A breeder in the sky: scoring flowering with fewer flights

Dans le monde de l'agriculture, le timing est primordial. Pour un sélectionneur de plantes qui tente de développer une nouvelle variété de maïs, savoir exactement quand une culture va fleurir est crucial. Ce moment détermine si la plante pourra survivre à un gel local, combien de temps elle aura pour croître avant la récolte, et si elle s'épanouira dans une région spécifique. Traditionnellement, trouver cette réponse est une tâche humaine laborieuse. Parce que les fleurs n'apparaissent pas à une date fixe sur le calendrier mais dépendent de la météo et de la génétique, les chercheurs doivent parcourir leurs champs tous les quelques jours, guettant les premiers signes de pollen ou de soie. Ils doivent répéter ce processus pendant des semaines, du premier plant en fleurs au dernier, pour obtenir une moyenne précise pour chaque parcelle. Cette surveillance constante est lente, coûteuse et limite le nombre de champs qu'une équipe peut étudier à la fois.

Pour résoudre ce problème, les scientifiques se sont tournés vers les drones, ou véhicules aériens non habités, qui peuvent prendre des photos haute résolution de champs entiers depuis le ciel. Cependant, prendre des photos ne suffit pas. Les tentatives précédentes pour utiliser ces images afin de prédire le temps de floraison nécessitaient souvent qu'un drone survole le même champ des dizaines de fois, capturant des images chaque jour ou tous les deux jours pendant la saison de floraison. Cela créait une quantité massive de données difficiles à traiter et nécessitait toujours des vols fréquents et coûteux. Le défi restait entier : un ordinateur pourrait-il apprendre à déterminer exactement quand un plant de maïs a fleuri à partir de seulement quelques photos, peut-être même d'une seule, sans avoir besoin d'être survolé constamment ?

Une équipe de chercheurs a maintenant répondu à cette question grâce à une nouvelle approche qui change la façon dont le problème est perçu. Au lieu d'apprendre à un ordinateur à simplement décider si une plante est en train de « fleurir » ou « ne fleurit pas » dans un cliché unique, ils ont entraîné un modèle d'intelligence artificielle à agir comme un gardien du temps. Ils ont demandé au modèle d'examiner une photo d'une parcelle de maïs et d'estimer de combien de jours la plante était éloignée de son moment de floraison maximale. Cela pouvait être un nombre négatif, signifiant que la plante n'avait pas encore fleuri, ou un nombre positif, signifiant qu'elle avait déjà passé cette étape. En traitant la floraison comme une chronologie continue plutôt que comme un simple interrupteur oui-non, le modèle a pu apprendre des changements subtils de l'apparence de la plante, avant et après la floraison.

Les chercheurs ont construit ce système en utilisant une vaste collection de données recueillies sur six ans. Ils ont combiné plus de 200 000 images de drones prises lors d'essais en plein champ dans sept États différents, couvrant plus de 1 200 types différents d'hybrides de maïs. Ces images étaient couplées à des registres précis de la date à laquelle chaque parcelle spécifique a réellement fleuri, telle que déterminée par des observateurs humains parcourant les champs. L'équipe a utilisé un type puissant d'IA connu sous le nom de Vision Transformer, conçu pour comprendre des motifs visuels complexes. Ils ont montré à l'ordinateur des images de parcelles de maïs accompagnées de la différence de temps exacte entre le moment où la photo a été prise et le moment où le maïs a fleuri. Au fil du temps, le modèle a appris à reconnaître les indices visuels qui signalent qu'une plante approche de sa date de floraison, tels que l'orientation des feuilles supérieures ou l'extension subtile de la tige, bien avant que la fleur elle-même ne soit visible à l'œil humain.

Les résultats ont été étonnamment efficaces. L'équipe a testé son modèle sur des expériences de terrain qu'il n'avait jamais vues auparavant, incluant des lieux et des années totalement nouveaux pour le système. Même lorsqu'on donnait au modèle une seule image d'un champ prise dans les deux semaines précédant la date de floraison, il pouvait prédire le temps de floraison avec une erreur moyenne d'environ trois jours. Ce niveau de précision est comparable à la précision des observateurs humains parcourant les champs. Lorsque les chercheurs ont fait la moyenne des prédictions de deux ou trois vols, l'erreur a encore diminué, tombant souvent à moins de deux jours. Cela suggère que les sélectionneurs pourraient obtenir des résultats hautement précis avec beaucoup moins de vols de drones que ce qui était auparavant jugé nécessaire, réduisant potentiellement le coût et l'effort de surveillance des cultures de manière significative.

L'étude a également révélé comment l'ordinateur « voit » les plantes. En visualisant les parties de l'image sur lesquelles le modèle se concentrait, les chercheurs ont constaté que l'attention de l'IA changeait dynamiquement à mesure que les plantes poussaient. Avant l'apparition des fleurs, le modèle se concentrait sur le centre de la plante, là où la fleur émergerait finalement. Au fil du temps, sa focalisation s'est déplacée vers les feuilles environnantes et la forme globale de la canopée. Cela indique que le modèle ne cherche pas seulement une fleur ; il comprend l'ensemble du voyage de développement de la plante. Il peut détecter des changements physiologiques subtils qui se produisent plusieurs jours avant qu'un humain ne remarque quoi que ce soit de différent, et continue de suivre l'état de la plante bien après que la floraison a eu lieu.

L'une des découvertes les plus importantes est que le modèle fonctionnait bien même lorsque les données provenaient d'années différentes, de lieux différents et de types de caméras différents. Cela suggère que le système est suffisamment robuste pour être utilisé dans de nouveaux environnements sans avoir besoin d'être réentraîné à partir de zéro avec des données locales. Les chercheurs ont également testé si l'utilisation d'une mesure du temps basée sur la température, connue sous le nom de degrés de croissance cumulés, améliorait les résultats. Bien que cette méthode ait offert un léger avantage en termes de précision, le modèle fonctionnait remarquablement bien en utilisant simplement des jours calendaires. Cela signifie que le système ne nécessite pas de données météorologiques complexes pour fonctionner, ce qui facilite son déploiement dans une grande variété de contextes.

Les implications pour la sélection végétale sont substantielles. En réduisant la nécessité de vols quotidiens et de notation manuelle, cette méthode permet aux chercheurs de surveiller des populations de cultures beaucoup plus vastes avec moins de ressources. Elle ouvre la porte à l'étude de la manière dont différentes variétés génétiques répondent au temps de floraison à travers un plus large éventail d'environnements, ce qui est essentiel pour développer des cultures capables de s'adapter à un climat changeant. L'étude démontre qu'un seul vol de drone, ou peut-être seulement quelques-uns, peut fournir les mêmes informations critiques qui nécessitaient autrefois des semaines de travail humain. Le modèle ne remplace pas le sélectionneur, mais agit plutôt comme un outil puissant qui étend sa portée, lui permettant de voir les rythmes invisibles de la croissance des plantes depuis le ciel.