Un outil satellite pour prédire les rendements agricoles dans les pays en développement

Alors que les agriculteurs des pays développés bénéficient souvent de vastes données et d’outils sophistiqués de gestion des risques pour atténuer les effets des conditions météorologiques extrêmes sur leurs cultures, ceux des pays en développement sont confrontés au manque de données, les laissant exposés aux conséquences du changement climatique. 

Pour répondre aux besoins en prédictions des pays en développement, des chercheurs de l’université Cornell (Etat de New-York, Etats-Unis) ont conçu un moyen innovant pour prévoir les rendements des cultures à l'aide d'un minimum de données. Leurs résultats ont été publiés dans la revue Environmental Research Letters le 12 avril 2024. 

Les chercheurs ont utilisé des photos satellite pour mesurer à distance la fluorescence chlorophyllienne induite par le soleil (SIF) afin d'évaluer et de prédire le rendement des cultures. La fluorescence de la chlorophylle est « la lumière rougeâtre réémise par les tissus et les organismes photosynthétiques », explique Ying Sun, co-auteur et professeur agrégé de sciences du sol et des cultures au Collège d'agriculture et des sciences de la vie (CALS) de Cornell, cité dans le communiqué du 1^er mai 2024. Cette mesure sert d'indicateur de la conversion de l'énergie photosynthétique chez les plantes. Le rendement dépend de la photosynthèse, qui est un indicateur de la santé d’une culture. Ils ont testé leur outil sur des échantillons de champs de maïs aux États-Unis et de blé dans le nord de l’Inde. Les prévisions effectuées par la technologie SIF ont été ensuite comparées à celles obtenues par des outils de machine learning (ML, ou apprentissage automatique), actuellement utilisés pour la prévision des rendements.

S'adapter aux conditions réelles des cultures

Dans leurs conclusions, les chercheurs notent que « les modèles de ML conduisent à une haute précision uniquement lorsque des données de terrain de haute qualité sont disponibles. » Mais une fois étalonné, l’outil SIF « peut fonctionner aussi bien ou mieux sans données de terrain substantielles », que ce soit sur les cultures aux États-Unis ou en Inde. Contrairement aux modèles de ML qui présupposent des conditions environnementales stables, la technologie SIF s’adapte aux conditions réelles des cultures. « Si les conditions climatiques changent, il est possible que les prévisions ne soient pas applicables », explique l’auteur principal de l’étude Oz Kira, de l’université Ben Gourion du Néguev en Israël. « Dans notre cas, nous ne basons pas nos modèles sur une observation préalable, afin de prendre en compte le changement climatique. » De plus, l’outil d’images SIF ne nécessite pas de grands ensembles de données pour l'étalonnage du modèle pour arriver au même niveau de précision de prédiction que les modèles existants. Cependant, pour de meilleurs résultats, une bonne résolution des images SIF satellites ainsi qu’une faible couverture nuageuse est nécessaire. 

Lire aussi : Des biostimulants aux algues aident les amandiers de Californie à mieux supporter la sécheresse

D’après Ying Sun, cette approche « devrait fonctionner pour n'importe quelle culture ». La technologie s’appuie sur la disponibilité croissante des données satellitaires et est moins coûteuse à utiliser et plus rapide d'accès que les autres méthodes de prévision des rendements. Pour les auteurs de l’étude, cette technologie pourrait être utile pour la prévision et le ciblage « afin de prendre des décisions politiques, établir une assurance-récolte et même prévoir les zones touchées par la pauvreté ». 

L’équipe de chercheurs a déjà commencé à travailler sur la manière d’utiliser ce type d'outil en temps réel pour permettre aux agriculteurs de réagir rapidement en ajustant des éléments tels que les amendements du sol ou les stratégies d'irrigation pour améliorer la santé et la productivité d'une culture.