Un nouveau système basé sur l’IA peut générer des cartes détaillées du rendement du soja à travers le Brésil en utilisant seulement des données locales limitées, améliorant les estimations de rendement pour cette région agricole clé et offrant potentiellement des avantages stratégiques aux marchés mondiaux du soja.
Le travail récemment publié par des chercheurs de l’Université de l’Illinois Urbana-Champaign démontre une approche innovante qui permet des estimations nationales de rendement à haute performance pour le soja brésilien, même dans les zones où les données locales de rendement directement rapportées sont très limitées.
En exploitant les connaissances apprises à partir de travaux antérieurs basés aux États-Unis grâce à l’« apprentissage par transfert de l’IA », l’équipe de recherche a pu faire des prédictions de rendement détaillées au niveau municipal en utilisant les données de rendement du soja au niveau des États du Brésil. C’est l’une des premières applications nationales réussies de prédictions de rendement par IA inter-échelles pour l’agriculture brésilienne.
Combler une lacune critique dans les données mondiales
Bien que le Brésil soit actuellement le plus grand producteur mondial de soja et un important exportateur alimentaire mondial, les données détaillées sur le rendement du soja brésilien restent largement indisponibles. Ces données sont essentielles pour l’agriculture de précision, la gestion des risques et la planification de la durabilité, et la rareté des données a entravé la compréhension scientifique de cette importante région agricole. La modélisation précédente du rendement des cultures — qui repose sur des données agrégées au niveau des États pour modéliser des prédictions plus fines au niveau municipal ou parcellaire — a montré une performance limitée au niveau national.
L’équipe de recherche de l’Illinois a développé un nouveau cadre pour prédire les rendements nationaux du soja à un niveau plus fin en intégrant les observations satellitaires, les données climatiques et les statistiques de rendement au niveau des États, exploitant les techniques d’apprentissage par transfert de l’IA avec les connaissances tirées de leurs modèles basés aux États-Unis.
De manière remarquable, le modèle pour le soja brésilien a atteint de fortes performances prédictives sans utiliser aucune donnée de rendement au niveau municipal. La variance expliquée (R²), une mesure clé de l’efficacité, a doublé dans le nouveau modèle par rapport aux études inter-échelles conventionnelles. Lorsque des données municipales ont été incluses, la performance s’est encore améliorée (R² de 0,57), comparable aux meilleures approches existantes qui reposent sur des données beaucoup plus abondantes.
La puissance de l’apprentissage par transfert
Une innovation clé de l’étude est l’utilisation de l’apprentissage par transfert de l’IA, qui permet aux scientifiques de réutiliser des modèles existants plutôt que de partir de zéro dans chaque région. Cela permet de générer des informations agricoles détaillées dans des zones où la collecte de grandes quantités de données locales serait coûteuse, lente ou impraticable.
Pour ce travail, les connaissances d’un modèle avancé formé pour prédire le rendement du soja aux États-Unis ont été adaptées aux conditions de croissance brésiliennes. En affinant le modèle américain en utilisant uniquement des données au niveau des États ou des données éparses au niveau municipal du Brésil, les chercheurs ont pu tenir compte des différences de climat, de phénologie des cultures et des pratiques de gestion entre les deux pays.
Les cartes spatiales des données de rendement montrent le rendement moyen pondéré par la superficie récoltée du soja pour toutes les années valides dans chaque municipalité (à gauche) ; et l’écart-type pour toutes les années valides dans chaque municipalité. Crédit : Article dans l’International Journal of Applied Earth Observations and Geoinformation.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Le premier auteur Jiaying Zhang a expliqué : « Cette approche a augmenté l’efficacité de la prédiction inter-échelles de rendement de 50 % à 78 % de la limite supérieure théorique, que nous avons définie comme la meilleure performance obtenue par les modèles formés avec des données locales de rendement très détaillées. Les résultats démontrent que l’apprentissage par transfert piloté par l’IA peut surmonter à la fois la rareté des données et les défis de passage à l’échelle dans la modélisation agricole. »
Implications pour les prédictions de rendement dans le monde
Ces résultats arrivent à un moment charnière pour les marchés mondiaux du soja.
En 2018, le Brésil a dépassé les États-Unis pour devenir le plus grand producteur mondial de soja pour la première fois. La capacité de surveiller et de prévoir la production en détail est essentielle pour comprendre l’offre mondiale de soja ainsi que les impacts environnementaux de l’agriculture à grande échelle au Brésil. Une meilleure prévisibilité du rendement du soja permettra des évaluations plus précises des relations offre-demande, du changement d’affectation des terres et des impacts sur la santé des sols à grande échelle pour une prise de décision plus éclairée.
« La capacité de surveiller et d’anticiper la production agricole au niveau régional et mondial avec une haute fidélité est stratégiquement importante pour l’analyse des marchés, la prévision des échanges et l’évaluation des risques pour les producteurs américains de soja », a déclaré le chef de projet et auteur principal Kaiyu Guan, professeur Levenick et directeur du Centre pour la Durabilité des Agroécosystèmes à l’Illinois.
L’étude offre une voie pour appliquer la modélisation avancée du rendement dans des régions du monde où les données sont limitées, soutenant la planification de la sécurité alimentaire, la gestion des risques climatiques et les politiques agricoles fondées sur des preuves. En exploitant des modèles formés dans des régions riches en données et en les adaptant à des zones où les données sont rares, l’approche ouvre de nouvelles opportunités pour une intelligence agricole rentable à l’échelle mondiale.
Article : Transfer learning for improved crop yield predictions in a cross-scale pathway: a case study for Brazilian national soybean – Journal : International Journal of Applied Earth Observation and Geoinformation – Méthode : Computational simulation/modeling – DOI : 10.1016/j.jag.2025.104981
Source : Illinois U.
