Groupe opérationnel CITRIAFORO : Utilisation des nouvelles technologies pour une estimation correcte de la capacité en agrumes

• Application mobile pour estimer le nombre de fruits au niveau de l'arbre et protocole pour normaliser l'acquisition de données de jaugeage à l'aide d'un appareil mobile.
• Prototype préindustriel d'un dispositif d'acquisition d'images pour la prédiction de capacité monté sur un tracteur ou un véhicule terrestre.
• Protocole de normalisation de l'acquisition de données de capacité par drone et d'une plateforme de gestion des images acquises avec des véhicules terrestres et aériens.

• Modèle de prédiction de capacité supra-plot basé sur la fusion d'informations provenant de diverses sources et la mise en œuvre d'une plateforme numérique permettant d'estimer la capacité à différents niveaux.

Ce résultat a été obtenu grâce à la mise en œuvre d’une série d’algorithmes permettant d’estimer les performances sur le terrain et à la conception d’une plateforme de suivi et de gestion des données et des résultats du système mis en œuvre.

Les algorithmes développés prennent en compte divers paramètres pour déterminer, aussi précisément que possible, le rendement ou la production attendus en kilogrammes sur le terrain, 90 jours avant la récolte. Ce processus est particulièrement complexe car, à ce moment-là, les fruits sont encore verts et immatures, ce qui complique encore l'identification et le comptage des fruits sur l'arbre.

Outre le comptage du nombre de fruits sur l'arbre, notamment dans un quadrant sélectionné, il est nécessaire de déterminer la taille moyenne ou le calibre des fruits. À partir de cette taille, le poids unitaire de chaque fruit peut être estimé, puis extrapolé, à l'aide des courbes d'évolution de la croissance, au poids attendu juste avant la récolte.

Enfin, le poids obtenu, basé sur le nombre de pièces, leur taille et leur poids, est projeté sur le nombre total d'arbres du champ évalué. Cela nous donne un résultat en kilogrammes ou en tonnes de production fruitière totale que le champ produira.

Le résultat 3 de l'objectif spécifique 1 a été atteint grâce à la définition et à la mise en œuvre d'un protocole spécifiquement conçu pour la collecte de données et d'informations destinées au système de prévision de performance. Cela garantit que, aujourd'hui comme demain, le système pourra s'auto-améliorer et accroître la précision des prévisions de performance.

Le protocole prend en compte divers paramètres tels que :

• Culture et variété
• Emplacement
• Période de l'année
• Courbes d'évolution de la croissance
• Données de production historiques
• Tableaux d'équivalence entre calibres et poids
• Comptage des fruits
• Indices de correction
• Superficie du terrain
• Nombre d'arbres sur la parcelle

Toutes ces données sont collectées et stockées dans une base de données spécialement conçue pour exploiter ces informations à grande échelle et les utiliser pour améliorer le système et augmenter la précision, réduisant ainsi la marge d’erreur dans les résultats.

Le protocole est implémenté à la fois sur les appareils mobiles, via une application installable, et sur le serveur, où sont hébergés les algorithmes et les modèles de données qui effectuent le comptage et les calculs, ce qui nécessite une capacité de traitement élevée.

Ce protocole permet une transmission sécurisée et rapide des informations entre les appareils mobiles des utilisateurs et les serveurs. De plus, l'évolutivité a été prise en compte lors de son développement, permettant l'intégration d'autres technologies à l'avenir.

Un dispositif d'imagerie de terrain préindustriel a été développé, conçu pour être monté sur un tracteur. Il fonctionne de manière autonome pendant que le conducteur effectue des tâches agricoles courantes.

Différents systèmes de capture et d'analyse d'images ont été évalués afin d'identifier la solution optimale. À l'aide d'outils de conception 3D, les composants structurels nécessaires à l'assemblage du dispositif ont été fabriqués en plastique.

Le système comprend deux caméras positionnées pour inspecter les deux côtés du rang de culture, une unité de traitement en temps réel capable de compter les fruits et un écran tactile doté d'une interface utilisateur simple. L'alimentation est assurée directement par la batterie du véhicule.

Les tests ont confirmé que les algorithmes les plus efficaces sont basés sur YOLO (You Only Look Once), notamment sa dernière version (v11). Pour développer des modèles de décision en temps réel, plus de 50 000 images d'agrumes ont été capturées et étiquetées, couvrant plusieurs variétés et conditions d'éclairage, contribuant ainsi à la grande robustesse du modèle.

Le dispositif a été testé sur le terrain dans des vergers commerciaux et a produit des résultats préliminaires d'une précision de 80 à 85 % sur la base du nombre total de fruits visibles, ce qui correspond à 60 à 70 % du nombre total réel. Ces résultats démontrent le potentiel du système comme outil fiable d'aide à la prévision des rendements en conditions réelles.

Les activités de l'Objectif 1, relevant du Résultat R3, ont permis de développer une méthodologie utilisant l'imagerie multispectrale par drone et l'analyse de l'indice de végétation pour identifier les points d'échantillonnage optimaux. Cela permet aux agriculteurs de mesurer le rendement des fruits (nombre et poids), d'évaluer la production avant la récolte et d'améliorer les calculs de prévisions et la logistique associée.

Résultats clés :
• Points d’échantillonnage optimaux améliorés grâce à des études de variabilité du sol et à l’analyse du développement végétatif historique.
• Cartes géoréférencées haute résolution pour la prise de décision basée sur des zones homogènes au sein de la parcelle.
• Les périodes critiques pour les vols de drones ont été identifiées au cours de la campagne, réduisant les coûts en se concentrant sur les étapes clés de croissance.

Valeur ajoutée/Avantages :
• Rentabilité : Moins de vols de drones et possibilité pour les agriculteurs de les réaliser de manière autonome.
• Précision des prévisions : Précision accrue des prévisions de performance grâce à une mesure stratégique des performances.
• Agriculture de précision : Optimisation de l’utilisation de l’eau et des engrais grâce à la cartographie de zones homogènes et à la navigation guidée.
• Productivité accrue : corrélation entre les données NDVI, les paramètres de variabilité du sol et les rendements historiques pour améliorer les performances des cultures.

Applications pratiques :
• Surveillance en temps réel de la santé et de la variabilité des cultures.

• Planification efficace de l’irrigation et gestion nutritionnelle à l’aide des données NDVI.
• Opérations de terrain optimisées avec des cartes géoréférencées.
Cet outil favorise la durabilité, l’agriculture de précision et la rentabilité, bénéficiant directement aux agriculteurs.

Les activités de l’Objectif 2, dans le cadre du Résultat R3, permettent une interface Web intuitive qui intègre les échantillons ponctuels optimisés résultant de l’Objectif 1. Elles permettent également une gestion et une analyse efficaces des données agricoles pour soutenir la prise de décision et optimiser la gestion des cultures.

Résultats clés :
• Cartes géoréférencées avec échantillons ponctuels optimisés dans les exploitations agricoles.
• Intégration de données comprenant des cartes zonales des sols, des indices de végétation obtenus par drones et satellites et des prévisions météorologiques.

Avantages ou valeurs ajoutées pour les agriculteurs :
• Agriculture de précision : permet des interventions ciblées à l’aide d’indices de végétation pour surveiller le comportement des cultures et les niveaux d’humidité.
• Réduisez les coûts en vous concentrant sur les étapes critiques de croissance et en optimisant les intrants tels que l’eau et les engrais.
• Productivité accrue : facilite l’identification des points d’échantillonnage optimaux et des zones homogènes pour une meilleure prédiction des performances.

Applications pratiques :
• Surveillance en temps réel de la santé et de la variabilité des cultures à l’aide de cartes interactives.
• Planification de la gestion des cultures basée sur les tendances des données.
• Des outils de navigation guident les utilisateurs vers les points d'échantillonnage ou les zones problématiques grâce à l'intégration GPS. Des outils de comparaison permettent une analyse parallèle des indices de végétation à différentes dates ou traitements.
Cette plateforme favorise la durabilité, l’agriculture de précision et la rentabilité en fournissant aux agriculteurs des informations pratiques adaptées à leurs besoins spécifiques.

Une plateforme de démonstration pour la simulation de la prévision du rendement des agrumes à l'échelle supra-verger a été développée, intégrée à la plateforme du projet et développée sous forme d'application interactive dans Google Earth Engine (https://molto-enr.users.earthengine.app/view/citriaforo). Cette plateforme démontre comment la planification et la prise de décision à grande échelle peuvent être facilitées par des estimations de rendement accessibles et visuelles.

La plateforme utilise plus de 3 000 vergers anonymisés avec des données mises à l'échelle. Elle prédit le rendement total en fonction de la superficie de chaque verger, des variables agroclimatiques (rayonnement, évaporation, température de l'air et du sol, et précipitations) et des indices spectraux Sentinel-2 : NDRE (lié à la vigueur de la végétation), NDMI (lié à la teneur en eau) et PSRI (lié à la sénescence). L'outil peut être testé sur trois variétés. L'erreur de prédiction du rendement total est également calculée.

Les simulations ont été entraînées avec des échantillons de données réduits (15 % s'il y avait plus de 700 vergers, 25 % sinon). Quatre-vingt-dix pour cent des simulations ont montré des erreurs de rendement totales inférieures à 10 %.

La conception adaptable de l'outil répond aux besoins des entreprises et organisations agricoles, facilitant la planification des champs et la prévision des rendements. Son accès libre favorise le partage des connaissances et la collaboration entre les parties prenantes.

Le résultat 2 de l’objectif R4 a permis l’intégration de plusieurs sources de données provenant d’autres activités dans une seule plate-forme de visualisation, améliorant ainsi l’expérience utilisateur pour une planification agricole efficace.
Résultats clés :

• Création d'une plateforme cloud numérique intégrant des données provenant de diverses sources et d'autres activités du projet (satellite, terrestre et aérienne).
  

• Valeur ajoutée pour les agriculteurs :

  Ce résultat offre aux agriculteurs un outil accessible qui optimise leur expérience en réduisant le nombre de requêtes et d'accès aux données, en améliorant la compétitivité du marché et en encourageant l'adoption de nouvelles technologies dans le secteur des agrumes. Il favorise le renouvellement générationnel et facilite l'inclusion des jeunes et des femmes.

• Applications pratiques pour les agriculteurs :
  Centralisation des prévisions de récolte à différents niveaux d'acquisition de données, facilitant les stratégies d'organisation et d'interrogation.