Capteurs enterrés et intelligence artificielle : prédire l’humidité du sol près des racines à 5 % (95.49 % du temps)

Des chercheurs indiquent que des capteurs enterrés combinés à de l’intelligence artificielle peuvent anticiper l’humidité du sol au plus près des racines avec une marge de 5 % par rapport aux mesures, et ce 95.49 % du temps.

Cette avancée rapproche la gestion de l’irrigation des conditions invisibles qui déterminent réellement le moment où les cultures commencent à manquer d’eau.

Signaux d’alerte sous terre

Sur une parcelle d’essai d’environ 93 m², cinq sondes enfouies ont enregistré les variations d’humidité là où les racines des cultures prélèvent l’eau.

À partir de ces relevés, Shamala Maniam et ses collègues de Multimedia University (MMU) ont montré que l’ensemble pouvait suivre l’évolution du milieu souterrain avec une régularité remarquable.

Comme les mesures provenaient de 15 cm et 30 cm sous la surface, la prédiction décrivait surtout la zone la plus liée au stress hydrique des plantes, plutôt que la seule sécheresse en surface.

Le niveau de performance est suffisant pour affiner les décisions d’arrosage, même si ce qui se passe sous terre reste plus difficile à suivre lorsque la météo change brutalement.

Pourquoi la profondeur compte

Un sol de surface peut paraître sec alors que les couches plus profondes continuent d’alimenter la plante, ou devenir humide après une pluie tandis que les racines, elles, manquent toujours d’eau.

L’humidité au niveau des racines est déterminante, car la majorité des stress des cultures démarre là où l’absorption se produit, à plusieurs centimètres sous le niveau du sol.

L’agriculture représente déjà environ 70 % des prélèvements mondiaux d’eau douce ; une irrigation mal calée se transforme donc rapidement en gaspillage à grande échelle.

Mieux connaître l’état en profondeur ne crée pas d’eau supplémentaire, mais cela peut aider les exploitations à en appliquer moins au mauvais moment.

Comment le champ a “écouté”

Sur une parcelle de cacaoyers à Perak, un État de l’ouest de la Malaisie, l’équipe a disposé les sondes à environ 3 m les unes des autres.

Chaque appareil prélevait des données de sol toutes les dix minutes, tandis que des instruments proches enregistraient la pluie, la température de l’air, l’humidité et l’ensoleillement toutes les 30 minutes.

Des panneaux solaires assuraient l’alimentation du réseau, et une architecture simple en étoile faisait transiter les mesures via une sonde centrale avant l’envoi vers le cloud.

Les données manquantes ou irrégulières étaient un point critique : un logiciel fondé sur la chronologie apprend à partir de l’ordre des événements, et des séquences “cassées” dégradent rapidement la qualité d’une prévision.

Apprendre le rythme

Pour transformer ces mesures en prévisions, l’équipe a utilisé des réseaux LSTM (long short-term memory), une forme d’intelligence artificielle conçue pour traiter des séries ordonnées.

Plutôt que d’évaluer chaque point isolément, le modèle a appris la façon dont l’humidité récente, la pluie, la chaleur, l’humidité de l’air et l’ensoleillement évoluaient généralement ensemble.

Comme la pluie, l’évaporation et l’absorption par les racines produisent souvent des effets avec plusieurs heures de décalage, le système pouvait repérer ces impacts différés au lieu de ne saisir que les changements immédiats.

Concrètement, l’outil fonctionnait moins comme un interrupteur que comme une estimation continue indiquant quand le sol risquait de devenir plus humide ou plus sec.

Quand la pluie casse les schémas

Les difficultés apparaissaient lors de pluies intenses : l’humidité augmentait alors très vite, par à-coups irréguliers, sans ressembler aux dynamiques plus stables observées la plupart du temps.

Ces hausses rares éloignaient davantage le modèle initial de la courbe mesurée, même s’il se montrait performant pendant les périodes plus calmes.

Une règle d’entraînement modifiée, appelée perte de Huber (Huber loss), a réduit l’effet de quelques erreurs extrêmes et a légèrement amélioré l’alignement entre les prédictions et les conditions réelles.

Malgré cet ajustement, les épisodes de pluie soudaine mettaient encore en évidence des limites : la prévision pouvait décrocher lorsque le sol changeait trop rapidement.

Ce que signifie la précision en pratique

Le chiffre mis en avant ne veut pas dire que le système reproduisait avec la même finesse chaque petite hausse ou baisse de l’humidité du sol.

Il indique plutôt que, la plupart du temps, les prédictions restaient suffisamment proches des relevés pour orienter le moment d’arroser et les volumes à apporter.

Une métrique plus exigeante montrait que le modèle n’expliquait qu’une partie de la variabilité naturelle observée sur la parcelle.

En termes opérationnels, l’ensemble s’est révélé pertinent pour la décision, même sans être parfaitement exact à chaque instant.

Des conseils avant l’automatisation

Malgré l’étiquette “intelligente”, la maquette testée n’a pas déclenché automatiquement des pompes ou des vannes pendant l’essai.

Elle collectait les données, prédisait les évolutions à court terme de l’humidité, puis transmettait ces informations à un tableau de bord destiné à guider les choix d’arrosage d’un opérateur.

D’autres travaux montrent déjà que ce type d’aide à la planification, basé sur des capteurs, peut réduire les excès d’apport et limiter le stress des plantes.

Pour les exploitations, cette frontière est importante : l’aide à la décision est plus simple à adopter dès maintenant, tandis que l’automatisation complète exige davantage de matériel et de confiance.

Passer d’une parcelle à plus grand

Les limites tenaient aussi au dispositif lui-même : l’essai ne couvrait qu’environ 93 m² et restait cantonné à un seul contexte de plantation.

Cinq sondes suffisaient pour cette surface compacte, mais des exploitations plus vastes ou plus hétérogènes auraient besoin de davantage de points de mesure.

Un maillage de relais pourrait également devenir nécessaire, car l’étude reposait sur une connexion en étoile, généralement la plus adaptée à des distances courtes.

Ces contraintes n’annulent pas le résultat, mais elles expliquent pourquoi l’équipe souhaite désormais des essais plus longs et sur des champs plus étendus.

Au-delà du bon moment pour arroser

Des observations sur davantage de saisons permettront de vérifier si le modèle reste fiable pendant des périodes plus sèches et lors de séquences humides plus extrêmes.

Un déploiement plus large dira aussi dans quelle mesure une même prévision s’adapte à des sols très différents au sein d’une même exploitation.

Le matériel peut par ailleurs accueillir d’autres capteurs, ce qui pourrait relier les données d’eau à l’usage d’engrais et à la nutrition des plantes.

Avec le temps, cet ensemble plus riche ferait évoluer l’outil, d’une simple aide à l’irrigation vers un système plus complet d’aide à la décision agricole.

De la parcelle à la pratique

Dans cet essai, l’association de capteurs enterrés et d’un logiciel attentif au temps a fonctionné parce qu’elle visait l’humidité réellement “vue” par les racines, plutôt qu’un indicateur approximatif en surface.

Si les prochains tests confirment ces résultats sur plusieurs saisons et sur des exploitations plus grandes, l’irrigation pourrait gagner en précision, réduire le gaspillage et devenir plus facile à planifier.