Le contrôle du climat est généralement basé sur des mesures de ce qui se produit et de ce qui s'est produit, puis sur une réaction en conséquence. Toutefois, de nos jours, les agriculteurs cherchent de plus en plus à se faire une idée des scénarios futurs probables afin de pouvoir réagir avec prévoyance. L'analyse des données pourrait apporter une contribution précieuse à leurs efforts.
LetsGrow.com est une entreprise qui est à la fois active et très impliquée dans les applications pratiques des données. De nombreux cultivateurs connaissent leur plate-forme de comparaison des données climatiques et d'autres données relatives à l'enregistrement des entreprises. Il est indéniable que cette offre a joué un rôle majeur dans son succès. Cependant, au fil du temps, LetsGrow.com s'est orienté vers des solutions de culture basées sur les données.
Les cultivateurs sont devenus tout à fait capables de comprendre pourquoi leur culture réagit visiblement de telle ou telle manière, et de réagir en conséquence. Grâce à la saisie de grandes quantités de données, les conseillers agricoles et les cultivateurs se sont demandés s'ils pouvaient également calculer de manière prédictive les réactions de leurs cultures.
Comment les configurations actuelles des serres, combinées aux conditions climatiques extérieures prévues, affecteront-elles la plante en ce qui concerne, par exemple, la production, les risques de maladies fongiques, la gestion de l'énergie ou l'influence des différences de température à l'intérieur de la serre ? Comment pourrais-je mieux adapter les paramètres climatiques et l'irrigation au développement de la culture et aux besoins de la plante ?
Les producteurs préfèrent vérifier d'emblée quelle option offre des résultats optimaux et quelles configurations sont nécessaires pour atteindre le résultat souhaité. Les programmes Excel courants, lorsqu'ils tentent de traiter les énormes quantités de données disponibles, ne parviennent pas à découvrir véritablement ce qui est du domaine du possible.
Modèles de cultures
Des modèles physiologiques de plantes bien conçus et explicatifs sont indispensables pour une culture prédictive et basée sur des données. Cela permet à LetsGrow.com de tirer parti des fondements de sa conception : fournir aux cultivateurs des modèles de plantes développés par la WUR. Il s'agit d'une décision délibérée d'enseigner aux physiologistes des plantes des compétences en matière de données plutôt que de laisser les spécialistes des données s'occuper des applications horticoles.
Peter Hendriks explique les raisons de cette décision : "Bien qu'il soit possible d'empiler toutes les données disponibles et de commencer à en tirer des conclusions, on risque de commettre des erreurs massives. Les connaissances requises en matière d'horticulture et de physiologie végétale ne sont pas faciles à acquérir. Avant de pouvoir cultiver efficacement en s'appuyant sur des données, il faut très bien comprendre les processus qui se déroulent à l'intérieur de la serre et la physiologie végétale en jeu". Bien entendu, des mathématiciens et des scientifiques spécialisés dans les données travaillent en arrière-plan pour traiter efficacement les données.
Des données précieuses
La quantité de données disponibles est égale à la quantité de données disponibles pour l'analyse. Hendriks : "Je vous invite donc à ne pas vous précipiter en pensant que ces données ne sont pas utiles pour l'instant. Sauvegardez tout. Vous devriez voir les analyses étonnantes que nous sommes en mesure d'effectuer sur la base des données d'enregistrement des entreprises qui ont été saisies pendant cinq ans ou plus. Des données que les producteurs n'ont jamais utilisées auparavant, parce qu'ils ne comprenaient pas encore très bien leur potentiel.
La sophistication des données contribue grandement à la fiabilité des analyses. Il vaut donc la peine d'envisager d'augmenter la fréquence de comptage des réglages et des grosseurs si, par exemple, vous ne le faites qu'une fois par semaine pour obtenir une indication générale.
Il y a encore beaucoup de choses à enregistrer et à calculer, mais le résultat dépend en grande partie de la précision des données disponibles. Seules des données exactes peuvent être analysées efficacement et donner lieu à des conclusions fiables. "Ne calibrez donc pas vos capteurs et équipements de mesure dans le seul but de réguler directement le climat. Un étalonnage incorrect entraîne également la perte de données précieuses pour une analyse ultérieure. Si vous ne faites pas attention, vous continuerez toujours, quoi que vous fassiez, à apporter avec vous ces erreurs dans vos données".
Au lieu de faire aveuglément confiance aux conseils générés par l'ordinateur sur la base d'analyses de données, il est bon de se rendre compte que tous les changements dans les données nous racontent une histoire. "Lorsque quelque chose sort vraiment de l'ordinaire, il y a généralement une raison très logique à cela. Dans le cadre d'une analyse de données, il est essentiel de trouver d'abord cette raison, faute de quoi vous risquez de tirer des conclusions erronées à partir de ces données. En d'autres termes, un événement extérieur pourrait-il offrir une explication valable, par exemple des dégâts causés par une tempête ou une épidémie ?
Équilibre
Les analyses de données sont un complément bienvenu aux connaissances de l'homme en matière de culture. Chaque cultivateur a ses "pouces verts" et sa propre interprétation des données de culture, qu'il applique pour réguler le climat de la serre. Cependant, les grandes entreprises, tout comme les cultivateurs qui travaillent ensemble au sein d'une association, sont régulièrement confrontés à des différences de rendement ou de position de la culture entre les sites de culture, qui ne peuvent être expliquées par un simple échange d'opinions.
LetsGrow.com constate que les différences de production entre les sites de culture peuvent être expliquées par des analyses de données, même au niveau de l'utilisation des écrans, du positionnement des fenêtres ou de l'utilisation d'autres équipements de culture. Il est possible de retracer les raisons de ces différences.
Une analyse qui s'est avérée très utile est l'optimisation du rapport lumière-température à l'aide des données climatiques du cultivateur. La représentation graphique de la température moyenne journalière sur 24 heures et de la somme de lumière a permis d'établir une base solide pour comprendre l'équilibre de la plante. Le modèle développé pour l'efficacité de l'utilisation de la lumière par les cultures (LUE, en grammes de production par mégajoule de somme de rayonnement) tente de trouver la combinaison idéale (et l'équilibre) entre la lumière, l'humidité, la température et le CO2. Il prend également en considération le fait que la quantité de lumière de la semaine 21, par exemple, n'est pas en corrélation avec la production de la semaine 21, mais qu'elle a un effet différé sur la production.
L'étendue de l'utilisation de la lumière dans les entreprises montre qu'il est possible d'améliorer l'utilisation de la lumière. En identifiant et en éliminant le facteur limitant ayant l'effet le plus négatif sur l'efficacité de l'utilisation de la lumière, de nombreux producteurs sont parvenus à augmenter leur production de plusieurs pour cent. Parfois, il n'y a pas de facteur limitant et il peut s'avérer qu'une plus grande disponibilité de la lumière offre le potentiel d'une charge végétale et d'une production encore plus élevées.
LetsGrow.com traduit les conclusions des analyses de données en actions que les cultivateurs peuvent entreprendre. Hendriks : "Seulement, nous ne prenons pas ces mesures à leur place. Nous indiquons simplement au cultivateur s'il suit toujours la ligne "idéale" et ce qu'il aurait pu faire. Nous n'avons pas l'intention de remplacer le cultivateur, mais plutôt de veiller à ce qu'il soit en mesure d'améliorer sa prise de décision ou de gérer une plus grande surface de serre." Outre l'aide à la prise de décision, certains aspects de la culture sont déjà prêts à être automatisés. "Le fait de devoir modifier les paramètres climatiques plusieurs fois par jour sur l'ordinateur climatique ne devrait plus exister dans le monde d'aujourd'hui.
Capteurs
Les capteurs capables de détecter des changements invisibles à l'œil humain, immédiatement ou à un stade ultérieur, permettent d'améliorer la prise de décision en matière de culture. Le nombre de capteurs arrivant sur le marché a considérablement augmenté, notamment les débitmètres de jus, les compteurs de température des fruits, les radiamètres, les caméras thermiques et les robots mobiles de comptage de fruits.
Les capteurs sans fil en particulier, qui fournissent de multiples points de mesure dans la serre, contribuent à une meilleure compréhension. Un producteur a pu expliquer, grâce à l'analyse des données, pourquoi le côté de la façade de la serre donnait systématiquement plus de rendement que la même rangée de cultures située plus près de la voie centrale. Il est même allé jusqu'à adapter la structure architecturale de sa serre, car cela lui permettait d'obtenir un équilibre optimal adapté à la situation spécifique de son entreprise.
Hendriks : "La technologie vient à vous. Il y a tellement de capteurs supplémentaires qui viennent vers vous, et avec les données supplémentaires qu'ils capturent, il devient impossible de garder une vue d'ensemble. Notre vision est de créer de la valeur à partir de toutes ces données. En passant de l'approche habituelle qui consiste à mesurer et à réagir à celle qui consiste à anticiper et à agir de manière préventive. Pour maintenir une ligne durable qui assure l'équilibre de votre culture, plutôt que de penser : "Oh non, quelque chose ne va pas !" et d'être contraint de corriger soudainement. La question "que dois-je faire ensuite ?" découle finalement d'un "je vois quelque chose se produire dans mes données" préventif plutôt que d'une réponse tardive à "je vois quelque chose se produire dans ma culture".
Intelligence artificielle
Dès qu'il est question d'analyse de données, les producteurs entendent souvent des termes à la mode tels que l'intelligence artificielle (IA) et les systèmes de données à apprentissage automatique (Machine Learning). Bien qu'ils se rendent compte que les ordinateurs sont capables de créer de nombreuses analyses par eux-mêmes, et que leurs résultats sont devenus de plus en plus précis avec le temps, il n'en reste pas moins que la signification réelle de ces termes technologiques n'est pas toujours claire.
Hendriks tente de l'expliquer : "Les modèles traditionnels sont programmés sur la base de résultats de recherche couvrant plusieurs années et d'enregistrements dans un programme informatique. Par exemple : si la température de ma serre augmente d'un degré, que se passera-t-il avec le taux de maturation ? Le programme peut ainsi calculer les conséquences, ce qui permet de prédire les conditions de culture actuelles ou prévues.
"L'apprentissage automatique, qui fait partie du domaine plus large de l'intelligence artificielle, nécessite l'introduction dans un ordinateur de résultats (tels que les rendements en kilogrammes ou les réactions des cultures) du passé, combinés avec les données climatiques de la même période. L'ordinateur analyse et détermine ses propres interrelations et les utilise pour créer son propre programme prédictif. C'est un moyen beaucoup plus rapide et très précis de prédire les effets de nouvelles actions".
Source : Groenten & Fruit Groenten & Fruit | Auteur : Peter Visser
