un outil autonome fiable pour la gestion courante des vignobles.