Accueil▸IA et apprentissage automatique▸Laboratoire de surveillance des cultures par IA

🌾 Laboratoire de surveillance des cultures par IA

Une simulation en étude de cas de surveillance de la santé des cultures par satellite : ajustez le seuil d'alerte de l'indice de végétation et observez combien de zones de champ stressées sont signalées pour inspection.

IA et apprentissage automatique['Canvas 2D', 'Vanilla JS']Étude de cas60 FPS

Étude de cas : transformer des pixels satellite en décisions agricoles

Cette étude de cas simule un système d'agriculture de précision surveillant des terres agricoles à l'aide d'un indice de santé de la végétation dérivé de l'imagerie satellite, proche dans l'esprit du NDVI (indice de végétation par différence normalisée), qui utilise le rapport de réflectance entre le proche infrarouge et la lumière visible pour estimer la santé des plantes. Une canopée de culture saine et dense réfléchit une signature distinctive ; un sol nu, des cultures stressées par la sécheresse ou endommagées par des parasites réfléchissent différemment.

Le système divise une exploitation en une grille de zones, calcule un indice de santé pour chacune, et signale les zones sous un seuil d'alerte pour une inspection sur place. Cela transforme un volume énorme de données satellite, bien plus que ce qu'un agronome pourrait examiner manuellement, en une courte liste priorisée d'emplacements précis à vérifier sur le terrain.

Le seuil est toute la décision opérationnelle. Trop bas, et seules les zones les plus sévèrement stressées sont signalées, manquant des problèmes à un stade précoce qui auraient pu être détectés à moindre coût. Trop haut, et la liste d'inspection explose au-delà de ce que le personnel de terrain peut réalistement parcourir en une semaine, laissant de véritables problèmes non traités parmi un flot de cas marginaux.

Questions fréquentes

Qu'est-ce que le NDVI et pourquoi importe-t-il pour la surveillance des cultures ?

Le NDVI (indice de végétation par différence normalisée) estime la santé des plantes à partir du rapport de réflectance entre le proche infrarouge et la lumière visible capté par imagerie satellite ou drone, car une végétation saine réfléchit cette lumière différemment d'un sol stressé ou nu.

Pourquoi utiliser une grille de zones plutôt que de surveiller tout le champ à la fois ?

Diviser un champ en zones permet à un système de surveillance de localiser les problèmes dans des zones précises et exploitables plutôt que de ne rapporter qu'une seule moyenne à l'échelle de l'exploitation qui pourrait masquer des problèmes locaux graves.

Qu'est-ce qui peut causer une lecture d'indice de végétation faible ?

Les causes courantes incluent le stress hydrique, les dégâts causés par des parasites ou des maladies, une carence en nutriments, et simplement un sol nu où rien n'a encore poussé, chacune nécessitant généralement une réponse différente.

Pourquoi ne pas simplement inspecter chaque zone à faible lecture, quel que soit le seuil ?

L'inspection sur le terrain prend un vrai temps de personnel, donc un seuil bien choisi concentre une capacité d'inspection limitée sur les zones les plus susceptibles de représenter de véritables problèmes exploitables.

À quelle fréquence les données satellite de santé des cultures sont-elles généralement mises à jour ?

Les services courants de surveillance satellite se mettent à jour tous les quelques jours à chaque semaine, selon la couverture nuageuse et la fréquence de repassage du satellite, permettant aux exploitations de suivre l'évolution de la santé des champs sur une saison de culture.

⚙ Sous le capot

Une grille de 20x20 zones de champ est générée avec un indice de végétation sain de base, plus une zone de stress simulée corrélée spatialement (imitant une zone de sécheresse ou de dégâts de parasites localisée) et un bruit par zone. Le curseur de seuil recalcule en direct quelles zones passent sous le seuil d'alerte, et indique le nombre de zones signalées, la superficie signalée estimée, et la santé moyenne du champ sur toute la grille.

precision-agriculturesatellite-imagerycase-study

Canvas 2D · vanilla JavaScript · 60 FPS target · runs fully client-side, no install