Systematic evaluation of hyperspectral imaging workflows for predicting pigment and nutrient traits in tomato leaves under varying nitrogen supply levels
Cette étude a évalué systématiquement les flux de travail d'imagerie hyperspectrale afin d'identifier les combinaisons optimales de partitionnement d'échantillons, de prétraitement spectral, de sélection de caractéristiques et de modèles d'apprentissage automatique pour la prédiction non destructive des traits de pigments et de nutriments dans les feuilles de tomates, révélant que si les traits liés à l'azote ont été prédits de manière fiable à l'aide de CNN, la prédiction de la chlorophylle est demeurée limitée et que l'optimisation du flux de travail doit être adaptée aux traits cibles spécifiques.
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
Dans le rythme tranquille d'une serre, un plant de tomate émet une demande silencieuse. Il a besoin d'azote, un nutriment fondamental qui agit comme le moteur de la croissance, pilotant la formation des feuilles vertes et le développement des fruits. Lorsqu'un agriculteur en fournit trop peu, la plante peine, ses feuilles pâlissent et sa croissance stagne. Lorsqu'on en donne trop, la plante peut devenir luxuriante mais faible, ou pire encore, elle peut accumuler des niveaux nocifs de nitrates qui peuvent affecter la sécurité alimentaire et l'environnement. Pendant des décennies, savoir exactement quelle quantité d'azote une plante a absorbée a été un jeu de devinettes ou un processus lent et destructeur. Les agriculteurs ont dû arracher une feuille, la broyer dans un laboratoire et attendre des jours pour une analyse chimique, une méthode trop lente pour guider les décisions quotidiennes dans un cycle de culture en mouvement rapide.
Pour résoudre ce problème, les scientifiques se sont tournés vers une technologie qui voit le monde à travers mille nuances de couleurs. Au lieu des trois couleurs que nos yeux perçoivent, les caméras hyperspectrales capturent des centaines de bandes de lumière étroites, créant une empreinte digitale détaillée pour chaque surface qu'elles scannent. Cette empreinte lumineuse change selon ce qui se trouve à l'intérieur de la feuille, révélant les secrets de son eau, de sa structure et de sa composition chimique. Le défi, cependant, est que ces données sont incroyablement complexes. Il ne suffit pas de pointer une caméra vers une plante pour obtenir une réponse ; les chercheurs doivent choisir soigneusement comment nettoyer les données bruitées, sur quelles couleurs spécifiques se concentrer et quels outils mathématiques utiliser pour traduire la lumière en un nombre. La question est de savoir si une seule méthode peut fonctionner pour chaque nutriment, ou si chaque trait nécessite son propre chemin unique vers la découverte.
Une équipe de chercheurs de Ningxia, en Chine, s'est donné pour mission de trouver la réponse en travaillant avec des plants de tomates dans une serre contrôlée. Ils ont cultivé une variété populaire appelée « Provence » sous quatre régimes d'alimentation différents : un groupe n'a reçu aucun azote, tandis que les autres en ont reçu des quantités croissantes, allant d'un niveau modéré de 210 kilogrammes par hectare jusqu'à un niveau élevé de 390 kilogrammes. Tout au long de la saison de croissance, ils ont visité les plantes à trois moments critiques : lors de la floraison et de la formation des fruits, lorsque les fruits mûrissaient, et enfin lors de la récolte. À chaque visite, ils ont sélectionné des feuilles spécifiques et ont utilisé une caméra hyperspectrale portable pour les scanner, capturant la façon dont la lumière rebondissait sur la surface de la feuille. Immédiatement après le scan, ils ont emmené ces mêmes feuilles au laboratoire pour mesurer leur contenu chimique réel, déterminant la quantité totale de chlorophylle, l'azote total et les niveaux de nitrate à l'aide de tests chimiques standards et précis. Cela a créé une correspondance parfaite entre la signature lumineuse et la chimie réelle pour des centaines d'échantillons.
Les chercheurs ont ensuite traité ces données comme un puzzle complexe, testant des dizaines de manières différentes pour le résoudre. Ils ont essayé de diviser les données en groupes d'entraînement et de test de quatre manières différentes pour s'assurer que leurs modèles étaient équitables. Ils ont appliqué sept méthodes différentes pour nettoyer les signaux lumineux, éliminant le statique et le bruit qui obscurcissent souvent ces mesures. Ils ont également testé deux stratégies distinctes pour sélectionner les couleurs les plus importantes parmi les centaines disponibles, demandant quelles longueurs d'onde spécifiques détenaient la clé de la réponse. Enfin, ils ont injecté ces informations raffinées dans quatre types différents de modèles d'apprentissage informatique, allant d'outils statistiques établis à des réseaux d'apprentissage profond avancés, pour voir lequel pourrait le mieux prédire les valeurs chimiques basées uniquement sur la lumière.
Les résultats ont révélé une vérité évidente : il n'existe pas de « meilleure » méthode unique pour prédire chaque trait. Le chemin vers une réponse précise dépendait entièrement de ce que les chercheurs cherchaient à mesurer. Lorsque l'objectif était d'estimer la chlorophylle totale, les meilleurs résultats provenaient d'un type spécifique de division de données et d'une technique de lissage simple, mais même le meilleur modèle peinait à faire des prédictions précises. L'équipe a constaté que la variation de la chlorophylle à travers les différentes étapes de croissance rendait difficile la construction d'une règle unique et fiable. Cependant, lorsque l'attention s'est portée sur l'azote total et le nitrate, l'histoire a changé. Pour l'azote total, une méthode sélectionnant un ensemble compact de longueurs d'onde clés a fonctionné de la meilleure façon, tandis que pour le nitrate, une stratégie de sélection différente était supérieure.
Le type de modèle informatique utilisé importait également énormément. Pour la chlorophylle, une machine à vecteurs de support, un algorithme robuste et traditionnel, a obtenu les meilleurs résultats. Mais pour les tâches plus complexes de prédiction de l'azote total et du nitrate, un réseau de neurones convolutifs, un type de modèle d'apprentissage profond qui imite la façon dont le cerveau traite les motifs, a surpassé tous les autres. Ce modèle d'apprentissage profond était capable de percevoir des connexions subtiles et non linéaires dans les données lumineuses que les modèles plus simples avaient manquées, offrant des prédictions beaucoup plus fiables pour les traits azotés. L'étude a montré que la région du « red-edge » (bord rouge) du spectre, où la réflectance lumineuse change brusquement, et la région du proche infrarouge étaient les zones les plus informatives pour distinguer les différents niveaux d'azote.
En fin de compte, ce travail démontre que l'agriculture de précision ne peut pas reposer sur une approche universelle. Pour surveiller avec précision la santé d'une culture de tomates sans endommager la moindre feuille, l'ensemble du flux de travail doit être adapté au nutriment spécifique en question. Bien que la prédiction de la chlorophylle totale reste difficile dans les conditions testées, la capacité de prédire de manière fiable les niveaux d'azote total et de nitrate offre un nouvel outil puissant. En associant le bon nettoyage de données, la bonne sélection de longueurs d'onde et le bon modèle informatique au trait spécifique, les agriculteurs peuvent se rapprocher d'un avenir où ils sauront exactement ce dont leurs plantes ont besoin, leur permettant d'appliquer l'engrais avec une précision chirurgicale plutôt qu'avec des suppositions générales.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.