IoT-based Low-Cost Time-Domain Reflectometry for Granular Soils: Sand-Specific Moisture Calibration and Machine-Learning Sand Identification

Le sol n'est pas seulement de la terre ; c'est un mélange complexe de particules solides, d'eau et d'air, et l'équilibre entre ces ingrédients dicte la manière dont les plantes poussent, comment les fondations tiennent et comment l'eau circule dans le sol. Pour les ingénieurs et les agriculteurs, savoir exactement quelle quantité d'eau se trouve dans le sol est crucial, mais le mesurer sans déterrer la terre est depuis longtemps un défi. Une méthode établie consiste à envoyer une impulsion électrique à haute vitesse à travers le sol et à écouter la façon dont elle rebondit. Comme l'eau ralentit cette impulsion plus que le sable sec ou la roche, le temps qu'il faut au signal pour revenir révèle la teneur en eau du sol. Cependant, cette technique présente un défaut important : les formules standards utilisées pour interpréter ces signaux ont été développées pour des sols fins, de type argileux. Lorsqu'elles sont appliquées au sable, qui se comporte très différemment, ces formules universelles échouent souvent, entraînant des lectures inexactes qui peuvent provoquer un surarrosage des systèmes d'irrigation ou une sous-estimation de la stabilité du sol lors de projets de construction.

Une équipe de chercheurs de l'Université d'ingénierie et de technologie de Rajshahi, au Bangladesh, s'est donné pour mission de résoudre ce problème spécifiquement pour les sols sableux. Ils ont construit un système de capteurs à bas coût, connecté à Internet, capable de mesurer non seulement l'humidité, mais aussi la température et d'autres propriétés du sol. Au lieu de s'appuyer sur une formule unique et universelle, ils ont testé cinq types différents de sable naturel, présentant chacun des tailles de grains et des textures légèrement différentes. En collectant des milliers de mesures dans un cadre de laboratoire contrôlé, ils ont créé une relation mathématique unique pour chaque type spécifique de sable, liant le signal électrique brut directement au poids réel de l'eau dans le sol. Leurs travaux ont démontré qu'en adaptant l'outil de mesure au matériau spécifique qu'il teste, ils pouvaient prédire les niveaux d'humidité avec une précision de 96,5 %, ce qui représente une amélioration significative par rapport aux méthodes génériques.

Au-delà de la simple mesure de l'eau, les chercheurs ont découvert que les données du capteur contenaient suffisamment d'informations cachées pour identifier le type de sable lui-même. Ils ont entraîné des programmes informatiques, connus sous le nom de modèles d'apprentissage automatique (machine learning), pour reconnaître l'« empreinte digitale » de chaque échantillon de sable basée sur ses lectures d'humidité et de température. Lorsque le système a été testé sur un échantillon inconnu, il a identifié correctement le type de sable près de 90 % du temps. Il s'agit d'une avancée cruciale car cela signifie qu'un capteur pourrait potentiellement indiquer à un agriculteur ou à un ingénieur non seulement si le sol est humide, mais aussi de quel type de sol il s'agit, sans avoir besoin de prélever un échantillon physique pour l'envoyer en laboratoire.

L'étude a débuté par la collecte de cinq échantillons de sable distincts provenant du terrain. Les chercheurs ont analysé soigneusement les propriétés physiques de chacun, mesurant la taille des grains et leur distribution. Ils ont constaté que, bien que les cinq échantillons soient classés comme des sables mal gradués — ce qui signifie qu'ils sont principalement uniformes en taille — ils possédaient néanmoins des différences subtiles dans leur structure granulaire. Pour tester les capteurs, ils ont préparé des centaines de spécimens de sol, faisant varier la teneur en eau de très sèche à assez humide. Pour chaque spécimen, ils ont enregistré le signal électrique brut du capteur et l'ont comparé à la teneur réelle en eau, laquelle a été déterminée en séchant le sol dans un four et en le pesant. Ce processus a généré un ensemble de données massif de près de 1 900 lectures appariées, fournissant une base solide pour leur analyse.

Lorsque les chercheurs ont tracé les lectures du capteur par rapport aux valeurs réelles d'humidité, un motif clair est apparu. Pour chaque type de sable, la relation entre le signal et la teneur en eau suivait une ligne droite, mais la pente de cette ligne était différente pour chaque échantillon de sable. Un type de sable nécessitait un changement beaucoup plus important du signal pour indiquer une hausse de l'humidité, tandis qu'un autre répondait plus brusquement. Cette découverte a prouvé qu'une seule formule ne peut pas fonctionner pour tous les sables. Lorsqu'ils ont tenté d'utiliser une équation universelle pour les cinq types, l'erreur dans leurs prédictions était notablement plus élevée. Cependant, lorsqu'ils ont utilisé une équation spécifique pour chaque type de sable, les prédictions sont devenues remarquablement précises, les erreurs chutant à moins de trois points de pourcentage dans la plupart des cas.

L'équipe a ensuite poussé cette approche plus loin en se demandant si le capteur pouvait identifier le type de sable sans connaissance préalable. Ils ont injecté les données d'humidité et de température des capteurs dans trois algorithmes d'apprentissage automatique différents. Ces programmes ont appris à distinguer les cinq types de sable en reconnaissant les schémas de variation conjointe de l'humidité et de la température. Les résultats ont été impressionnants : le système a correctement identifié le type de sable dans près de 90 % des cas. L'ordinateur était particulièrement efficace pour distinguer les sables ayant des plages de température distinctes, mais il confondait occasionnellement les trois sables partageant des températures chaudes similaires. Cela suggère que, bien que la méthode actuelle soit hautement efficace, l'ajout de points de données supplémentaires, tels que la conductivité électrique, pourrait rendre l'identification encore plus fiable.

Pour s'assurer que leurs conclusions étaient valables dans le monde réel, les chercheurs ont testé le dispositif calibré sur des échantillons de sol frais prélevés sur le terrain. Ils ont comparé les lectures d'humidité du capteur aux résultats des tests standards de séchage au four en laboratoire. L'appareil correspondait aux valeurs de laboratoire avec une précision moyenne de 96,5 %, confirmant que les équations de calibration spécifiques développées en laboratoire fonctionnaient parfaitement dans des conditions extérieures pratiques. De plus, ils ont démontré toute la puissance de leur système en soumettant un échantillon de sol inconnu, en le passant par le processus d'identification, et en déterminant avec succès son type. Une fois le type de sable identifié par le système, celui-ci pouvait instantanément fournir un profil détaillé de ses propriétés d'ingénierie, telles que la taille des grains et la densité, qui sont essentielles pour la construction et la planification agricole.

Ce travail comble le fossé entre les données simples de capteurs et la science complexe des sols. En s'éloignant des hypothèses génériques pour embrasser les caractéristiques spécifiques de différents matériaux, les chercheurs ont créé un moyen plus fiable de surveiller le sol. Leur cadre intégré, qui combine un capteur à bas coût et une analyse de données intelligente, offre une solution évolutive pour quiconque a besoin de comprendre les conditions du sol rapidement et avec précision. Que ce soit pour gérer l'irrigation en agriculture ou pour assurer la stabilité de la fondation d'un bâtiment, la capacité de connaître à la fois le niveau d'humidité et le type de sol en temps réel représente un bond en avant significatif dans notre interaction avec le sol sous nos pieds.