IA et prévision de rendement
Apparence
| Niveau | Intermédiaire |
|---|---|
| Matériel | Un tableur ou Python ; des relevés de plusieurs saisons |
| Coût | 0 F pour les outils ; le temps de collecte est le coût principal |
Prévoir le rendement (kilos par hectare ou par planche) et la date de récolte aide à planifier la main-d'œuvre, le stockage et la vente. L'IA peut y contribuer, mais seulement avec des données suivies sur plusieurs saisons : c'est la page la plus exigeante en données du portail.
Les données nécessaires[modifier | modifier le wikicode]
| Famille | Exemples | D'où ça vient |
|---|---|---|
| Culture | variété, date de semis, densité, stade | carnet de culture, Calendrier cultural |
| Météo | pluie cumulée, températures, jours chauds | sources ouvertes |
| Sol et eau | humidité, apports d'eau, fertilisation | Capteur de sol, carnet |
| Végétation | indice NDVI au cours de la saison | satellites |
| Résultat | kilos récoltés par parcelle et par date | pesée à la récolte |
Pour un petit producteur, une dizaine de saisons-parcelles est un minimum pour tenter quelque chose ; en dessous, un simple calcul de moyenne vaut mieux.
Les modèles simples[modifier | modifier le wikicode]
- La moyenne et la tendance : rendement moyen des années précédentes, ajusté selon la pluie. Très robuste.
- La régression linéaire : rendement = a × pluie + b × température + c. Lisible, on voit l'effet de chaque variable.
- Les arbres et forêts : capturent des seuils (« au-dessus de 38 °C à la floraison, le rendement chute »).
- Les modèles de croissance des cultures (FAO AquaCrop par exemple) : basés sur la physiologie de la plante, utiles quand les données manquent. La FAO met AquaCrop à disposition gratuitement[1].
Exemple pas à pas (données fictives)[modifier | modifier le wikicode]
# Exemple générique : prévoir le rendement d'une parcelle avec une régression linéaire.
# Chaque ligne = une saison de culture sur une parcelle.
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import LeaveOneOut, cross_val_predict
from sklearn.metrics import mean_absolute_error
donnees = pd.read_csv("saisons.csv") # colonnes : pluie_mm, jours_chauds, ndvi_max, rendement_kg_ha
X = donnees[["pluie_mm", "jours_chauds", "ndvi_max"]]
y = donnees["rendement_kg_ha"]
# Avec peu de lignes, on valide en laissant UNE saison de côté à chaque tour (« leave-one-out »)
prevision = cross_val_predict(LinearRegression(), X, y, cv=LeaveOneOut())
print("Erreur moyenne :", round(mean_absolute_error(y, prevision)), "kg/ha")
# Comparaison avec la moyenne simple : si le modèle ne fait pas mieux, ne l'utilisez pas
moyenne = [y.drop(i).mean() for i in range(len(y))] # moyenne des autres saisons
print("Erreur de la moyenne :", round(mean_absolute_error(y, moyenne)), "kg/ha")
Pièges[modifier | modifier le wikicode]
- Trop peu de données, trop de variables : le modèle « apprend par cœur » (surapprentissage).
- Fuite de données : utiliser en entrée une information connue seulement après la récolte (le NDVI de fin de saison pour prévoir en milieu de saison).
- Années exceptionnelles : une sécheresse jamais vue n'est pas dans l'historique ; le modèle ne l'anticipe pas.
- Rendement mal mesuré : pesées incohérentes d'une saison à l'autre.
- Confondre prévision et promesse : donnez une fourchette, pas un chiffre unique.
Voir aussi[modifier | modifier le wikicode]
Semis et récoltes par zone.
Suivre la végétation.
Un premier modèle.
Toutes les pages IA.