📄 agriculture

Rice evapotranspiration estimation and irrigation optimization based on coupling UAV multispectral and thermal infrared imagery with the FAO-56 model

Cette étude propose un nouveau cadre qui intègre l'imagerie multispectrale et infrarouge thermique par drone avec le modèle FAO-56 et l'optimisation NSGA-II pour estimer avec précision l'évapotranspiration du riz et identifier les stratégies de gestion de l'eau et de l'azote optimales qui équilibrent un rendement élevé, l'efficacité des ressources et de faibles émissions de gaz à effet de serre dans la région du sol noir froid du nord-est de la Chine.

Auteurs originaux : Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Publié 2026-08-13

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un chef essayant de cuisiner le bol de riz parfait. Vous savez que l'eau et l'engrais sont les ingrédients secrets, mais trouver le bon équilibre est délicat. Trop d'eau, et le riz devient spongieux ; trop peu, et il est croquant et triste. Trop d'engrais, et vous gaspillez de l'argent et polluez l'air ; trop peu, et le riz reste petit. Pendant des décennies, les agriculteurs ont deviné les quantités appropriées en se basant sur de vieilles habitudes et la météo, mais c'est comme essayer de toucher une cible mouvante avec un bandeau sur les yeux. Cela est particulièrement difficile dans les régions froides où la saison de croissance est courte et la météo imprévisible.

Les scientifiques ont essayé de résoudre ce casse-tête en utilisant un concept appelé « évapotranspiration ». Voyez cela comme le taux de transpiration personnel de la plante de riz. Tout comme vous transpirez quand vous courez ou quand il fait chaud, les plantes « transpirent » de l'eau à travers leurs feuilles pour se rafraîchir et grandir. Si vous savez exactement quelle quantité d'eau une plante transpire chaque jour, vous pouvez lui donner juste assez d'eau pour qu'elle soit heureuse sans gaspiller une seule goutte. La grande question est : comment mesurer cette transpiration invisible à travers tout un champ sans parcourir chaque plante à pied ? C'est ici que commence l'histoire de l'agriculture de haute technologie, transformant les champs en terrains de jeux riches en données où les drones agissent comme les yeux du fermier.

Le détective drone et la sueur du riz

Dans cette étude, une équipe de chercheurs dans les régions de terres noires et froides du nord-est de la Chine a décidé de passer de l'agriculture du « jeu de devinettes » à la « science de précision ». Ils voulaient déterminer exactement de quelle quantité d'eau et d'engrais le riz a besoin pour grandir, économiser l'eau et garder la planète au frais, tout cela en même temps. Pour ce faire, ils ont construit un système de haute technologie combinant des robots volants (drones), des mathématiques sophistiquées et un manuel de règles agricoles classique.

Les yeux volants
Les chercheurs ont envoyé deux types de drones au-dessus de leurs rizières. Un drone transportait une caméra « multispectrale », qui voit des couleurs que les humains ne voient pas, comme les nuances spécifiques de vert qui nous indiquent si les feuilles sont en bonne santé. L'autre drone transportait une caméra « thermique », qui voit la chaleur. Ceci est crucial car une plante assoiffée devient plus chaude, tout comme votre peau s'échauffe quand vous courez avec de la fièvre. En observant la chaleur et la verdure du riz, les drones pouvaient déterminer exactement quelle quantité de riz « transpirait » (évapotranspiration) chaque jour.

Le vieux manuel contre les nouvelles données
Habituellement, les agriculteurs utilisent un guide célèbre appelé le modèle FAO-56 pour deviner les besoins en eau. Considérez ce modèle comme un livre de recettes standard. Mais les recettes standard ne tiennent pas compte du fait qu'aujourd'hui pourrait être plus chaud qu'hier, ou qu'une parcelle de riz pourrait être plus assoiffée que la suivante. Les chercheurs ont réalisé qu'au lieu de simplement suivre la recette aveuglément, ils pouvaient utiliser les données des drones pour actualiser la recette en temps réel. Ils ont utilisé les lectures de « verdure » des drones pour déterminer quelle partie du sol était couverte de feuilles, et les lectures de « chaleur » pour voir si les plantes étaient stressées. Cela leur a permis de calculer les besoins quotidiens en eau avec une précision bien plus élevée qu'auparavant.

L'exercice d'équilibre
Une fois qu'ils ont su exactement quelle quantité d'eau le riz utilisait, ils ont été confrontés à un problème mathématique complexe. Ils voulaient trouver le « Juste Milieu » qui permettrait de :

Faire pousser la plus grande récolte.
Utiliser le moins d'eau possible.
Utiliser le moins d'engrais possible.
Produire le moins de gaz à effet de serre (qui réchauffent la planète).

Le problème est que ces objectifs s'opposent souvent. Pour obtenir la plus grande récolte, vous avez généralement besoin de plus d'eau et d'engrais, ce qui crée plus de pollution. Pour économiser l'eau, vous pourriez obtenir une récolte plus petite. Pour résoudre cela, les chercheurs ont utilisé un algorithme informatique très intelligent (appelé NSGA-II) qui agissait comme un arbitre, testant des milliers de combinaisons différentes pour trouver le meilleur compromis possible.

Ce qu'ils ont trouvé
L'étude a confirmé que l'eau et l'engrais travaillent ensemble comme une équipe de danse : si l'un sort du rythme, toute la performance en pâtit. Ils ont découvert que :

Le meilleur combo pour le rendement : Donner au riz 80 % de l'eau maximale et 155 kg/ha d'engrais azoté a produit le plus de riz (environ 11 883 kg par hectare).
Le meilleur polyvalent : Cependant, la solution « parfaite » n'était pas celle qui produisait le plus de riz. L'ordinateur a trouvé un « Scénario S5 » qui était le meilleur équilibre global. Ce plan préconisait 669,94 mm d'irrigation et 117,48 kg/ha d'azote.
Le résultat : Ce plan équilibré a produit un riz massif de 11 473,43 kg/ha (presque autant que le maximum !), mais il a utilisé moins d'eau et d'engrais, et a maintenu l'impact environnemental plus bas.

Pourquoi c'est important
Les chercheurs ont découvert que leur système basé sur les drones était incroyablement précis. Lorsqu'ils ont comparé leurs calculs de drones aux mesures réelles de l'eau dans le sol, les chiffres correspondaient avec une corrélation de 0,89 (une correspondance très forte). Cela signifie que les drones pouvaient prédire la « sueur » du riz presque parfaitement.

Ils ont également prouvé qu'il n'est pas nécessaire de choisir entre une grande récolte et une planète propre. En utilisant les données en temps réel des drones pour guider l'eau et l'engrais, les agriculteurs peuvent arrêter de deviner et commencer à optimiser. Au lieu de verser de l'eau et de l'engrais selon un calendrier qui pourrait être erroné, ils peuvent donner au riz exactement ce dont il a besoin, exactement quand il en a besoin.

En fin de compte, cette étude suggère que l'avenir de l'agriculture dans les régions froides ne consiste pas à travailler plus dur, mais à observer plus intelligemment. En laissant les drones être les yeux et les ordinateurs être le cerveau, les agriculteurs peuvent produire plus de nourriture, économiser l'eau précieuse et garder l'air plus propre, le tout sans sacrifier la taille de leur récolte. C'est une situation gagnante-gagnante-gagnante pour le riz, l'agriculteur et la planète.

Résumé Technique : Estimation de l'Évapotranspiration du Riz et Optimisation de l'Irrigation via le Couplage UAV-FAO-56

Énoncé du Problème
La production rizicole dans les régions de sols noirs froids du Nord-Est de la Chine est confrontée à un défi critique : équilibrer la sécurité alimentaire avec la durabilité environnementale. Les pratiques actuelles de gestion de l'eau et de l'azote reposent largement sur des décisions empiriques basées sur l'expérience et des apports uniformes. Ces approches statiques ne parviennent pas à prendre en compte les variations spatiales et temporelles hautement dynamiques des conditions du sol, de la croissance des cultures et des besoins en eau et en azote, particulièrement dans les régions froides où la chaleur du sol au stade précoce est insuffisante et où les facteurs météorologiques fluctuent. Ce décalage entraîne un gaspillage d'eau, une faible efficacité de l'utilisation de l'azote et une augmentation des émissions de gaz à effet de serre (GES). De plus, les méthodes existantes d'estimation de l'évapotranspiration (ET) peinent souvent à être précises dans les écosystèmes de rizières en raison de l'interaction complexe entre l'évaporation du sol, la transpiration des cultures et l'eau de surface, et de nombreuses études ne parviennent pas à combler le fossé entre la récupération des données de télédétection et une optimisation de l'irrigation exploitable et multi-objectifs.

Méthodologie
Cette étude propose un nouveau cadre intégrant la télédétection par Véhicule Aérien Sans Pilote (UAV) avec le modèle de double coefficient de culture FAO-56 et l'algorithme d'optimisation multi-objectif NSGA-II.

Dispositif Expérimental : Des expériences de terrain ont été menées à la Ferme 856 dans la province de Heilongjiang (2025) en utilisant un dispositif en blocs de séparation. Les parcelles principales impliquaient quatre seuils de limite inférieure d'irrigation contrôlés (60 %, 70 %, 80 %, 90 % de l'humidité du sol), et les sous-parcelles impliquaient quatre taux d'application d'azote (0, 110, 155 et 200 kg/ha).
Acquisition de Données : Des drones (DJI Mavic 3 Multispectral et DJI Matrice 30T) ont capturé des images multispectrales et infrarouges thermiques à haute résolution à une altitude de 30 m lors des étapes clés de la croissance. Les données de vérité terrain, incluant l'humidité du sol, l'indice de surface foliaire (LAI) et les flux de gaz à effet de serre, ont été collectées de manière synchrone.
Cadre d'Estimation de l'ETc : L'étude a utilisé l'approche du double coefficient de culture FAO-56 ( $ET_c = K_s \times K_{cb} \times ET_0$ $E T_{c} = K_{s} \times K_{c b} \times E T_{0}$ ).
- Coefficient de Culture Basal ( $K_{cb}$ ) : Récupéré en utilisant des indices de végétation multispectraux (NDVI, SAVI, EVI) pour estimer la fraction de couverture végétale.
- Coefficient de Stress Hydrique ( $K_s$ ) : Quantifié à l'aide de l'Indice de Stress Hydrique de la Culture (CWSI) dérivé des températures de la canopée par infrarouge thermique.
- Validation : L'ETc quotidienne estimée a été validée par rapport à l'évapotranspiration réelle ( $ET_a$ ) calculée via l'équation du bilan hydrique du sol.
Optimisation Multi-Objectif : Un modèle NSGA-II a été développé pour optimiser la gestion eau-azote. Le modèle visait à :
- Maximiser le rendement grainier.
- Maximiser l'Efficacité de l'Utilisation de l'Eau d'Irrigation (IWUE).
- Maximiser la Productivité Partielle du Facteur de l'Azote (PFPN).
- Minimiser le Potentiel de Réchauffement Global (GWP).
  Les variables de décision comprenaient les montants nets d'irrigation quotidiens et les taux d'application d'azote, contraints par les besoins en eau des cultures, les ressources en eau disponibles et les limites locales de fertilisants.

Résultats Clés

Performance du Modèle : Le couplage des données multispectrales et thermiques des UAV a considérablement amélioré la précision de l'estimation de l'ET. Le modèle couplé NDVI-CWSI a obtenu la meilleure performance avec un $R^2$ de 0,89 et une erreur quadratique moyenne (RMSE) de 0,39 mm/jour, représentant une réduction de 10,3 % de la RMSE par rapport aux méthodes traditionnelles. Le NDVI présentait la corrélation la plus forte avec le coefficient de culture basal ( $R^2 = 0,85$ ).
Effets des Traitements : L'eau, l'azote et leurs interactions ont affecté de manière significative le rendement, l'IWUE, la PFPN et le GWP. Bien que les traitements W3N2 (80 % d'humidité + 155 kg N/ha) et W3N3 (80 % d'humidité + 200 kg N/ha) aient produit les rendements les plus élevés (~11 883 et ~11 436 kg/ha, respectivement), le traitement W2N1 (70 % d'humidité + 110 kg N/ha) a démontré la meilleure performance globale avec une valeur TCQ de 0,65.
Résultats de l'Optimisation : L'optimisation multi-objectif a révélé des compromis distincts entre rendement, efficacité et émissions. Le scénario S5 a été identifié comme la solution optimale, offrant le degré de coordination le plus élevé (0,86). Ce scénario a recommandé un montant d'irrigation de 669,94 mm et un taux d'azote de 117,48 kg/ha, prédisant un rendement de 11 473,43 kg/ha avec une IWUE de 1,71 kg/m³ et un GWP de 12 473,54 kg CO₂-eq/ha.

Signification et Revendications
Les auteurs affirment que cette étude fournit un cadre méthodologique robuste pour passer d'une gestion du riz statique et empirique à une agriculture de précision dynamique et basée sur les données. En couplant l'évapotranspiration dérivée des UAV avec l'optimisation multi-objectif, l'étude démontre qu'il est possible de concilier des objectifs concurrents de rendement élevé, d'efficacité des ressources et de réduction des émissions dans la production de riz en zone froide.

Plus précisément, l'article affirme que :

Amélioration de la Précision : L'approche couplée NDVI-CWSI surmonte efficacement les limites des modèles traditionnels dans les rizières, fournissant la précision à l'échelle quotidienne nécessaire pour la régulation dynamique de l'eau et de l'azote.
Aide à la Décision : L'intégration des données de consommation d'eau des cultures en temps réel dans le modèle NSGA-II permet de générer des calendriers d'irrigation exploitables qui équilibrent les bénéfices économiques et environnementaux, évitant les pièges de l'optimisation à objectif unique.
Applicabilité Régionale : Le cadre offre une voie viable pour améliorer la coordination eau-azote dans les régions froides, où les saisons de croissance courtes et les contraintes climatiques spécifiques rendent une gestion précise cruciale pour une production durable.

L'étude conclut que bien que des incertitudes subsistent concernant la transférabilité des paramètres et la partition de l'évaporation du sol, le cadre proposé UAV-FAO-56-NSGA-II fournit un support de données fiable pour le développement de stratégies d'irrigation vertes, à haut rendement et précises pour le riz en région froide.

Le détective drone et la sueur du riz

Résumé Technique : Estimation de l'Évapotranspiration du Riz et Optimisation de l'Irrigation via le Couplage UAV-FAO-56

Articles similaires