L’agriculture a d’importants besoin en matière d’irrigation. Le sud de l’Espagne en est l’un des grands exemples en Europe avec chaque année des sécheresses, problèmes et débats liés à l’utilisation et au gaspillage de l’eau. Un groupe de chercheurs de l’Université de Cordoba, en Espagne, a mis au point un modèle basé sur des algorithmes d’intelligence artificielle et des réseaux de neurones pour mieux planifier et prédire la consommation d’eau par le secteur.
Nous l’évoquions dans notre dossier spécial sur l’impact de l’intelligence artificielle dans l’agriculture, ce secteur pourrait bénéficier de façon importante des innovations technologiques actuelles. En matière de ressources, les observateurs indiquent que 70% de l’eau consommée dans le monde l’est par l’agriculture. Les prévisions face au changement climatique ont tendance à faire augmenter ce chiffre pour les années à venir. C’est sur cette base que l’équipe de Rafael González a développé un modèle prédictif spécifique à la demande d’eau. L’étude intitulée Prediction of applied irrigation depths at farm level using artificial intelligence techniques menée au sein du département d’agronomie de l’université de Cordoba a été publiée dans la revue Agricultural Water Management et est disponible en ligne.
“La demande en eau pour l’irrigation est très variable et dépend du comportement des agriculteurs, ce qui affecte la performance des réseaux d’irrigation. L’intensité d’irrigation appliquée à chaque exploitation dépend également du comportement des agriculteurs et est affectée par des variables précises et imprécises.
Dans ce travail de recherche, une méthodologie hybride combinant les réseaux de neurones artificiels, la logique floue et les algorithmes génétiques a été développée pour modéliser le comportement des agriculteurs et prévoir l’intensité d’irrigation quotidienne utilisée par chaque agriculteur. Les modèles ont été testés dans une véritable structure d’irrigation située dans le sud-ouest de l’Espagne.
Trois modèles optimaux pour les principales cultures dans la structure d’irrigation ont été obtenus. La représentabilité (R2) et l’exactitude des prédictions (prédiction d’erreur type, SEP) étaient de 0,72, 0,87 et 0,72; et 22,20%, 9,80% et 23,42% pour les modèles de cultures de riz, de maïs et de tomate, respectivement.”
Les chercheurs se sont basés sur les données des installations de contrôle du Canal del Zújar dans le sud de la péninsule ibérique. Comme l’indique Rafael González à La Vanguardia :
“Ce qui est innovant dans ce modèle c’est l’application de techniques d’intelligence artificielle telles que la logique floue, un système utilisé pour expliquer le comportement décisionnel qui, dans ce cas, mélange des variables plus faciles à mesurer telles que les données agroclimatiques ou la taille de la parcelle d’irrigation; avec d’autres variables plus complexes telles que les pratiques traditionnelles dans la région ou les vacances pendant la saison d’irrigation […]
En appliquant des algorithmes génétiques, on établit les courbes optimales de ces paramètres d’entrée et, grâce aux réseaux de neurones, on établit la relation entre elles. Cela permet d’en extraire une feuille de route concrète concernant l’irrigation, et d’établir combien de millimètres d’eau seront utilisés par chaque irrigateur […]”.
Ce système pourrait permettre de mieux gérer la demande en eau grâce à un outil prédiction et d’éviter le gaspillage. Une meilleure planification des besoins et des opérations de maintenance serait particulièrement utile pour un secteur souvent critiqué pour son utilisation des ressources.
“La possibilité d’anticiper les demandes d’eau permet également l’embauche de personnel et de choisir des contrats d’électricité adaptés pour optimiser également ces ressources et économiser sur les coûts économiques et environnementaux”.
Source : Prediction of applied irrigation depths at farm level using artificial intelligence techniques. González Perea, R, Camacho Poyato, E., Montesinos, P., Rodríguez-Díaz, J.A. Agricultural Water Management (2018).
Pour aller plus loin : consultez notre dossier complet sur l’impact de l’intelligence artificielle sur l’agriculture.
