|
Résumé :
|
L’optimisation de la fertilisation des cultures est un enjeu clé de l’agriculture de précision. Dans ce contexte, ce travail propose une approche de prédiction de l’état nutritionnel des agrumes en exploitant les images multispectrales issues de drones et des modèles d’apprentissage automatique afin d’améliorer l'efficacité des apports en engrais. L’étude a été menée sur trois parcelles contenant différentes variétés d’agrumes. Des échantillons foliaires ont été collectés pour analyse en laboratoire afin de déterminer les teneurs en azote (N), phosphore (P) et potassium (K). Parallèlement, des images multispectrales ont été acquises à l’aide d’un drone, puis traitées pour extraire 43 indices de végétation. Une estimation indirecte des teneurs en CNC, CPC et CKC (respectivement, concentration d’azote en canopée, concentration du phosphore en canopée, concentration du potassium en canopée), a été réalisée via une relation entre NDVI et LAI. Une analyse de corrélation a permis de sélectionner les indices les plus pertinents, notamment CIREDEDGE et MRESR pour l’azote, tandis que le phosphore et le potassium ont montré des corrélations plus faibles avec SR750 et TRIVI. Des modèles de régression ont été entraînés et validés afin d’estimer les concentrations en CNC, CPC et CKC à partir des indices de végétation sélectionnés. La validation croisée (k-fold = 5) a permis d’évaluer la robustesse des modèles. Pour l’azote, Random Forest et XGBoost ont obtenu les meilleures performances avec R² atteignant plus de 0.6 pour les mandariniers et les clémentiniers. Concernant le phosphore, les résultats sont plus modestes, avec Random Forest atteignant un R² de 0,51 dans les mandariniers et KNN un R² de 0,54 dans les orangers. Pour le potassium, SVR s’impose avec un R² de 0,59 dans les mandariniers, tandis que XGBoost affiche un R² de 0,6 dans les clémentiniers. L’analyse spatiale des résultats a permis de générer des cartes de distribution des teneurs en NPK, révélant une variabilité intra-parcellaire significative. Cette étude démontre que l’imagerie multispectrale couplée à l’intelligence artificielle est une approche prometteuse pour l’évaluation de l’état nutritionnel des agrumes. Toutefois, l’amélioration de la prédiction du phosphore reste un défi nécessitant l’intégration d’autres variables environnementales et pédologiques. Ces résultats ouvrent des perspectives d’application à d’autres cultures et à des systèmes de surveillance automatisés pour une agriculture de précision optimisée.
|
