Surveillance phytosanitaire des cultures de pommes de terre à l’aide de la télédétection par aéronef sans pilote
Bibliographic record
Abstract
La pomme de terre est la culture agricole qui est victime du plus grand nombre de maladies et de ravageurs pouvant ainsi causer des dégâts de rendements relativement importants. La télédétection en agriculture permet de spatialiser ces stress par la correspondance entre les caractéristiques biophysiques de la végétation et les propriétés optiques des images. Les aéronefs sans pilote (ASP) constituent des plateformes de plus en plus répandues permettant l’acquisition d’imagerie aérienne à très hautes résolutions spatiale et temporelle. L’objectif général du projet visait à développer un outil d’aide à la surveillance phytosanitaire de cultures de pomme de terre, économique, opérationnel sur le terrain et basé sur la télédétection, en appui aux méthodes traditionnelles de dépistage. Les objectifs spécifiques suivants étaient visés : automatiser une chaîne de traitement d’imagerie pour l’agriculture, acquise à partir d’un aéronef sans pilote ; appliquer des indices basés sur l’imagerie visible proche infrarouge et infrarouge thermique pour la détection de stress dans la culture de la pomme de terre ; développer un outil d’aide à la décision en appui aux méthodes de dépistage actuelles ; évaluer le potentiel des ASP pour le suivi des cultures de pommes de terre. Le projet s’est déroulé en deux phases et sur deux sites d’études au Québec, en Montérégie et au Saguenay-Lac-Saint-Jean. La première année, des corrélations entre les mesures des paramètres biophysiques et les valeurs spectrales de l’imagerie ont permis d’établir une estimation de la biomasse humide à partir de l’indice de végétation MSAVI 2 avec un coefficient de détermination de 0,81. Une fois la relation végétation/imagerie établie, des cartes zonales de ravageurs, maladies et problèmes de développement pour les dépistages ont pu être réalisées la seconde année. Les classifications supervisées des zones de maladies ont été validées à 100 %, celles des ravageurs à 89,5 % et celles des problèmes de développement à 81 %. Enfin, une analyse technico-économique a été effectuée pour évaluer l’utilisation des ASP dans le domaine agricole et comparer l’utilisation d’un tel outil d’aide à la décision par rapport à d’autres types d’imagerie multispectrale (satellite, aérienne). Les coûts de production de cartes de dépistage par ASP sont actuellement beaucoup plus importants que par les autres moyens d’acquisition. Cependant, la croissance du nombre d’entreprises d’opérations et de services par ASP aura vraisemblablement comme conséquence de faire diminuer les coûts de vols dans les prochaines années. De plus, la très haute résolution spatiale et la rapidité de mise en place constituent des avantages techniques qui jouent en faveur de l’emploi des ASP en agriculture. Un projet comme celui-ci illustre l’utilité des ASP en télédétection agricole mais également les nombreuses problématiques à résoudre pour obtenir un produit livrable à l’agriculteur en concordance avec ses besoins techniques et financiers dans une optique de préservation de l’environnement. Du vol de l’ASP jusqu’au traitement de l’imagerie, en passant par l’intégration des capteurs, les défis à relever sont nombreux. Cependant, la ferveur actuelle pour ces technologies est telle que les avancées technologiques dans le domaine sont très rapides. On peut imaginer qu’à l’échelle mondiale, l’utilisation des ASP en agriculture pourrait faire diminuer les quantités d’intrants agricoles tout en augmentant les rendements des cultures.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".