Les caméras des smartphones offrent aux petits agriculteurs un nouvel accès aux connaissances sur la santé des sols
En créant un modèle d'apprentissage automatique capable de prédire rapidement la matière organique du sol grâce à l'analyse d'images de caméra de smartphone, les scientifiques s'efforcent de fournir aux agriculteurs un moyen simple et rapide de déterminer l'état nutritionnel et la santé de leurs sols.
Le manque d'accès adéquat à des tests efficaces de fertilité des sols en Inde et dans une grande partie du monde subtropical et tropical a conduit un groupe de scientifiques à explorer comment un appareil photo pour smartphone pourrait être transformé en une alternative puissante et facilement disponible. Récemment publié dans le Elsevier Journal Génie des biosystèmes, l'équipe de recherche décrit les avancées importantes dans le domaine de l'évaluation de la matière organique du sol (MOS) basée sur l'image et comment elle peut rationaliser le processus d'évaluation de la fertilité du sol.
L'étude, menée au Bengale occidental, en Inde, a utilisé des échantillons de sol provenant de trois zones agro-climatiques de l'État. En analysant les différences de couleur du sol, la technique utilise une modélisation avancée pour quantifier l'état de la MOS, qui peut servir de base pour déterminer les niveaux de nutriments du sol et d'autres caractéristiques liées à la qualité et à la santé du sol.
L'analyse d'images offre des avantages par rapport aux méthodes traditionnelles, qui ont été limitées dans leur efficacité et leur portée. Les analyses de laboratoire nécessitent un équipement coûteux et beaucoup plus de travail et de temps associés à la collecte et à la manipulation des échantillons de sol. Une évaluation rapide et fiable de la MOS basée sur une simple image de smartphone simplifierait grandement l'évaluation de la fertilité des sols dans des régions comme le Bengale occidental.
« Déverrouiller un moyen plus simple d'obtenir des données SOM crée le potentiel de nouvelles opportunités pour faire progresser une agriculture plus précise et basée sur les données dans les régions de production agricole auparavant limitées par un manque de services d'aide à la décision en matière de gestion des nutriments » explique le co-auteur de l'étude et directeur général de l'Institut africain de nutrition des plantes, le Dr Kaushik Majumdar.
Le défi majeur rencontré dans ce domaine de recherche se concentre autour de la difficulté à concevoir un système analytique robuste qui soit capable de fonctionner aussi bien à travers les nombreux gradients de couleur de surface du sol possibles qu'il peut être appelé à interpréter.
Pour ce faire, les auteurs ont conçu une nouvelle méthode qui a amélioré l'interprétation des images en séparant les portions de sol et de non-sol détectées dans une image. La technique est capable de prédire les valeurs SOM rapidement et avec une forte corrélation avec les valeurs déterminées par l'analyse traditionnelle du sol. Grâce à l'apprentissage automatique (ML), l'équipe apprend à son modèle à améliorer continuellement sa précision en le mettant intentionnellement au défi de reconnaître et d'exclure tout signal induisant des erreurs.
L'étude avait fait progresser la science de l'interprétation des images du sol, mais les chercheurs reconnaissent la nécessité de poursuivre les recherches pour déplacer la technologie sur le terrain. Les prochaines étapes commenceront à exposer le modèle à un plus large éventail d'images d'échantillons afin d'enseigner au modèle ML comment mieux reconnaître l'impact du type de sol, de la texture, de l'humidité et de la position dans le paysage.
Le groupe de chercheurs envisage un avenir pas trop lointain où une application pour smartphone prête à l'emploi peut fournir une prévision rentable et rapide de la MOS et de l'état de la fertilité des sols pour des millions de petits agriculteurs.
###
Accusé de réception
Ce résumé est extrait de l'article publié par Gorthi et al. 2021. Prédiction de la matière organique du sol à l'aide d'images numériques capturées par smartphone : utilisation d'une image de réflectance et d'une perturbation d'image. Génie des Biosystèmes. https://doi.org/10.1016/j.biosystemseng.2021.06.018
L'équipe du projet est composée de chercheurs du Département d'ingénierie agricole et alimentaire, IIT Kharagpur, Inde ; Département de statistiques expérimentales, Université d'État de Louisiane, Baton Rouge, États-Unis ; Département des sciences de la Terre et de l'atmosphère, Central Michigan University, Mount Pleasant, États-Unis ; Institut Africain de Nutrition Végétale, Benguéir, Maroc ; Département d'agronomie, Bidhan Chandra Krishi Viswavidyalaya, Bengale occidental, Inde ; Bureau national de l'étude des sols et de la planification de l'utilisation des terres, Kolkata, Inde ; Université Mohammed VI Polytechnique, Benguéir, Maroc.
Contributeurs : Gavin Sulewski, éditeur APNI.
