Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings
Cette étude a développé un réseau de neurones informés par la physique (PINN) hybride qui fusionne les données météorologiques et le comptage de pixels verts dérivé d'images pour prévoir avec précision le volume de la canopée des fraisiers quotidiens, démontrant une performance supérieure aux modèles de référence pour deux cultivars commerciaux dans des conditions réelles sur le terrain.
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 les champs paisibles de la Floride, où les fraises sont cultivées à grande échelle, la santé d'une plante s'écrit souvent dans ses feuilles. Pour les agriculteurs, savoir exactement quelle quantité de feuillage vert une plante possède à un instant donné est crucial ; cela leur indique si la culture est florissante, si elle a soif ou si elle est attaquée par une maladie. Traditionnellement, obtenir cette information signifiait parcourir les rangées et mesurer à la main, une tâche lente et laborieuse qui n'offrait qu'un instantané du passé. Ces dernières années, la technologie a proposé un moyen plus rapide : des caméras capables de compter les pixels verts dans l'image d'une plante pour estimer sa taille. Cependant, un simple décompte de pixels verts n'est pas une boule de cristal. Cela dit à un agriculteur à quoi ressemble la plante en ce moment même, mais cela peine à prédire l'apparence de la plante demain, surtout lorsque la météo change de manière inattendue. Une vague de froid soudaine ou une pluie abondante peut altérer l'apparence d'une plante de manières qu'une simple caméra ne peut anticiper, menant à des suppositions biologiquement impossibles, comme une plante qui rétrécirait alors que le temps se réchauffe en réalité.
Pour combler le fossé entre ce qu'une caméra voit et ce que la biologie dicte, des chercheurs de l'Université de la Floride et du Département de l'Agriculture des États-Unis ont développé un nouveau type de programme informatique. Ce système combine deux façons différentes de concevoir la croissance. La première partie repose sur les lois connues de la biologie végétale, plus précisément sur la façon dont les plantes poussent plus vite à mesure qu'elles accumulent de la chaleur au fil du temps, un concept que les agriculteurs utilisent depuis des décennies pour suivre le développement. La seconde partie est un outil d'apprentissage flexible qui observe la météo et les images quotidiennes pour repérer les particularités à court terme, comme une baisse temporaire de la couleur verte causée par une journée nuageuse. En tissant ces deux approches ensemble, les chercheurs ont créé un système qui ne se contente pas de deviner l'avenir, mais qui respecte les règles de la nature tout en restant attentif à la réalité désordonnée du champ.
L'équipe a testé ce système dans un champ de fraises à Citra, en Floride, au cours de l'hiver 2025. Ils ont installé une station de caméras autonomes alimentée par des panneaux solaires, qui a pris des photos des plantes toutes les quinze minutes pendant près d'un mois. Ils se sont concentrés sur deux variétés populaires de fraises, l'une nommée « Florida Brilliance » et l'autre « Florida Medallion ». La caméra capturait les plantes par le haut, et les chercheurs utilisaient des logiciels pour isoler les feuilles vertes du sol et du paillis plastique, comptant le nombre de pixels verts pour mesurer la taille de la canopée. Parallèlement à ces images, le système extrayait des données météorologiques en temps réel, notamment la température, l'humidité et l'ensoleillement, afin de voir comment l'environnement influençait les plantes jour après jour.
Le cœur de leur innovation était un modèle informatique hybride qui apprenait de ces données. Une partie du modèle suivait une courbe lisse et prévisible basée sur la chaleur totale reçue par les plantes, garantissant que les prédictions suivent toujours un chemin biologique logique où les plantes grandissent généralement à mesure que la saison se réchauffe. L'autre partie du modèle agissait comme un mécanisme de correction, apprenant à ajuster cette prédiction lisse à la hausse ou à la baisse en fonction des événements météorologiques de la semaine précédente. Si un front froid arrivait, le modèle apprenait à s'attendre à une légère pause dans la croissance ou à un changement de couleur, plutôt que de suivre aveuglément la courbe lisse. Crucialement, le système a été conçu avec une règle de sécurité : il lui était interdit de prédire qu'une plante rétrécirait lors d'une journée où l'accumulation de chaleur augmentait, une impossibilité biologique qui piège souvent les modèles informatiques plus simples.
Les résultats ont montré que cette approche combinée fonctionnait de manière nettement plus efficace que l'utilisation de l'une ou l'autre méthode seule. Pour la variété « Florida Brilliance », le système a prédit la taille quotidienne de la canopée de la plante avec une erreur moyenne d'environ 6 996 pixels, un chiffre qui représentait une différence de 4,53 % par rapport aux mesures réelles. Il s'agissait d'une amélioration marquée par rapport à un modèle qui suivait uniquement la courbe biologique lisse, lequel manquait la cible de plus de 10 000 pixels, et bien meilleur qu'une simple supposition qui supposait que la plante resterait de la même taille que la veille. Le système a également bien performé sur la variété « Florida Medallion », bien que le taux d'erreur soit légèrement plus élevé, à 16,4 %. Les chercheurs ont noté que cette erreur plus élevée était probablement due au fait qu'ils disposaient de beaucoup moins de données pour cette plante spécifique, car une tempête sévère a endommagé leur équipement tôt dans l'étude, écourtant ainsi la période d'observation. Même avec ces données limitées, le modèle hybride a tout de même surpassé les méthodes plus simples, prouvant que la combinaison des règles biologiques et de l'apprentissage sensible à la météo était robuste.
Ce qui rend cette découverte particulièrement précieuse, c'est que le modèle informatique ne s'est pas contenté de produire un chiffre ; il a aussi appris les caractéristiques de croissance spécifiques des fraises qu'il observait. Sans qu'on lui donne les réponses à l'avance, le système a déterminé la taille maximale que les plantes pouvaient atteindre et la vitesse à laquelle elles poussaient, des valeurs qui correspondaient à ce que les chercheurs observaient sur le terrain. Cela suggère que le modèle ne fait pas que mémoriser les données, mais qu'il comprend réellement la biologie sous-jacente. Les chercheurs ont constaté que le système pouvait fonctionner sur un petit ordinateur peu coûteux de la taille d'une carte de crédit, ce qui le rendait réalisable pour les agriculteurs en temps réel sans nécessiter de serveurs coûteux ou d'accès constant à Internet.
Cette étude met en lumière une voie d'avenir pour l'agriculture de précision, où la technologie aide les agriculteurs à prendre des décisions avant que les problèmes ne deviennent visibles à l'œil nu. En prédisant comment une plante réagira à la météo à venir, un producteur pourrait potentiellement arroser ou nourrir ses cultures au moment exact où elles en ont besoin, plutôt que d'attendre l'apparition des signes de stress. Bien que le système actuel ait été testé sur une période relativement courte et se soit concentré sur les premières étapes de croissance, les chercheurs suggèrent qu'avec plus de données et de meilleures méthodes pour gérer les variations de luminosité, cette approche pourrait être étendue à toute la saison de croissance. Ce travail démontre que lorsque l'informatique respecte les lois fondamentales de la biologie, elle peut créer des outils qui sont non seulement précis, mais aussi dignes de confiance pour ceux qui comptent sur eux pour nourrir le monde.
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.