📄 agriculture

An Environment-Driven Dynamic Growth Model for Pleurotus citrinopileatus: Advancing Precision Control and Automation in Container Cultivation

Cette étude développe un modèle de croissance dynamique piloté par l'environnement (ED-DGM) basé sur la fonction de Richards et des facteurs environnementaux clés afin d'améliorer significativement la précision de la prédiction de la croissance de *Pleurotus citrinopileatus* en culture conteneurisée, permettant ainsi le contrôle de précision et l'automatisation dans les systèmes de production de champignons intelligents.

Auteurs originaux : Qingfeng WEI, Changshou LUO, Jun Yu, Chenzhong Cao, Yaming ZHEN, Yang LU, Rupeng LUAN

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Qingfeng WEI, Changshou LUO, Jun Yu, Chenzhong Cao, Yaming ZHEN, Yang LU, Rupeng LUAN

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 essayez de préparer la miche de pain parfaite. Si vous vous contentez de régler le four à une température fixe en espérant que tout se passe bien, vous obtiendrez peut-être une miche correcte, mais vous n'obtiendrez pas la miche parfaite à chaque fois. Vous devez surveiller la pâte, sentir l'air et ajuster la chaleur au fur et à mesure de la cuisson.

Ce document traite précisément de cela, mais pour des pleurotes dorés (Pleurotus citrinopileatus) poussant à l'intérieur de « usines fongiques » de la taille d'un conteneur d'expédition ultra-technologique.

Voici l'histoire de la façon dont les chercheurs ont construit une « recette intelligente » pour prédire la croissance de leurs champignons.

1. Le Problème : La recette « statique » face au monde réel

Traditionnellement, les agriculteurs et les scientifiques utilisaient des modèles de croissance « statiques » pour prédire la croissance des champignons. Voyez cela comme un itinéraire GPS fixe. La carte indique : « Dans 8 jours, le champignon fera cette taille ».

Mais le monde réel est désordonné. La température dans le conteneur peut grimper pendant une heure, ou l'humidité peut chuter. Une carte statique ne sait rien de ces détours. Elle continue de prédire que le champignon sera grand, même si l'environnement a ralenti sa croissance. Cela conduit à de mauvaises prédictions et à une perte de temps.

2. L'Expérience : Observer la croissance des champignons

Les chercheurs ont mis en place un conteneur intelligent (un conteneur d'expédition réaménagé) doté de capteurs qui vérifiaient la température, l'humidité, la lumière et la qualité de l'air toutes les 10 secondes. Ils ont fait pousser 72 sacs de champignons et les ont mesurés chaque jour pendant 8 jours.

Ils ont découvert que les champignons poussaient selon un motif spécifique en « forme de S » :

Jours 1–3 : Début lent (le champignon se réveille).
Jours 4–7 : Croissance explosive (le champignon mange et grandit rapidement).
Jour 8 : Ralentissement alors qu'il se prépare à être récolté.

3. Le Travail de Détective : Qu'est-ce qui stimule réellement la croissance ?

L'équipe s'est demandé : Qu'est-ce qui fait que le champignon pousse plus vite ou plus lentement ? Ils ont testé plusieurs suspects :

La « Batterie thermique » (Température effective accumulée) : Les champignons ont besoin d'une certaine quantité d'énergie thermique au fil du temps pour croître. Il ne s'agit pas seulement de la température actuelle, mais de la chaleur totale qu'ils ont « accumulée » depuis le début de leur croissance.
La « Batterie hydrique » (Humidité relative accumulée) : Les champignons sont principalement composés d'eau. Ils ont besoin d'une humidité élevée et constante au fil du temps pour rester charnus et se développer.
Le « Poison de l'air » (CO2) : Bien que les champignons aient besoin d'un peu de CO2, un excès de celui-ci agit comme un frein, empêchant le chapeau du champignon de s'ouvrir correctement et faisant pousser la tige trop longue et trop fine.

Ils ont découvert que la Chaleur et l'Humidité étaient les accélérateurs, et le CO2 était le frein.

4. La Solution : Le « Moteur Intelligent » (ED-DGM)

Au lieu d'utiliser une carte fixe, les chercheurs ont construit un moteur dynamique appelé le Modèle de Croissance Dynamique Piloté par l'Environnement (ED-DGM).

Voici l'analogie :

L'ancienne méthode (Modèle statique) : Un train circulant sur une voie fixe. Il garde la même vitesse quel que soit le temps extérieur.
La nouvelle méthode (ED-DGM) : Une voiture autonome. Elle possède des capteurs qui vérifient constamment la route (l'environnement). Si elle voit de la pluie (humidité élevée), elle sait que la voiture peut aller plus vite. Si elle voit une colline (faible chaleur), elle sait qu'elle doit ralentir. Si elle voit un embouteillage (CO2 élevé), elle sait qu'elle doit freiner.

Les chercheurs ont pris la meilleure formule mathématique pour la croissance des champignons (appelée modèle de Richards) et l'ont connectée à ces capteurs. Désormais, le modèle ne se contente pas de deviner en fonction du « Jour 5 » ; il calcule : « Au Jour 5, parce que nous avons eu 500 unités de chaleur et 800 unités d'humidité, le champignon devrait avoir cette taille spécifique ».

5. Les Résultats : Une boule de cristal plus précise

Lorsqu'ils ont testé leur nouveau « Moteur Intelligent » contre l'ancienne « Carte Fixe » :

Le nouveau modèle était significativement plus précis.
Il prédisait mieux la longueur, la largeur, la hauteur et le volume total du champignon.
Plus précisément, il a amélioré la prédiction du volume (la quantité de « chair ») de 10,6 %.

Cela peut sembler peu, mais dans l'agriculture, savoir exactement quand un champignon est prêt à être récolté est crucial. Cela signifie que les agriculteurs n'ont pas besoin de deviner ou de vérifier chaque champignon à la main. L'ordinateur peut leur dire : « C'est l'heure de la récolte », économisant ainsi du travail et garantissant que les champignons sont cueillis au moment idéal.

Résumé

Le papier ne prétend pas guérir des maladies ou changer le monde du jour au lendemain. Il dit simplement : Nous avons construit un calculateur plus intelligent pour cultiver des champignons dans des conteneurs.

En injectant des données en temps réel sur la chaleur, l'eau et l'air dans une formule mathématique, nous pouvons prédire exactement quelle taille fera un champignon. Cela transforme la culture des champignons, passant d'un jeu de « tâtonnements et d'essais » à une science précise et automatisée.

Résumé Technique : Un Modèle de Croissance Dynamique Piloté par l'Environnement pour Pleurotus citrinopileatus

Énoncé du Problème
La culture industrielle de Pleurotus citrinopileatus (pleurote doré) dans des installations conteneurisées intelligentes fait face à un goulot d'étranglement critique : l'absence de cadres théoriques quantitatifs pour le contrôle environnemental. Bien que l'agriculture en environnement contrôlé (CEA) offre une haute contrôlabilité, la gestion actuelle repose largement sur des pratiques empiriques. Les modèles de croissance traditionnels (ex. : Logistique, Richards) utilisés dans l'agriculture de précision traitent généralement les paramètres de croissance comme des constantes statiques, ne parvenant pas à rendre compte des fluctuations environnementales dynamiques inhérentes aux systèmes automatisés. De plus, bien qu'il existe des approches d'apprentissage automatique, celles-ci manquent souvent d'interprétabilité biologique (nature de « boîte noire ») et peinent à se généraliser sous des conditions inédites. Il existe un besoin spécifique pour un modèle qui jette un pont entre l'interprétabilité biologique et la réactivité en temps réel aux moteurs environnementaux afin de permettre une culture de précision autonome.

Méthodologie
L'étude a été menée dans un conteneur de 40 pieds réaménagé, équipé d'un système de contrôle environnemental de précision (température, humidité, lumière, CO₂).

Collecte de Données : Les chercheurs ont surveillé 72 sacs de substrat sur une période de fructification de 8 jours, collectant 576 observations initiales. Après élimination des valeurs aberrantes, 459 ensembles de données valides ont été analysés. Les paramètres morphologiques (longueur, largeur, hauteur) ont été mesurés quotidiennement, et le volume a été estimé à l'aide d'une formule basée sur un ellipsoïde calibrée par des méthodes de drainage.
Variables Environnementales : Les données brutes (température, HR, lumière, CO₂) ont été transformées en variables dérivées, incluant la Température Effective Accumulée (TEA), l'Humidité Relative Accumulée (HRA) et les valeurs moyennes instantanées (MT, MRH, MCO₂, MLI).
Sélection du Modèle : Trois modèles non linéaires (Logistique, Weibull, Richards) ont été évalués par rapport aux données de croissance empiriques. Le modèle de Richards a été sélectionné comme base de référence en raison de sa meilleure adéquation avec les courbes de croissance asymétriques en forme de S observées chez P. citrinopileatus.
Identification des Moteurs : Une analyse de corrélation de Pearson, des tests de signification et des diagnostics du Facteur d'Inflation de la Variance (VIF) ont été utilisés pour identifier les principaux moteurs environnementaux. Ce processus a permis d'éliminer les variables multicolinéaires (ex. : Température Moyenne) et d'identifier la TEA, la HRA et le CO₂ moyen (MCO₂) comme les prédicteurs significatifs.
Construction du Modèle (ED-DGM) : L'innovation centrale a consisté à transformer les paramètres statiques du modèle de Richards — la limite asymptotique ( $A$ ) et le taux de croissance ( $K$ ) — en fonctions linéaires dynamiques des moteurs environnementaux identifiés (TEA, HRA, MCO₂). Cela a créé le Modèle de Croissance Dynamique Piloté par l'Environnement (ED-DGM).
Évaluation : Le modèle a été validé à l'aide d'une division entraînement-test de 7:3. La performance a été évaluée via $R^2$ , RMSE, MAPE et l'analyse des résidus, comparant l'ED-DGM au modèle de Richards statique traditionnel.

Résultats Clés

Dynamique de Croissance : P. citrinopileatus a présenté une trajectoire de croissance asymétrique en forme de S distincte. Le volume a montré l'augmentation la plus spectaculaire (219,9 fois sur 8 jours), caractérisée par une phase de latence suivie d'une expansion explosive.
Moteurs Environnementaux :
- HRA (Humidité Relative Accumulée) était le moteur positif le plus fort ( $r = 0,8447$ ), expliquant 71,35 % de la variation de volume.
- TEA (Température Effective Accumulée) était le deuxième moteur positif le plus fort ( $r = 0,8093$ ).
- MCO₂ (CO₂ Moyen) a montré une corrélation négative modérée ( $r = -0,446$ ), ce qui est cohérent avec l'inhibition connue de la différenciation du chapeau par un CO₂ élevé.
- L'intensité lumineuse et l'humidité instantanée ont eu des effets négligeables sur la croissance du volume.
Performance du Modèle : L'ED-DGM a nettement surpassé le modèle de Richards statique pour tous les indicateurs morphologiques :
- Longueur : $R^2$ s'est amélioré de 9,1 %.
- Largeur : $R^2$ s'est amélioré de 9,3 %.
- Hauteur : $R^2$ s'est amélioré de 6,7 %.
- Volume : $R^2$ s'est amélioré de 10,6 %.
Analyse des Résidus : L'ED-DGM a éliminé le biais négatif systématique (sous-estimation) observé dans le modèle statique, particulièrement pour le volume. Les résidus étaient centrés près de zéro avec un écart-type réduit, indiquant une plus grande stabilité et une absence de biais.

Signification et Revendications
L'article affirme que l'ED-DGM représente un changement de paradigme, passant d'une culture « dépendante de l'expérience » à une culture « pilotée par l'algorithme ». En couplant la biologie des courbes de croissance classiques aux moteurs environnementaux cumulés, le modèle surmonte les limites de la paramétrisation statique.

Interprétabilité : Contra'irement aux modèles d'apprentissage automatique de type « boîte noire », l'ED-DGM conserve une interprétabilité biologique, permettant aux cultivateurs de comprendre comment des fluctuations environnementales spécifiques (ex. : accumulation de chaleur ou déficits d'humidité) impactent directement les taux de croissance et le rendement final.
Prêt pour l'Automatisation : Le modèle est conçu comme un moteur algorithmique de haute précision, apte à être intégré dans des plateformes de contrôle environnemental basées sur l'IoT. Il permet la prévision de la croissance en temps réel et la régulation par rétroaction autonome (ex. : ajustement du CVC ou de l'humidification basé sur les déviations prédites par rapport aux trajectoires optimales).
Contrôle de Précision : La recherche fournit un cadre robuste pour optimiser le calendrier de récolte et réduire la main-d'œuvre dans les systèmes de production conteneurisés, répondant aux verrous techniques de la culture de champignons à haute densité et indépendante des saisons.

Limites Notées
Les auteurs reconnaissent que le modèle actuel se concentre sur la phase de fructification rapide de 8 jours et ne couvre pas encore l'initiation primordiale ou les cycles multi-volées. De plus, le couplage linéaire actuel des facteurs environnementaux ne capture pas pleinement les interactions non linéaires complexes ou les effets synergiques, suggérant un besoin de recherches futures sur le couplage non linéaire. La généralisabilité du modèle à d'autres espèces fongiques reste à vérifier.