Aller au contenu

IA et prévision de rendement

De Wiki Alseno
Encadré pratique
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]

  1. La moyenne et la tendance : rendement moyen des années précédentes, ajusté selon la pluie. Très robuste.
  2. La régression linéaire : rendement = a × pluie + b × température + c. Lisible, on voit l'effet de chaque variable.
  3. Les arbres et forêts : capturent des seuils (« au-dessus de 38 °C à la floraison, le rendement chute »).
  4. 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]

Illustration : Calendrier cultural
Semis et récoltes par zone.
Illustration : Satellites et NDVI
Suivre la végétation.
Illustration : Conseil d'arrosage
Un premier modèle.
Illustration : Retour au portail
Toutes les pages IA.

Notes et références[modifier | modifier le wikicode]