Une revue constate que les modèles de drones pour les vignobles ne tiennent pas d'une saison à l'autre

Une nouvelle revue publiée dans la revue Computers and Electronics in Agriculture indique que la télédétection par véhicule aérien sans pilote se rapproche d’un usage pratique dans les vignobles, mais les chercheurs estiment que d’importants problèmes techniques et opérationnels continuent d’entraver une adoption plus large dans les exploitations.

L’article, « From growth monitoring to berry quality prediction: Advances and challenges in UAV remote sensing for precision viticulture », a été rédigé par Jinyu Yang, Mengyuan Wei et ses collègues. Il examine la manière dont les drones, les capteurs embarqués et les méthodes d’intelligence artificielle ont été utilisés dans les vignobles au cours de la dernière décennie environ, ainsi que les lacunes persistantes de ce domaine lorsque les viticulteurs ont besoin de décisions fiables d’une saison, d’un site et d’un cépage à l’autre.

Cette revue intervient alors que les producteurs de vin sont soumis à une pression croissante pour surveiller plus étroitement leurs parcelles. Selon les chiffres cités dans l’article et provenant de l’Organisation internationale de la vigne et du vin, la superficie mondiale du vignoble a atteint 7,1 millions d’hectares et la production de vin s’est élevée à 225,8 millions d’hectolitres en 2024. Les vignes sont très sensibles au climat, à l’approvisionnement en eau, aux ravageurs, aux maladies et aux pratiques de conduite, ce qui rend des informations de terrain rapides importantes à la fois pour le rendement et pour la qualité des raisins.

Les auteurs estiment que les drones sont devenus attractifs parce qu’ils comblent un vide entre les observations de terrain et l’imagerie satellite. Les contrôles de terrain traditionnels peuvent être précis, mais ils demandent beaucoup de main-d’œuvre et couvrent des superficies limitées. Les systèmes satellitaires peuvent collecter de vastes données régionales, mais ils manquent souvent de la résolution et de la flexibilité nécessaires pour les parcelles viticoles, surtout lorsque les producteurs ont besoin d’images à un moment précis ou dans des conditions météorologiques changeantes. Volant à basse altitude, les drones peuvent capturer des données à haute résolution plus rapidement et sous des angles qui correspondent mieux aux rangs de vigne et à la structure de la canopée.

La revue décrit la manière dont les vignobles sont désormais cartographiés à l’aide de drones équipés de capteurs RGB, multispectraux, hyperspectraux, infrarouges thermiques et LiDAR. Ces systèmes peuvent produire des orthomosaïques, des cartes de température, des indices de végétation et des nuages de points 3D. Les chercheurs ont utilisé ces résultats pour l’évaluation de la nutrition, la cartographie de la croissance et de la vigueur, la détection des maladies et des ravageurs, le suivi du stress hydrique, l’estimation du rendement et des tentatives de prédire la qualité des baies avant la vendange.

L’article met en avant la prédiction de la qualité des baies comme l’un des domaines les moins matures du secteur. Les auteurs décrivent la qualité des baies comme un résultat à haute dimension influencé par la physiologie, la biochimie, le cépage, le stade de développement, le microclimat, le sol et la conduite du vignoble. En raison de cette complexité, des modèles qui fonctionnent bien dans un vignoble ou une saison donnée ne se maintiennent souvent pas lorsqu’ils sont utilisés ailleurs. La revue indique que cette faible transférabilité reste l’un des principaux obstacles à l’usage opérationnel.

L’étude souligne également que la détection des maladies et le suivi des baies par apprentissage profond constituent actuellement un axe de recherche très actif. Les progrès de la puissance de calcul et des logiciels open source ont fait évoluer l’analyse des vignobles des simples régressions statistiques vers des systèmes d’apprentissage automatique et d’apprentissage profond capables d’extraire davantage de caractéristiques à partir des images et des données des capteurs. Dans certains cas, cela a amélioré la précision des prédictions. Mais les auteurs estiment que la précision seule ne suffit pas si les modèles sont difficiles à interpréter, coûteux à exécuter ou trop fragiles pour fonctionner dans des conditions de terrain différentes.

Pour établir cette revue, les chercheurs ont interrogé la base de données Web of Science à l’aide de termes comprenant UAV, drone, grapevine, vineyard et viticulture. Ils ont ensuite évalué des études portant sur le matériel, le prétraitement, la segmentation de la canopée, l’ingénierie des caractéristiques et les méthodes de modélisation. L’article cite 105 références et organise les travaux antérieurs autour de six grands domaines d’application : le suivi de l’état nutritionnel, le suivi de la croissance et de la vigueur, la détection des ravageurs et des maladies, le suivi du stress hydrique, la prévision du rendement et l’évaluation de la qualité des baies.

L’un des constats centraux est que les conditions du vignoble posent des problèmes particuliers à l’analyse d’images. Contrairement à certaines cultures en rangs plus homogènes, les vignobles présentent souvent des canopées discontinues, du sol nu, des mauvaises herbes entre les rangs, un relief irrégulier et de fortes ombres. Ces facteurs peuvent contaminer les signaux spectraux et thermiques si le logiciel ne parvient pas à séparer de manière fiable la canopée de vigne de l’arrière-plan. La revue indique que ce problème peut affecter presque toutes les étapes ultérieures de l’analyse, des indices de végétation aux prédictions par apprentissage automatique.

Les auteurs notent également que la conduite du vignoble elle-même peut déstabiliser les modèles. Des pratiques telles que la taille, l’ébourgeonnage, l’effeuillage et le palissage peuvent modifier rapidement la structure de la vigne et sa réflectance. Un modèle entraîné sur des images prises à un stade de conduite donné peut perdre en précision après une intervention différente, même dans la même parcelle. Cela rend la planification de vols répétables et la collecte de données tenant compte de la canopée particulièrement importantes pour le suivi multi-temporel.

Le coût et la logistique restent un autre obstacle. Les images à haute résolution, les données thermiques et les produits 3D exigent d’importantes capacités de stockage et de calcul. Des capteurs plus avancés, notamment les unités hyperspectrales et le LiDAR, peuvent améliorer le niveau de détail et le type d’informations collectées, mais ils augmentent aussi les coûts du système et les besoins de traitement. La revue indique que cela peut limiter l’adoption, surtout si les producteurs doivent mettre en œuvre des flux de travail complexes ou payer des systèmes qui ne procurent pas encore de retours économiques stables.

L’article soulève aussi des inquiétudes sur la manière dont les études sont évaluées. Selon les auteurs, de nombreux résultats publiés se concentrent fortement sur des performances élevées dans un seul site, tout en disant moins sur la manière dont un modèle fonctionne d’une année à l’autre, d’une région à l’autre ou d’un cépage à l’autre. Cela peut donner une vision trop optimiste de la préparation à un usage commercial. La revue appelle à une présentation plus transparente de l’acquisition des données, du prétraitement, de la gestion de la canopée et de la conception de la validation afin que les résultats puissent être comparés d’une étude à l’autre.

Dans l’évaluation des capteurs et des plateformes, les auteurs indiquent que les drones multirotors jouent un rôle dominant dans la recherche viticole parce qu’ils sont flexibles, plus faciles à faire voler à basse altitude et adaptés à des vols répétés au-dessus de parcelles ciblées. Les capteurs spectraux restent particulièrement importants, mais la revue suggère que l’étape suivante ne consiste pas simplement à ajouter davantage de données. Le domaine pourrait plutôt tirer le meilleur parti d’une meilleure intégration de plusieurs types de données collectées au fil du temps, en combinant par exemple des informations spectrales, thermiques et structurelles afin d’améliorer la robustesse.

La revue estime également que l’interprétabilité doit recevoir davantage d’attention. Les systèmes fondés sur les données peuvent identifier des schémas utiles, mais les viticulteurs et les agronomes doivent souvent comprendre pourquoi un modèle a abouti à un résultat avant de modifier les plans d’irrigation, de traitement ou de vendange. Les auteurs citent les modèles de transfert radiatif et les modèles de culture comme une manière de rendre les prédictions plus faciles à expliquer, surtout lorsqu’ils sont combinés à des méthodes d’apprentissage automatique plutôt que considérés comme des approches concurrentes.

Un autre thème récurrent de l’article est la normalisation. Les auteurs estiment que les différences d’altitude de vol, d’étalonnage des capteurs, de conditions d’éclairage, de timing, de correction des images et de test des modèles peuvent conduire à des résultats contradictoires, même lorsque les chercheurs semblent étudier le même problème. Ils soutiennent que le domaine a besoin de protocoles d’acquisition et d’évaluation plus cohérents si la télédétection par drone doit passer des parcelles de recherche à la gestion courante des vignobles.

La revue identifie plusieurs priorités pour les travaux futurs. Parmi elles figurent la fusion de données multi-temporelles et multimodales, l’apprentissage par transfert et l’adaptation de domaine pour améliorer la généralisation entre sites, l’augmentation ciblée des données ou la génération d’échantillons synthétiques pour les petits jeux de données, ainsi que le développement de modèles légers associés à des capteurs moins coûteux. Selon les auteurs, ces étapes pourraient rendre le suivi des vignobles par drone plus pratique à grande échelle, plutôt qu’un outil limité aux expérimentations ou aux opérations spécialisées.

L’article présente la télédétection par drone non pas comme un remplacement de toutes les autres formes de suivi, mais comme un système dont l’intérêt croît lorsqu’il est utilisé pour cartographier rapidement et sans destruction la variabilité au sein des vignobles. Son message est que la technologie est passée de la simple collecte d’images à un suivi plus détaillé des cultures, mais que des éléments clés du flux de travail doivent encore devenir plus stables, moins coûteux et plus faciles à transférer d’un contexte viticole à un autre avant que les producteurs puissent s’y fier pour des décisions courantes sur l’irrigation, la maîtrise des maladies, le calendrier des vendanges et la gestion de la qualité des fruits.