A quick appraisal of Machine learning techniques in different aspects of rice cultivation

Résumé technique : Une évaluation rapide des techniques d'apprentissage automatique dans différents aspects de la culture du riz

Énoncé du problème
Le riz (Oryza sativa L.) est une denrée de base mondiale critique, soutenant plus de la moitié de la population mondiale et contribuant de manière significative à la sécurité alimentaire (ODD 2). Cependant, les méthodes de culture traditionnelles sont souvent chronophages, imprécises et sujettes à l'erreur humaine, peinant à répondre aux défis dynamiques tels que le changement climatique, la rareté de l'eau et la croissance démographique. Bien que l'apprentissage automatique (ML) soit apparu comme un outil puissant pour l'analyse des mégadonnées en agriculture (provenant de satellites, de drones/UAV et de l'IoT), son application à travers les diverses facettes de la culture du riz est inégale. La littérature existante se concentre souvent sur des niches spécifiques (par exemple, la détection des maladies ou la prédiction du rendement), mais il existe un manque d'évaluations comparatives et exhaustives concernant la manière dont les méthodes de ML sont réparties et utilisées à travers tout le spectre de la culture du riz. Cette étude vise à combler cette lacune en évaluant la quantité et la qualité de l'utilisation du ML dans différents aspects de la riziculture.

Méthodologie
Les auteurs ont mené une revue systématique d'articles de recherche publiés entre 2020 et 2025.

• Sources de données : Les articles ont été extraits de Science Direct et Google Scholar en utilisant des requêtes combinant « (rice or paddy) » avec « (Machine Learning OR Artificial Intelligence) ».
• Processus de sélection : À partir d'un pool initial de 600 articles les mieux classés, les doublons ont été supprimés, laissant 411 articles. Après un examen approfondi des résumés, des conclusions et des méthodologies, excluant les chapitres de livres, les actes de conférences et les articles non spécifiques au riz, 343 articles ont été sélectionnés pour l'analyse finale.
• Classification : Les 343 articles ont été classés en 14 aspects distincts de la culture du riz : Amélioration des cultures (CI), Cartographie des cultures (CM), Contamination, Surveillance des cultures, Gestion des maladies (DM), Gestion des engrais (FM), Machinerie agricole (FMa), Gaz à effet de serre (GHG), Gestion de l'irrigation (IM), Gestion des insectes, Post-récolte (PH), Science des semences, Gestion des mauvaises herbes (WM) et Prévision du rendement (YF).
• Analyse : Les auteurs ont extrait des données sur l'année de publication, la revue, le logiciel et les modèles de ML spécifiques utilisés. Les modèles ont été classés en 11 catégories : Réseaux de neurones convolutifs (CNN), Arbres de décision (DT), Réseaux de neurones profonds (DNN), Méthodes d'ensemble, K-plus proches voisins (KNN), Réseaux de neurones (NN), Régression, Forêt aléatoire (RF), Réseaux de neurones récurrents (RNN), Machines à vecteurs de support (SVM) et Autres.
• Métriques : Pour évaluer l'intensité d'utilisation par domaine de recherche, la fréquence d'utilisation d'un modèle spécifique a été divisée par le nombre total de publications dans cette catégorie (par exemple, « utilisations par article »).

Principales contributions et résultats

1. Distribution inégale du volume de recherche :
   L'étude a identifié un déséquilibre significatif dans le volume de recherche. La Prévision du rendement (56 articles), la Gestion des maladies (49 articles), la Post-récolte (42 articles) et la Surveillance des cultures (34 articles) sont les domaines les plus intensément recherchés. En revanche, la Gestion de l'irrigation (13), la Machinerie agricole (12), les Gaz à effet de serre (11), la Science des semences (11), la Gestion des insectes (8) et la Gestion des mauvaises herbes (8) sont nettement sous-représentés.

2. Dominance de certains algorithmes :

• CNN (Réseaux de neurones convolutifs) : Le CNN est l'outil le plus proéminent globalement, utilisé 303 fois à travers les études. C'est la méthode dominante dans la Gestion des maladies (1,73 utilisation/article), la Machinerie agricole (1,75 utilisation/article), la Science des semences (1,45 utilisation/article) et l'Amélioration des cultures (1,11 utilisation/article). Cependant, son utilisation est notablement faible dans la Prévision du rendement (0,34 utilisation/article) et la Contamination (0,04 utilisation/article).
• Forêt aléatoire (RF) et SVM : Ce sont les deuxième et troisième modèles les plus utilisés globalement. La RF est particulièrement forte dans la Prévision du rendement, la Gestion des engrais et l'estimation des Gaz à effet de serre. Le SVM est massivement utilisé dans la Post-récolte et la Prévision du rendement.
• Méthodes d'ensemble : Elles sont le plus fréquemment appliquées dans la Prévision du rendement (0,68 utilisation/article), mais sont sous-utilisées dans les autres catégories.
• Modèles sous-utilisés : Les RNN sont rarement utilisés (seulement 25 fois au total), n'apparaissant que dans la Prévision du rendement, la Gestion des maladies, la Surveillance des cultures et la Gestion des engrais, probablement en raison de la rareté des données de séries temporelles dans les études examinées.

3. Résultats spécifiques aux catégories :

• Gestion des maladies : Repose fortement sur des architectures CNN avancées (ex. ResNet, EfficientNet, variantes de YOLO) pour la classification et la détection d'images.
• Prévision du rendement : Malgré le nombre élevé d'articles, elle repose moins sur les CNN et davantage sur les méthodes d'ensemble, la RF et la régression. Les auteurs notent que cela indique un potentiel d'intégration de l'analyse d'images avancée (CNN) dans la prédiction du rendement.
• Amélioration des cultures : Utilise un mélange de CNN, RF et SVM, avec certaines fusions novatrices de CNN et de réseaux de neurones sur graphes (GNN).
• Irrigation et gestion des mauvaises herbes : Ces domaines de gestion critiques présentent une faible adoption de techniques de ML sophistiquées, s'appuyant sur moins de modèles et des volumes de recherche plus faibles.

Signification et affirmations
L'article affirme fournir une « évaluation rapide » qui met en évidence un « énorme fossé » dans l'application des méthodes de ML à travers la culture du riz. Les auteurs soutiennent que, bien que le ML progresse rapidement, son application est sous-optimale dans des domaines de gestion critiques comme l'irrigation, le contrôle des mauvaises herbes, la gestion des insectes et l'application des engrais.

L'étude souligne que :

• Un déséquilibre existe : Il existe une disparité entre la quantité de recherche (ex. élevée pour la prévision du rendement) et la sophistication des méthodes utilisées (ex. faible utilisation des CNN dans la prévision du rendement).
• Potentiel d'optimisation : Renforcer l'usage du ML dans les domaines sous-recherchés (irrigation, mauvaises herbes, insectes) pourrait optimiser considérablement la production et la durabilité du riz.
• Barrières : La distribution inégale peut être attribuée à la nature des variables d'entrée, à un manque d'installations informatiques ou à des connaissances de domaine insuffisantes chez les chercheurs.
• Perspectives futures : Les auteurs suggèrent que les recherches futures devraient inclure des méta-analyses comparant la précision des modèles, élargir les sources de bases de données (ex. Scopus, Web of Science) et étudier les variables dépendantes/indépendantes spécifiques utilisées.

L'article conclut que, bien que le ML offre une voie pour répondre aux défis de la sécurité alimentaire mondiale, une application plus équilibrée et sophistiquée de ces outils à travers tous les aspects de la culture du riz est nécessaire pour réaliser pleinement leur potentiel.