L'évolution de la dynamique du climat, de la population et des événements météorologiques dramatiques continue de nuire aux systèmes alimentaires et forestiers.
Cependant, la croissance exponentielle de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML) promet de nouvelles solutions innovantes pour réaliser des gains d'efficacité, de durabilité et de précision dans tous les domaines. L'impact est déjà évident avec des dirigeants comme Dejan Jakovlevic, responsable de l'information à la FAO, qui admet que l'IA aura un impact sur les systèmes agroalimentaires[1].
Des études montrent que la pression sur les ressources naturelles va se poursuivre, la population mondiale devant franchir la barre des 9 milliards d'habitants d'ici à 2050[2]. Cela nécessitera une augmentation de 70 % de la production agroalimentaire[3]. On estime qu'environ 600 millions de personnes souffriront de la faim d'ici à 2030[4].
De plus, environ 22,8 millions d'hectares de forêts ont disparu chaque année entre 2010 et 2020[5]. Les ressources marines continuent également de s'épuiser[6]. L'IA aide les acteurs des secteurs agroalimentaire et forestier à tirer de multiples avantages tout en repoussant les limites dans ces domaines.
Le marché de l'IA agricole devrait atteindre 1,7 milliard de dollars d'ici à la fin de 2023. Il devrait connaître un TCAC de 22,50 % et atteindre 4,70 milliards de dollars d'ici 2028[7].
Il existe de nombreux cas d'utilisation de la technologie de l'IA, notamment l'optimisation, les prévisions et les systèmes adaptatifs. Cet article examine l'impact de l'IA sur la productivité agricole, la sylviculture et la pêche. Nous découvrons également les avantages et les défis de l'utilisation de l'IA dans ces domaines.
Les progrès technologiques ont conduit à une synergie entre l'IOT, le cloud, la disponibilité des données et l'amélioration des ressources informatiques, ce qui favorise la croissance de la production agricole basée sur l'IA.
Les méthodes de machine learning telles que les arbres de décision, l'analyse en composantes principales (ACP), le KNN (K-Nearest Neighbour) et le XGBoost ont eu un impact significatif, en particulier dans les activités de surveillance et de prévision. Les techniques de deep learning telles que les CNN (Convolutional Neural Networks) sont également très utiles pour la classification, la surveillance et la prédiction.
Voici quelques-unes des principales applications de l'IA dans l'agriculture.
La FAO estime que les ravageurs et les maladies réduisent le rendement des cultures de 20 à 40 % par an[8]. Par conséquent, leur détection précoce est cruciale pour intervenir à temps. L'IA peut analyser de grandes quantités de données provenant de drones, d'images satellites et de capteurs, ce qui permet aux agriculteurs de détecter rapidement les infestations de maladies et de ravageurs.
La SVM (Support Vector Machine) et les techniques CNN (Deep CNN) sont des exemples d'algorithmes qui peuvent être utilisés pour la classification des maladies. En outre, les systèmes basés sur l'IA peuvent extraire des caractéristiques et déterminer le type de maladie[9].
Il est également possible de prévoir l'apparition de parasites en fonction des conditions météorologiques en utilisant des réseaux de mémoire à long terme[10]. De nombreux services, tels que Plantix, proposent aux agriculteurs des applications alimentées par l'IA pour détecter les dommages causés par les ravageurs ou les maladies et recommander des solutions correspondantes[11]. Celles-ci utilisent la technologie de reconnaissance d'images et des techniques de deep learning pour classer rapidement les images et détecter les anomalies.
Le marché de l'agriculture de précision a atteint 7,88 milliards de dollars en 2022 et devrait croître à un taux de croissance annuel moyen de 12,7 % jusqu'en 2030[12]. Cette approche vise à optimiser la production agricole, en transformant les pratiques conventionnelles en automatisation et en prise de décision fondée sur des données. L'agriculture de précision avec l'IA aide les agriculteurs à accroître leur productivité grâce au désherbage, à l'irrigation, à la récolte et à la lutte contre les ravageurs.
Les exploitations agricoles peuvent produire de nombreuses données grâce à la télédétection, aux drones et aux caméras. Les points de données comprennent la température, l'utilisation de l'eau, la météo et le sol, que les techniques d'IA et de ML peuvent analyser en temps réel pour fournir des informations[13]. Par exemple, les techniques d'apprentissage profond telles que CNN et LSTM peuvent être utilisées pour l'optimisation de l'irrigation[14]. Ces systèmes favorisent la productivité agricole grâce à une irrigation précise, ce qui permet de conserver l'eau.
Les robots autonomes et les drones équipés de vision artificielle peuvent cibler précisément les plantes et déterminer la quantité d'herbicide ou de pesticide à pulvériser. Les entreprises de ce secteur intègrent déjà l'IA dans leurs machines pour une agriculture intelligente, en particulier pour le contrôle des mauvaises herbes[15].
Les agriculteurs peuvent utiliser l'IA pour contrôler le bien-être de leurs animaux, notamment en prévoyant l'apparition de maladies et en optimisant les programmes d'alimentation. Il est possible de surveiller le bétail en temps réel, ce qui peut aider les agriculteurs à exploiter les données pour effectuer des interventions proactives.
En utilisant des capteurs et la technologie de l'IA, les agriculteurs peuvent suivre les habitudes alimentaires des animaux, y compris la fréquence et la quantité, afin de déterminer le bien-être de l'animal [16]. Des outils tels que l'échelle d'expression faciale de la douleur ovine utilisent l'IA pour détecter les signes de douleur chez les ovins. Cela permet de détecter rapidement les problèmes de santé et d'éviter la propagation de maladies contagieuses[17].
L'industrie forestière est confrontée à de nombreux défis liés à des pressions externes telles que les incendies de forêt et la déforestation. La combinaison de l'IA avec l'imagerie aérienne et les capteurs IoT ouvre diverses voies pour aider à gérer et à préserver les forêts. En voici quelques-unes qui ont un impact sur la foresterie.
Les drones équipés de capteurs et de caméras permettent aux conservationnistes de collecter facilement des données. L'utilisation de l'IA sur ces données permet de découvrir différents types d'informations, notamment:
Les algorithmes d'apprentissage automatique tels que la régression linéaire (LR), les algorithmes d'arbres à décisions et SVM sont utiles pour déterminer la distribution des espèces d'arbres, les prédictions et les tâches de modélisation.
Les modèles d'IA peuvent être entraînés à l'aide d'images satellite en temps réel, ce qui permet une détection précoce de la déforestation. Le WWF utilise un système similaire alimenté par l'IA qui a déjà aidé les autorités gabonaises à détecter des activités d'empiètement sur la forêt qui menaçaient 74 acres de forêt[18].
Les incendies de forêt continuent de ravager des écosystèmes entiers. Les algorithmes d'IA peuvent analyser des images, des vidéos et d'autres images thermiques provenant des points chauds des incendies de forêt. Cela permet de suivre les incendies en temps réel et de guider les pompiers vers les endroits appropriés.
Les incendies devenant de plus en plus sauvages et fréquents, des efforts concertés sont déployés pour utiliser l'IA dans la lutte contre ces incendies. Il est possible d'utiliser des caméras alimentées par l'IA qui détectent la fumée, ce qui permet aux intervenants d'agir rapidement. Par exemple, l'agence californienne de lutte contre les incendies teste actuellement un système alimenté par l'IA pour aider à identifier les incendies. Ce système utilise des algorithmes de vision artificielle pour analyser les flux vidéo provenant de 1 000 caméras installées au sommet des montagnes[19].
L'IA peut surveiller la santé des forêts, en aidant à détecter les changements causés par les maladies et les infestations parasitaires. Celles-ci présentent des risques importants pour la production de bois et la biodiversité. Les données sont collectées par des drones, des images satellites et des capteurs multispectraux.
Des algorithmes d'apprentissage automatique tels que les arbres à décision et l'algorithme génétique (GA) peuvent être utilisés pour analyser ces données afin de détecter les épidémies. Par exemple, la recherche sur l'identification précoce de la maladie du flétrissement du pin s'est avérée prometteuse, avec une précision de 90 % grâce à l'imagerie spectrale des forêts[20].
L'IA dans la pêche est appelée à jouer un rôle essentiel dans l'industrie de la pêche, en particulier lorsqu'elle est complétée par des données issues de la télédétection et de l'analyse de données massives (big data). Voici quelques domaines dans lesquels l'IA influence l'industrie de la pêche.
Il est possible d'identifier les caractéristiques d'un navire, telles que sa taille et son activité en mer. Cela permet aux conservationnistes et aux autres parties prenantes d'identifier et de classer les navires de pêche en haute mer et de savoir ce qui est pêché.
Des plateformes telles que Global Fishing Watch utilisent l'IA pour analyser les données des systèmes d'identification automatique ( SIA ), des systèmes de surveillance des navires et des satellites afin de comprendre les schémas de pêche à l'échelle mondiale. La plateforme utilise CNN pour classer chaque navire comme pêchant ou ne pêchant pas. En outre, la plateforme surveille la pêche à la palangre et le comportement des poissons, ce qui aide les autorités à vérifier le respect des règles[21].
Il est possible d'analyser des images et des flux vidéo en temps réel à l'aide de modèles de deep learning afin d'identifier, de compter et de déterminer la densité des poissons[22]. L'estimation du nombre de poissons est essentielle pour promouvoir la pêche durable, éviter la surpêche et appliquer les réglementations.
L'utilisation d'outils pilotés par l'IA pour la reconnaissance des poissons contribue à divers aspects opérationnels de la pêche, tels que la réduction des coûts et du travail manuel. Elle favorise la confiance en aidant les aquaculteurs et les autres acteurs de la pêche à créer une harmonie et à gérer la ressource.
L'IA a le potentiel d'avoir un impact significatif sur l'agriculture, la sylviculture et la pêche, ce qui se traduit par de multiples avantages. Cependant, différents défis entravent l'utilisation de cette technologie.
Optimiser l'utilisation des ressources : L'agriculture de précision, les machines autonomes, l'analyse prédictive et les prévisions permettent d'accroître la productivité grâce à l'optimisation des ressources. Les machines autonomes peuvent désherber de vastes champs en peu de temps, ce qui réduit considérablement les efforts manuels et l'utilisation d'herbicides et de pesticides.
Améliorer les rendements: L'utilisation de l'IA pour identifier des modèles et donner des recommandations permet d'augmenter les rendements de manière exponentielle. L'utilisation de ces informations pour identifier les schémas de plantation, la récolte et même la sélection des espèces végétales les plus appropriées est très utile.
Contribuer à la durabilité : L'utilisation d'outils alimentés par l'IA pour suivre les ressources dans les forêts et les écosystèmes de pêche permet d'éviter la surexploitation. L'utilisation de la télédétection et de l'alimentation en direct permet de détecter la pêche et l'exploitation forestière illégales. En outre, en surveillant les espèces, les parties prenantes peuvent gérer les ressources de manière proactive et préserver la biodiversité.
Réduction des coûts : L'agriculture de précision permet une utilisation optimale des ressources telles que l'eau, les herbicides et les engrais. Cela permet de réduire le gaspillage et le coût des intrants. En outre, il est possible de réduire le gaspillage dans la chaîne d'approvisionnement, la logistique, la surveillance et le travail manuel en utilisant des outils alimentés par l'IA.
Alerte précoce : L'IA est essentielle pour atténuer et réduire l'impact d'événements tels que les épidémies et les risques météorologiques. En analysant l'imagerie satellitaire et les données de télédétection, les agriculteurs peuvent adapter leurs activités de manière adéquate afin d'éviter les événements défavorables. Cela leur permet également de planifier efficacement l'irrigation et la lutte contre les maladies.
Dans le domaine de l'élevage, les outils alimentés par l'IA reçoivent des données provenant de capteurs fixés sur les animaux qui surveillent leur bien-être. Par la suite, tout signe d'apparition d'une maladie est traité rapidement.
Malgré les nombreux avantages et les perspectives prometteuses que l'IA apporte à l'agriculture, à la foresterie et à la pêche, plusieurs défis continuent d'entraver son adoption.
Coût initial élevé : L'achat d'équipements et de machines pour l'agriculture de précision ou la gestion des forêts peut être coûteux. Il peut s'agir d'équipements de télédétection et de machines autonomes. Par exemple, un robot autonome pour le désherbage peut coûter jusqu'à 12 000 dollars[23]. Ce coût serait prohibitif pour les petites exploitations agricoles ou les agriculteurs des pays du tiers-monde.
Toutefois, les efforts se poursuivent pour développer des solutions robotiques autonomes à faible coût pour le désherbage. Le ROMI cherche à développer des robots autonomes plus petits pour les micro-exploitations à des prix moins élevés[24].
Transparence : Les algorithmes d'apprentissage automatique présentent des niveaux de transparence variés. La manière dont les outils alimentés par l'IA déterminent les résultats peut nécessiter des éclaircissements. L'explicabilité des résultats, des classifications et des prédictions faites par les systèmes d'IA doit être facilement justifiée[25].
Les utilisateurs d'applications doivent pouvoir obtenir des informations supplémentaires sur les décisions des systèmes d'IA. En outre, les utilisateurs devraient avoir la possibilité de contester les résultats du système d'IA si un agriculteur estime que les décisions ne sont pas correctes.
Manque de main-d'œuvre qualifiée : De nombreux acteurs des secteurs de l'agriculture, de la sylviculture et de la pêche ont besoin de plus de compétences et de formation pour utiliser efficacement les outils et les machines alimentés par l'IA. Il est essentiel de combler les lacunes en matière d'éducation et de compétences pour favoriser l'adoption de l'IA.
L'agriculture, la sylviculture et la pêche comptent parmi les secteurs les plus importants à l'échelle mondiale, soutenant des systèmes agroalimentaires essentiels qui nourrissent des milliards de personnes. Des machines autonomes à la lutte contre les parasites et les maladies, l'IA continue d'alimenter différents cas d'utilisation dans les systèmes agroalimentaires et forestiers.
Les parties prenantes de cet espace continuent de tirer des avantages de l'intégration de l'IA dans différents flux de travail, tels que l'augmentation de la productivité, la réduction des coûts et l'amélioration des rendements. Toutefois, des problèmes tels que le manque de main-d'œuvre qualifiée continuent d'entraver le développement.
La recherche, le développement et les autres avancées technologiques se poursuivent, et les rapports indiquent un taux de croissance élevé pour l'avenir.
Ecrit par Baptiste Aelbrecht & Jacques Mojsilovic.
