Étude comparative : applications et logiciels d'intelligence artificielle développés spécifiquement pour soutenir l'agriculture dans le monde : caractéristiques et défis

Article de recherche pour la Conférence internationale sur l'intelligence artificielle dans les systèmes agroalimentaires

Auteur : Dr Aladdin Ali · Fondateur et Directeur général, Aladdin International · Développeur d'Aladdin Agri AI · Intelligence artificielle agricole gouvernée en 10 langues · Juin 2026

Type d'article : Recherche universitaire approfondie Public visé : Agriculteurs, ingénieurs agronomes, conseillers en vulgarisation agricole, responsables des politiques, chercheurs et professionnels du développement Portée géographique : Mondiale Niveau de langue : Français scientifique professionnel, assorti d'explications accessibles aux acteurs du secteur agricole

Résumé

La présente étude a pour objet de recenser, de classer et d'évaluer de manière comparative les applications et plateformes logicielles d'intelligence artificielle conçues pour soutenir l'agriculture dans le monde. À l'aide d'une méthode de revue systématique de la littérature combinée à une analyse comparative de cas, plus de 150 sources ont été examinées, et les applications ont été regroupées en quatorze catégories fonctionnelles : gestion des cultures, détection des maladies, prévision du rendement, surveillance des sols, désherbage, récolte autonome, irrigation de précision, gestion de l'élevage, aquaculture, conseil agricole, agriculture intelligente face au climat, optimisation de la chaîne d'approvisionnement et sécurité sanitaire des aliments. Les résultats montrent que les systèmes d'intelligence artificielle obtiennent des gains mesurables tout au long de la chaîne de valeur agricole. Parmi les résultats rapportés figurent une exactitude de détection des maladies pouvant atteindre 93,1 %, une exactitude d'identification des adventices de 97 %, un coefficient de détermination (R²) de 0,92 pour la prévision du rendement, ainsi que des réductions pouvant atteindre 30 % de la consommation d'eau, d'engrais et du temps de transport. Parmi les obstacles à une adoption à grande échelle figurent les coûts élevés, l'insuffisance des infrastructures, les connaissances techniques limitées, les problèmes de qualité des données et les contraintes d'interopérabilité. L'étude formule des recommandations pratiques à l'intention des agriculteurs, des agro-entreprises, des développeurs de technologies, des chercheurs et des responsables des politiques, et examine les questions de recherche qui demeurent ouvertes dans ce domaine. L'un des chapitres de l'article présente une plateforme intégrée fondée sur la gouvernance, conçue en prenant les besoins du petit agriculteur comme référence par défaut, et proposée par le web, les appareils mobiles et les ordinateurs de bureau en dix langues.

Mots-clés : intelligence artificielle, agriculture de précision, applications d'intelligence artificielle agricole, apprentissage automatique, apprentissage profond, robotique agricole, systèmes d'aide à la décision, agriculture durable, sécurité sanitaire des aliments, agriculture intelligente, petits agriculteurs

Table des matières

Volume I : fondements de l'intelligence artificielle dans l'agriculture mondiale

1. Introduction : la transformation de l'intelligence artificielle dans la technologie agricole
2. Méthodologie de recherche et cadre comparatif
3. Classification des applications d'intelligence artificielle agricole

Volume II : étude intégrale des applications d'intelligence artificielle agricole

1. Une plateforme intégrée fondée sur la gouvernance : Aladdin Agri AI
2. Systèmes de gestion des cultures et de production
3. Détection des maladies des cultures et applications de santé végétale
4. Systèmes de prévision du rendement et de la récolte
5. Surveillance des sols et applications de gestion des nutriments
6. Désherbage et systèmes de lutte robotisée
7. Récolte autonome et systèmes robotiques
8. Irrigation de précision et systèmes de gestion de l'eau
9. Gestion de l'élevage et surveillance de la santé animale
10. Aquaculture et applications de gestion des pêches
11. Conseil agricole et systèmes d'aide à la décision
12. Agriculture intelligente face au climat et outils de durabilité
13. Optimisation de la chaîne d'approvisionnement et applications post-récolte
14. Sécurité sanitaire des aliments et applications de contrôle de la qualité

Volume III : analyse intégrée et orientations futures

1. Sources internationales, jeux de données et institutions de recherche
2. Caractéristiques et avantages selon les catégories d'application
3. Défis de la mise en œuvre
4. Recommandations stratégiques
5. Conclusion et trajectoires futures

Volume IV : documents d'appui

1. Références
2. Annexes

• Déclarations et mentions (conflit d'intérêts, financement, disponibilité des données, éthique)

Volume I : fondements de l'intelligence artificielle dans l'agriculture mondiale

Chapitre 1 : introduction : la transformation de l'intelligence artificielle dans la technologie agricole

1.1 L'impératif agricole mondial

L'agriculture mondiale se trouve à un tournant décisif, confrontée à des pressions sans précédent venant de multiples directions. Les Nations unies prévoient une population mondiale de 10 milliards de personnes d'ici 2050, ce qui exige d'augmenter la production alimentaire de 70 %. Dans le même temps, les pratiques agricoles traditionnelles, qui reposent sur une prise de décision empirique, des opérations manuelles à forte intensité de main-d'œuvre et une affectation fixe des ressources, sont devenues de moins en moins tenables. Ces pratiques souffrent d'une faible efficacité d'utilisation des ressources, de pertes post-récolte élevées et d'une capacité limitée à s'adapter aux conditions changeantes du terrain.

Le changement climatique aggrave ces pressions, avec des phénomènes météorologiques extrêmes de plus en plus fréquents et intenses. La pénurie d'eau touche les régions agricoles du monde entier, tandis que la dégradation des sols réduit la capacité productive. La pénurie de main-d'œuvre, en particulier dans les pays développés, impose des contraintes supplémentaires à la production. Dans ce contexte, l'intelligence artificielle s'est imposée comme un moteur central de la numérisation et de l'intelligence agricoles.

1.2 L'émergence de l'intelligence artificielle dans l'agriculture

À la fin du XXe siècle, avec l'intégration de technologies de pointe comme le système de positionnement mondial (GPS), les capteurs et la robotique, la prise de décision fondée sur les données, la gestion avancée des cultures, l'utilisation optimisée des ressources et l'intégration de systèmes pilotés par l'intelligence artificielle dans la détection des ravageurs ont rendu possible le passage à l'agriculture de précision. Aujourd'hui, l'intégration profonde de l'intelligence artificielle constitue un moteur essentiel de la numérisation et de l'intelligence dans l'ingénierie agricole et alimentaire, car elle accroît l'efficacité de la production, optimise les ressources et améliore la qualité des produits.

L'intelligence artificielle recèle un grand potentiel pour développer des technologies agricoles intelligentes de haute précision et à faible coût, propres à répondre à la demande croissante de production agricole à haut rendement dans le monde. Les technologies d'intelligence artificielle en agriculture devraient figurer parmi les sujets de recherche agricole les plus importants du présent et de l'avenir, car elles apportent des contributions substantielles à la durabilité par la surveillance des conditions dans les exploitations, l'amélioration de l'aide à la décision, la protection des sols, l'économie d'eau, la limitation des émissions de carbone, la réduction de l'utilisation des gaz à effet de serre, l'augmentation de la productivité, la facilitation et l'amélioration des opérations agricoles, ainsi que le développement de diverses solutions aux problèmes en suspens.

1.3 La prolifération des applications d'intelligence artificielle

La portée des applications d'intelligence artificielle en agriculture s'est considérablement élargie ces dernières années. De la surveillance des cultures et de la détection des maladies jusqu'à la récolte autonome et à l'optimisation de la chaîne d'approvisionnement, les technologies d'intelligence artificielle sont déployées tout au long de la chaîne de valeur agricole. Le présent article propose une étude intégrale et une analyse comparative des principales applications et plateformes logicielles d'intelligence artificielle développées spécifiquement pour un usage agricole dans le monde.

La recherche s'attache à recenser, à classer et à évaluer les caractéristiques, les capacités et les défis de mise en œuvre de ces technologies. L'analyse porte sur les plateformes de gestion des exploitations, les systèmes de détection des maladies, les outils de prévision du rendement, les applications de surveillance des sols, les robots de désherbage, les systèmes de récolte autonome, les technologies d'irrigation de précision, les plateformes de gestion de l'élevage, les systèmes d'aquaculture, les agents conversationnels de conseil, les outils intelligents face au climat, les systèmes d'optimisation de la chaîne d'approvisionnement et les applications de sécurité sanitaire des aliments.

1.4 Objectifs et portée

La présente étude se propose de :

1. Recenser les principales applications et plateformes logicielles d'intelligence artificielle développées spécifiquement pour un usage agricole dans le monde.
2. Classer ces applications selon la fonction agricole et l'approche technique.
3. Évaluer les caractéristiques, les capacités et les points de référence de performance des systèmes de premier plan.
4. Comparer les technologies au sein de chaque catégorie d'application.
5. Analyser les défis et les obstacles à l'adoption.
6. Formuler des recommandations stratégiques à l'intention des agriculteurs, des agro-entreprises et des responsables des politiques.

1.5 Structure de l'article

Le présent article s'organise en quatre volumes. Le Volume I établit les fondements de l'intelligence artificielle dans l'agriculture mondiale. Le Volume II propose une étude intégrale des applications d'intelligence artificielle agricole pour quatorze catégories fonctionnelles. Le Volume III présente une analyse intégrée et les orientations futures. Le Volume IV contient des documents d'appui, dont les références et les annexes.

Chapitre 2 : méthodologie de recherche et cadre comparatif

2.1 Démarche de recherche

La présente étude met en œuvre une méthodologie de revue systématique de la littérature combinée à une analyse comparative de cas. La recherche a suivi quatre phases.

Phase 1 : recensement. Une recherche exhaustive dans les bases de données universitaires (Web of Science, Scopus, Google Scholar, IEEE Xplore) et dans les sources sectorielles a été menée à l'aide de chaînes de recherche relatives aux applications d'intelligence artificielle en agriculture, à l'agriculture de précision, à la robotique agricole, à l'apprentissage automatique dans la gestion des cultures et à des sujets connexes.

Phase 2 : présélection. Les titres, résumés et synopsis ont été présélectionnés selon leur pertinence pour les applications d'intelligence artificielle développées spécifiquement pour un usage agricole. Des produits en cours de développement, des prototypes de recherche et des systèmes déployés commercialement ont été inclus.

Phase 3 : inclusion. Le corpus final comprend plus de 150 documents, parmi lesquels des articles évalués par les pairs, des spécifications techniques, de la documentation de produits, des études de cas et des rapports sectoriels.

Phase 4 : synthèse. Les éléments probants ont été extraits, classés par domaine d'application et synthétisés selon des méthodes narratives adaptées à l'analyse comparative.

2.2 Catégories de sources

Les sources principales comprennent :

Recherche universitaire : Des revues à comité de lecture, dont Precision Agriculture, Computers and Electronics in Agriculture, Biosystems Engineering, Field Crops Research, ainsi que des actes de conférences de l'IEEE, de l'ASABE et d'autres sociétés savantes.

Sources sectorielles et commerciales : De la documentation de produits, des sites web d'entreprises, des spécifications techniques, des demandes de brevet et des rapports sectoriels d'entreprises de technologie agricole du monde entier.

Rapports d'organisations internationales : Des publications de l'Organisation des Nations unies pour l'alimentation et l'agriculture (FAO), de la Banque mondiale, de l'Institut international de recherche sur les politiques alimentaires (IFPRI), du Groupe consultatif pour la recherche agricole internationale (CGIAR) et d'autres institutions internationales de recherche agricole.

Plateformes à code source ouvert : Des dépôts GitHub et de la documentation de projets d'intelligence artificielle agricole à code source ouvert.

2.3 Cadre comparatif

Chaque catégorie d'application est analysée selon un ensemble cohérent de dimensions :

• Technologie centrale : Les approches d'intelligence artificielle et d'apprentissage automatique employées (réseaux de neurones convolutifs, grands modèles de langage, apprentissage par renforcement, entre autres).
• Caractéristiques principales : Fonctions et capacités centrales.
• Mesures de performance : Exactitude rapportée, gains d'efficacité et autres mesures quantitatives.
• Contexte de déploiement : Échelle, géographie et base d'utilisateurs visée.
• Capacités d'intégration : Interopérabilité avec d'autres systèmes.
• Structure des coûts : Modèles de tarification et accessibilité financière.
• Défis : Obstacles et limites de la mise en œuvre.

2.4 Limites

La présente étude reconnaît certaines limites : le rythme rapide du développement de l'intelligence artificielle implique que certains systèmes évoluent vite ; les systèmes commerciaux peuvent ne pas divulguer publiquement l'ensemble de leurs spécifications techniques ; les mesures de performance peuvent être rapportées dans des conditions idéales non reproductibles dans tous les environnements.

Chapitre 3 : classification des applications d'intelligence artificielle agricole

3.1 Taxonomie de l'intelligence artificielle agricole

Sur la base de la revue intégrale, les applications d'intelligence artificielle agricole peuvent être classées dans les catégories suivantes :

Systèmes de gestion des cultures et de production :

• Systèmes d'information de gestion des exploitations (FMIS)
• Plateformes d'informatique en nuage agricole intelligente
• Conseillers agronomiques multilingues

Détection des maladies des cultures et santé végétale :

• Applications de détection des maladies sur appareils mobiles
• Grands modèles multimodaux pour le diagnostic des ravageurs
• Systèmes de vision par ordinateur pour l'analyse foliaire

Prévision du rendement et de la récolte :

• Modèles d'apprentissage automatique pour l'estimation du rendement
• Systèmes d'agriculture de précision à modules multiples
• Analyse des zones de stabilité avec apprentissage automatique interprétable

Surveillance des sols et gestion des nutriments :

• Réseaux de capteurs de l'Internet des objets pour les paramètres du sol
• Analyse de la fertilité fondée sur l'intelligence artificielle
• Aide à la décision pour la gestion intégrée des nutriments

Désherbage et lutte robotisée :

• Détection des adventices fondée sur l'apprentissage profond
• Robots de désherbage autonomes (mécaniques et laser)
• Technologies de pulvérisation de précision

Récolte autonome et robotique :

• Robots de récolte des fruits et légumes
• Vision par intelligence artificielle pour la détection de la maturité
• Manutention post-récolte automatisée

Irrigation de précision et gestion de l'eau :

• Programmation de l'irrigation fondée sur l'intelligence artificielle
• Surveillance de l'humidité du sol en temps réel
• Systèmes d'irrigation goutte-à-goutte automatisés

Gestion de l'élevage :

• Surveillance audiovisuelle de la volaille
• Détection de la santé intégrée aux satellites
• Robots de surveillance autonomes
• Vision par ordinateur pour l'analyse du comportement

Aquaculture et pêche :

• Surveillance de la qualité de l'eau
• Détection et prévention des maladies
• Optimisation de l'alimentation
• Évaluation des stocks

Conseil agricole et aide à la décision :

• Agents conversationnels d'intelligence artificielle générative pour les agriculteurs
• Systèmes de génération augmentée par récupération (RAG)
• Plateformes de conseil multilingues et multimodales

Agriculture intelligente face au climat :

• Suivi de l'empreinte carbone
• Mesure du carbone du sol
• Surveillance des émissions de gaz à effet de serre
• Planification de la résilience climatique

Optimisation de la chaîne d'approvisionnement :

• Logistique de la chaîne du froid avec intelligence artificielle et chaîne de blocs
• Prévision de la demande
• Optimisation des itinéraires

Sécurité sanitaire des aliments et contrôle de la qualité :

• Intelligence artificielle spectrale pour la détection de la contamination
• Vision par ordinateur pour le classement de la qualité
• Détection des agents pathogènes en temps réel

3.2 Approches techniques

La revue a recensé plusieurs approches techniques dominantes :

Réseaux de neurones convolutifs (RNC) : Largement utilisés pour les tâches fondées sur l'image, dont la détection des maladies, l'identification des adventices et le classement des fruits. Les réseaux de neurones convolutifs atteignent une exactitude élevée dans les tâches de reconnaissance de motifs visuels.

Grands modèles de langage (GML) et intelligence artificielle générative : De plus en plus appliqués au conseil agricole, au raisonnement diagnostique et à l'aide à la décision. Des systèmes comme CropGPT et FarmerChat emploient des grands modèles de langage pour le soutien interactif aux agriculteurs.

Internet des objets (IoT) et réseaux de capteurs : Fournissent l'infrastructure de données des systèmes d'intelligence artificielle, ce qui permet la surveillance en temps réel du sol, du climat, de la santé des cultures et de l'état des animaux.

Robotique et systèmes autonomes : Associent l'intelligence artificielle à l'actionnement physique pour le semis, le désherbage, la récolte et d'autres opérations de terrain.

Apprentissage par renforcement : Appliqué aux systèmes de commande robotique pour obtenir un comportement adaptatif dans des environnements dynamiques.

Intelligence artificielle explicable (XAI) : Approche émergente visant à rendre les décisions de l'intelligence artificielle interprétables par les agriculteurs et les agronomes, ce qui établit la confiance et permet une prise de décision éclairée.

3.3 Répartition géographique

Les applications d'intelligence artificielle agricole ont émergé dans toutes les grandes régions agricoles :

Amérique du Nord : En tête pour les plateformes de gestion des exploitations (Agrotics), les équipements autonomes (John Deere, Blue River Technology) et les systèmes de conseil.

Europe : Solide en robotique (Nature Robots, Farming Revolution, Terra Oracle AI), en logiciels d'agriculture de précision (Agricon) et en outils de durabilité (CinSOIL).

Asie : Secteur en forte croissance en Inde (Cropin, Kisan AI), en Chine (plateformes d'agriculture intelligente) et en Asie du Sud-Est.

Sud global : Applications émergentes axées sur les petits agriculteurs, dont FarmerChat de Digital Green, le projet GAIA et des systèmes de conseil à faible coût.

Volume II : étude intégrale des applications d'intelligence artificielle agricole

Chapitre 4 : une plateforme intégrée fondée sur la gouvernance : Aladdin Agri AI

4.1 Portée, positionnement et philosophie de conception

Une part considérable des applications examinées dans les chapitres suivants sont développées soit comme des outils à fonction unique, soit comme des plateformes de niveau entreprise destinées aux grandes exploitations commerciales. Le présent chapitre examine en détail une plateforme intégrée bâtie autour d'une priorité de conception distincte. Aladdin Agri AI, développée dans le cadre de l'initiative dirigée par l'auteur de ce manuscrit, est un écosystème d'intelligence artificielle destiné à fournir une orientation agricole localisée et vérifiée par des experts, sans compromettre les droits de propriété intellectuelle ni la confidentialité des données de l'exploitation. Une déclaration de conflit d'intérêts concernant la relation de l'auteur avec cette plateforme figure dans la section Déclarations et mentions, à la fin du manuscrit.

Le trait le plus déterminant de la plateforme est sa définition de l'utilisateur visé. De nombreuses solutions commerciales d'intelligence artificielle agricole présupposent l'accès à des analyses de laboratoire, à une infrastructure de capteurs et à une connectivité à haut débit. Aladdin Agri AI, en revanche, considère comme utilisateur par défaut le petit agriculteur dépourvu de ces ressources. La plateforme est conçue pour fonctionner en dix langues et est proposée par trois canaux : le web, les appareils mobiles et l'ordinateur de bureau. Cette structure vise à porter le savoir agricole expert à des agriculteurs de différents niveaux de revenu et conditions d'infrastructure.

4.2 Principe de conception : placer le petit agriculteur au centre

Le principe du conseil à faibles ressources se situe au cœur de la philosophie de conception de la plateforme. Conformément à ce principe, l'agriculteur dépourvu d'accès à des analyses de laboratoire, de l'eau ou foliaires, sans instruments et disposant d'une bande passante limitée est l'utilisateur par défaut, et non l'exception. Les données du secteur indiquent qu'une grande proportion des petits agriculteurs sont dépourvus de ces ressources, de sorte qu'un système reposant uniquement sur des données de mesure idéales exclurait la majorité de son public visé.

Ce principe façonne directement la logique d'orientation de la plateforme. L'orientation générale et exploitable est générée à partir de ce que l'agriculteur possède déjà, ce qui inclut l'évaluation visuelle, le stade de croissance, le toucher du sol, l'état de l'irrigation, les intrants antérieurs et les références approuvées, et cette orientation demeure disponible à tout moment. Seules les sorties qui exigent une dose exacte propre au site ou un calcul précis sont conditionnées à une analyse. Le renvoi au laboratoire ou au spécialiste est présenté comme une information qui améliore la précision, et non comme un refus ou un avertissement. Le système ne refuse pas une capacité entière au motif que les données idéales font défaut.

Cette approche est contrebalancée par le principe selon lequel les conditions de faibles ressources ne justifient jamais une certitude fabriquée ou non sûre. Lorsque l'information est incomplète, le système demeure dans les limites du connu et expose l'incertitude avec clarté. Ce choix de conception est la caractéristique centrale qui distingue la plateforme des outils de niveau entreprise qui ne servent que les grandes exploitations agricoles.

4.3 Un cadre de gouvernance à huit principes

La plateforme fonctionne dans un cadre de huit principes directeurs destinés à maintenir l'orientation agricole assistée par intelligence artificielle sûre, cohérente et redevable.

Le premier principe est l'accès au conseil à faibles ressources décrit ci-dessus. Le deuxième est l'acheminement gouverné de l'intelligence artificielle : chaque appel à l'intelligence artificielle passe par une passerelle approuvée, et la couche de l'utilisateur n'a pas d'accès direct aux fournisseurs. Le troisième est l'intégration des modules : aucun module n'est isolé ni désactivé d'une manière qui rompt la continuité du service, les dépendances du flux de travail ou la propriété des données. Le quatrième est la cybersécurité sans repli : la vérification des capacités, l'assainissement des entrées, l'échappement des sorties, les requêtes sûres et la limitation du débit sont appliqués selon le niveau de risque, et l'exposition d'informations de fournisseur, de modèle, de schéma ou de journal est empêchée.

Le cinquième principe est la gestion de la traduction et l'intégrité des dix langues : les dix langues sont prises en charge, et la langue de l'interface frontale est tenue séparée de la langue d'administration. Le sixième est l'exécution sobre et la discipline des ressources. Le septième est le confinement des capacités plutôt que leur suppression : une capacité n'est jamais supprimée ni masquée pour éviter un risque ; seule l'action non sûre est restreinte, tandis que le service lui-même demeure visible et utilisable. Le huitième est la discipline contre l'hallucination : aucun fichier, fonction, statistique ou sortie n'est fabriqué, et toute affirmation est traçable jusqu'à une source vérifiable. Ce cadre est présenté comme une réponse à la difficulté qu'éprouvent les modèles d'intelligence artificielle générale non gouvernés à produire des solutions sûres et adaptées au contexte local dans le domaine agricole.

4.4 Une architecture d'intelligence centrale à trois couches

Au cœur de la plateforme se trouve une couche d'intelligence composée de trois éléments complémentaires.

Le moteur de requêtes, nommé Aladdin AgroGenie, est un moteur sémantique qui interprète les dialectes locaux, les expressions familières et l'usage mixte des langues afin d'extraire une orientation agricole vérifiée à partir de la question de l'utilisateur. Il permet à l'agriculteur de poser des questions en langage courant sans recourir à des termes techniques.

La couche de langage et de ton, nommée Aladdin Humanizer, convertit les données techniques en conseils clairs et directement exploitables, adaptés aux conditions du terrain. Son objet est de porter la sortie technique aride vers un langage plus proche de la réalité de l'agriculteur.

La passerelle de gouvernance de l'intelligence artificielle, nommée AiBridge, fait passer toutes les recommandations générées par l'intelligence artificielle par une couche de révision. Sa fonction est de limiter la remise à l'utilisateur de sorties non vérifiées ou erronées et de protéger la sécurité de la culture. Tous les appels à l'intelligence artificielle sont gérés par cette passerelle, et il n'existe aucune voie d'accès direct aux fournisseurs ni d'exécution autonome de modèles depuis la couche de l'interface frontale.

4.5 Le système d'assistant agricole assisté par intelligence artificielle

La plateforme fournit une orientation par l'intermédiaire de trois personnages experts publics. Ces personnages ne sont pas des fournisseurs d'intelligence artificielle indépendants ; ce sont des identités d'orientation qui fonctionnent dans le même cadre de gouvernance.

Habiba, l'assistante agricole conviviale, est un guide pratique et rassurant destiné à l'agriculteur ordinaire. Elle dispense son orientation en prêtant attention aux utilisateurs en situation de faible alphabétisation et de faibles ressources.

Anas, l'expert agricole avancé, fournit une interprétation agronomique approfondie aux utilisateurs professionnels. Cette profondeur est mise à la disposition de qui en a besoin, sans s'imposer à l'agriculteur ordinaire.

Namaa, l'analyste de données agricoles, présente les données et les informations chiffrées. L'exactitude des chiffres et des données est la responsabilité centrale de ce personnage.

Le système d'assistant est conçu autour du principe de l'attention au risque de l'inaction. Lorsque le silence de la gouvernance pourrait conduire à la perte de la culture, par exemple en l'absence de spécialiste disponible, à un moment critique ou à l'approche d'une perte imminente, le système fournit une orientation générale et exploitable, assortie d'une étiquette de confiance, d'un renvoi à un spécialiste et d'un cadrage observable. Cette approche vise à éviter que l'agriculteur ne demeure sans soutien dans un moment d'incertitude.

4.6 Livraison multicanal : web, mobile et bureau

La plateforme est livrée sous trois formes afin de pouvoir atteindre l'agriculteur en toutes conditions. Cette structure multicanal vise à étendre le service au-delà des utilisateurs dotés d'une infrastructure haut de gamme, jusqu'aux agriculteurs en situations diverses.

L'espace de travail en nuage de niveau entreprise, sur le web, est un environnement de travail multilingue. Il héberge des cartes de service sensibles au rôle et comporte une étape de révision humaine pour les décisions à haut risque.

L'application mobile Habiba est une application de terrain qui fonctionne hors connexion dans les zones à faible connectivité. Elle offre un diagnostic instantané de la culture et une orientation pratique pas à pas. Sa capacité hors connexion est déterminante pour atteindre les petits agriculteurs des zones rurales à accès limité à Internet.

Le moteur de bureau, SADIK-1.0, est un moteur analytique conçu pour les chercheurs et les agro-entreprises, qui offre une modélisation de la viabilité économique et des prévisions statistiques.

La présence de ces trois canaux traduit un choix de conception qui permet à la plateforme d'atteindre non seulement les grandes exploitations agricoles, mais aussi les petits agriculteurs disposant d'un accès limité à Internet ou d'un seul appareil mobile.

4.7 Les cartes de service de l'espace de travail

L'espace de travail web se compose d'un ensemble de cartes de service sensibles au rôle. L'espace de travail contient dix-sept cartes de service, ordonnées selon le rôle de l'utilisateur, et aucune n'est masquée à l'utilisateur. Les douze modules agricoles spécialisés mis en avant par leur nom dans le matériel promotionnel de la plateforme sont résumés dans le tableau ci-dessous. Les cartes restantes couvrent des services fonctionnels comme la comparaison de statistiques agricoles, la rédaction d'études de faisabilité, la soumission d'observations et la consultation de conseil.

4.8 Domaines fonctionnels spécialisés et méthodes

La plateforme aborde plusieurs fonctions agricoles par des méthodes différenciées. La présente section résume les principaux domaines fonctionnels et les approches employées pour chacun.

Diagnostic des maladies des plantes. Le diagnostic s'effectue par un flux d'observation guidée bâti sur les réponses de l'agriculteur et par une logique de diagnostic différentiel. Le système distingue les causes possibles à partir des symptômes visuels et fournit des évaluations utilisables sans accès à un laboratoire. La confiance de la sortie diagnostique est bornée, et le renvoi à un spécialiste est recommandé dans les cas incertains.

Gestion des ravageurs et seuils économiques. La gestion des ravageurs applique l'approche du seuil de nuisibilité économique (EIL) et du seuil économique d'intervention (ET). Cette approche s'appuie sur le cadre classique introduit par Stern et ses collègues en 1959\. Les valeurs seuils ne sont pas estimées ; elles sont calculées à partir d'intrants approuvés, comme la densité de dépistage, la perte de rendement propre à la culture, la valeur de la culture et l'efficacité de la lutte, et sont soumises à l'approbation de l'agronome. Lorsqu'un intrant requis fait défaut, le résultat n'est pas fabriqué, mais signalé comme non disponible. Ce domaine privilégie les méthodes non chimiques, conformément aux principes de la lutte intégrée contre les ravageurs (LIR).

Statistiques agricoles. Cette fonction donne accès à des données d'observation approuvées par une couche de recherche qui prend en charge les requêtes en langage naturel. L'utilisateur peut préciser des critères comme la culture, l'indicateur, l'année et la portée en langage courant, et le système ne renvoie que des données vérifiées, assorties d'informations sur la source et la confiance.

Faisabilité et analyse économique. La plateforme offre une fonction de faisabilité qui modélise les coûts prévus et les retours économiques potentiels avant le semis. Cette fonction s'élargit dans le moteur analytique de bureau vers une modélisation économique plus approfondie et des prévisions statistiques.

Gestion de l'eau, des nutriments et du milieu de culture. Les fonctions d'irrigation intelligente, de fertilisation de précision et d'agriculture protégée génèrent des recommandations opérationnelles à partir des intrants disponibles, comme l'humidité du sol, le microclimat et les besoins de la culture. Là encore, les sorties de dose exacte sont conditionnées à une analyse, tandis que l'orientation générale demeure disponible à tout moment.

Durabilité et manutention post-récolte. La fonction de durabilité évalue les stratégies de rotation des cultures qui soutiennent la régénération du sol. La fonction de qualité post-récolte fournit des guides de manutention sûre qui préservent la valeur de la culture du champ à la destination.

Gouvernance de la terminologie et du savoir. La plateforme comprend un dictionnaire agricole gouverné qui apporte des définitions précises des termes scientifiques. L'expansion cohérente de la base de connaissances dans les dix langues s'appuie sur un processus d'importation gouverné et sur une approche de génération augmentée par récupération (RAG). Dans tous ces processus, le contenu est vérifié avant sa publication.

4.9 Analyse comparative avec d'autres plateformes

La plupart des solutions examinées dans ce manuscrit se concentrent sur une fonction donnée ou sur une échelle d'utilisateur donnée. Le tableau ci-dessous compare la plateforme Aladdin Agri AI à des plateformes représentatives traitées dans les chapitres précédents, selon des dimensions pertinentes pour atteindre le petit agriculteur. La comparaison repose sur les caractéristiques déclarées dans les descriptions promotionnelles et techniques des plateformes.

Comme le montre le tableau, plusieurs des plateformes examinées offrent aussi une prise en charge multilingue ou ciblent le petit agriculteur. Ce qui distingue Aladdin Agri AI n'est pas une affirmation isolée de supériorité, mais une combinaison de caractéristiques : l'adoption du petit agriculteur comme utilisateur par défaut, la consolidation de fonctions multidomaines au sein d'un cadre de gouvernance unique, la livraison par trois canaux, un cadre explicite de gouvernance et de maîtrise de l'hallucination, ainsi qu'un modèle d'accès à faible coût ou gratuit. La comparaison avec des solutions spécialisées fondées sur le matériel, comme le désherbage robotisé, n'a de sens que sur des dimensions limitées, car ces solutions répondent à un cas d'usage et à une structure de coûts différents.

4.10 Modèle d'accès, équité et tarification

Le modèle d'accès de la plateforme est conçu pour traduire directement son objectif d'atteindre le petit agriculteur à faible coût. L'accès pour les étudiants en agriculture est offert gratuitement grâce au soutien de parrains. Le tarif d'accès annuel pour les agriculteurs est maintenu à un niveau symbolique d'environ douze dollars américains, ce qui traduit le principe d'un accès facile et à faible coût. Des tarifs d'accès d'environ cent dollars américains pour les agro-entreprises et d'environ cent vingt dollars américains pour les centres de recherche sont envisagés.

Cette structure échelonnée rend soutenables l'accès gratuit des étudiants et l'accès à faible coût des agriculteurs, en s'appuyant sur les recettes des utilisateurs d'entreprise et de recherche ainsi que sur les contributions des parrains. Le modèle vise à rendre le savoir agricole expert accessible à des agriculteurs de différents niveaux de revenu, et non un privilège. Cette conception est cohérente avec l'objectif central de la plateforme de ne pas se limiter aux grandes exploitations agricoles.

4.11 Positionnement et limites

Aladdin Agri AI se distingue des solutions à fonction unique et des plateformes axées sur l'entreprise examinées dans ce manuscrit par une conception qui place le petit agriculteur au centre. Les caractéristiques distinctives de la plateforme sont l'acheminement des sorties d'intelligence artificielle par une couche de révision, la conservation de l'approbation humaine pour les décisions à haut risque, l'adaptation du service aux canaux web, mobile et de bureau, ainsi que la disponibilité constante d'une orientation générale pour l'agriculteur en conditions de faibles ressources.

Il convient de souligner que les descriptions présentées dans ce chapitre reposent sur la documentation de conception et les registres de mise en œuvre de la plateforme. Les descriptions fonctionnelles qui figurent ici sont des capacités documentées au niveau de la conception et du développement ; elles ne constituent pas des affirmations définitives d'efficacité fondées sur une comparaison de terrain indépendante ni sur un point de référence de performance externe. Les principaux défis auxquels font face les plateformes intégrées recoupent les obstacles d'interopérabilité, de qualité des données, d'infrastructure et d'adoption traités au Chapitre 20\. Surmonter ces défis dans le contexte du petit agriculteur sera déterminant pour la concrétisation de l'objectif de conception déclaré de la plateforme.

Chapitre 5 : systèmes de gestion des cultures et de production

5.1 Systèmes d'information de gestion des exploitations (FMIS)

Les systèmes d'information de gestion des exploitations constituent la couche fondamentale de l'agriculture fondée sur l'intelligence artificielle, car ils intègrent des données de sources multiples pour soutenir la prise de décision dans l'ensemble des opérations de l'exploitation. Les plateformes FMIS modernes emploient l'apprentissage automatique, l'informatique en nuage, l'imagerie satellitaire et les réseaux de capteurs de l'Internet des objets pour fournir une intelligence intégrale de l'exploitation.

La fonction centrale des FMIS est de recueillir et d'analyser les données agricoles, puis d'agir en conséquence. Ces systèmes ont évolué de simples outils d'enregistrement vers des plateformes d'intelligence artificielle sophistiquées, capables d'analyse prédictive, de surveillance en temps réel et de recommandations automatisées.

5.2 Cropin Cloud : un nuage agricole intelligent

Cropin Cloud représente un jalon important de l'intelligence artificielle agricole et se présente comme la première plateforme de nuage agricole intelligente au monde. Développée par Cropin, qui possède quinze ans d'expérience dans le secteur agroalimentaire mondial, la plateforme fournit un ensemble complet de capacités propres à l'agriculture, conçues pour accélérer la transformation numérique axée d'abord sur l'intelligence artificielle dans l'ensemble de l'écosystème agricole.

Éléments centraux :

Cropin Cloud intègre trois éléments principaux :

1. Cropin Apps : Un portefeuille intégré d'applications et de solutions personnalisables qui captent et numérisent les données agricoles, de l'exploitation à l'entrepôt jusqu'à la table. Ces applications sont conçues pour étendre la transformation numérique à l'agriculture, à l'alimentation et aux industries connexes.

1. Cropin Data Hub : Apporte la puissance des données unifiées en permettant l'interfaçage avec toutes les sources de données agricoles, des applications de gestion des exploitations sur le terrain, des appareils de l'Internet des objets, des données de mécanisation issues des ressources agricoles, des drones et des informations satellitaires de télédétection jusqu'aux données météorologiques.

1. Cropin Intelligence : Propose des solutions d'intelligence artificielle agentique (Agentic AI) hautement personnalisées et une plateforme d'intelligence agricole alimentée par l'intelligence artificielle générative, avec accès à 22 modèles d'intelligence artificielle d'apprentissage profond contextuels qui apportent des connaissances exploitables et une intelligence prédictive.

Modèles d'intelligence artificielle :

Cropin Intelligence met en œuvre 22 modèles d'intelligence artificielle éprouvés sur le terrain, qui comprennent la détection des cultures, l'estimation du rendement, la programmation de l'irrigation, la prévision des ravageurs et des maladies, l'absorption d'azote, la détection du stress hydrique, l'estimation de la date de récolte, la détection des changements et la notation des parcelles. Ces modèles sont bâtis au moyen d'une vaste grille de connaissances sur les cultures, qui couvre plus de 400 cultures et plus de 10 000 variétés, entraînée sur des millions de points de données du monde réel.

Caractéristiques principales :

Cropin Cloud fournit plusieurs couches d'intelligence :

• Intelligence à l'échelle de la parcelle : Prévisions précises sur le rendement, le stade de la culture, la santé, le stress hydrique, les ravageurs et les maladies.
• Intelligence régionale : Modèles d'intelligence artificielle qui analysent les données de sol, de climat, de satellite et de rendement pour des connaissances agricoles approfondies.
• Outils de durabilité : Assurent le suivi de l'empreinte carbone, de la consommation d'eau et de la santé du sol, ce qui aide les organisations à appliquer des pratiques respectueuses de l'environnement.
• Cropin Sage : Une plateforme d'intelligence agricole en temps réel, alimentée par l'intelligence artificielle générative, pour aider les utilisateurs à poser des questions complexes sur la production alimentaire passée, présente et future.

Déploiement :

Cropin Intelligence a été déployée par plus de 250 entreprises des secteurs public et privé dans le monde. Parmi ses applications figurent le soutien à la banque Rabo en Inde pour l'évaluation du crédit, la mise en œuvre de l'un des plus vastes programmes d'assurance des récoltes (PMFBY) de l'Inde, couvrant 250 000 unités villageoises, et l'aide à Rainforest Alliance pour recenser les plants de cacao et prévoir leurs rendements.

5.3 Agrotics : plateforme d'agriculture intelligente fondée sur le SaaS

Agrotics est une plateforme de technologie agricole fondée sur le SaaS, conçue pour outiller les producteurs au moyen de connaissances fondées sur les données, en vue d'une agriculture plus intelligente et plus durable. La plateforme tire parti des logiciels en nuage, de l'apprentissage automatique, des mégadonnées, de l'imagerie satellitaire et des technologies de l'Internet des objets pour agir comme assistant virtuel de l'exploitation.

Capacités centrales :

• Surveillance du climat : Assure le suivi des données météorologiques et des conditions du microclimat en temps réel.
• Technologie de l'Internet des objets : Capte des données de terrain en temps réel au moyen de capteurs intelligents.
• Gestion des ravageurs et des maladies : Détecte les risques de façon précoce et prend des mesures préventives.
• Planification de la saison : Organise toute la saison agricole pour une productivité maximale.
• Données de prévision : Donne accès à des prévisions météorologiques hyperlocales.
• Imagerie satellitaire : Donne accès à des images satellitaires à jour pour surveiller la santé des cultures.
• Alertes et prévisions intelligentes : Permet d'agir au bon moment grâce à des prévisions alimentées par l'intelligence artificielle.

Utilisateurs visés :

Agrotics est conçue pour tous les acteurs de l'agriculture, dont les agriculteurs, les agro-entreprises, les conseillers et les chercheurs qui souhaitent prendre de meilleures décisions à l'aide de données intelligentes.

5.4 Terra Oracle AI : conseiller agronomique multilingue

Terra Oracle AI répond à un défi fondamental de l'agriculture moderne : les producteurs croulent sous les données mais sont avides de réponses. Qu'il s'agisse de rapports d'analyse de sol, d'images satellitaires, de stations météorologiques, de systèmes d'irrigation, de rapports de dépistage ou de recommandations agronomiques, tout arrive séparément et laisse les agriculteurs débordés.

Architecture de la plateforme :

Terra Oracle AI associe deux couches technologiques en instance de brevet : un conseiller agronomique d'intelligence artificielle explicable et une plateforme de balayage du sol qui utilise une architecture à double capteur associant la spectroscopie du rayonnement gamma à la détection optique.

Couche de raisonnement agronomique :

La plateforme analyse conjointement plusieurs flux de données, dont les propriétés du sol, le climat, les indices de végétation NDVI, le comportement de l'irrigation, la topographie, les opérations de terrain et la performance historique des cultures. Ce qui la distingue, c'est la couche de raisonnement agronomique bâtie sur les données.

Caractéristiques principales :

• Alertes agronomiques proactives
• Recommandations propres à chaque exploitation
• Raisonnement explicable
• Interaction conversationnelle multilingue d'intelligence artificielle

Apprentissage adaptatif :

La plateforme est conçue pour devenir propre à chaque exploitation au fil du temps, car elle apprend de fait le comportement de chaque parcelle et de chaque opération. Cette capacité adaptative représente une avancée substantielle par rapport aux systèmes de recommandation statiques.

Déploiement et essais :

La technologie a été éprouvée en grande culture, en cultures en rangs irriguées, sur la pomme de terre, la tomate, le concombre, l'oignon, la carotte, des cultures spéciales et des applications horticoles. Des projets pilotes ont été menés en Europe et en Asie, dont l'Inde, la France, l'Espagne, la Slovénie, la Roumanie, la Pologne, la Bulgarie et l'Ukraine. En Inde, des démonstrations ont été réalisées pour la production de pomme de terre et d'arachide, tout en présentant des capacités d'intelligence artificielle multilingue adaptées aux utilisateurs locaux.

Reconnaissance :

En 2026, l'entreprise a reçu l'Agritechnica Asia Applied Technology Trophy dans la catégorie « Solutions numériques et d'automatisation ».

5.5 AgriNEXT : écosystème piloté par l'intelligence artificielle intégrant satellites et Internet des objets

AgriNEXT représente un écosystème piloté par l'intelligence artificielle qui intègre satellites et Internet des objets pour l'agriculture de précision. En alimentant un moteur centralisé d'intelligence artificielle avec des données du niveau du sol et des données satellitaires, AgriNEXT offre une vue intégrale de la plantation, ce qui permet une gestion de précision, c'est-à-dire la capacité d'appliquer l'eau, les engrais et les pesticides uniquement là et au moment où ils sont nécessaires.

Incidence sur la durabilité :

En optimisant l'utilisation des ressources, AgriNEXT aide les agro-entreprises à réduire leur empreinte carbone et à passer à des pratiques durables. Les capacités prédictives de l'intelligence artificielle permettent aussi une prévision du rendement plus précise, ce qui aide les entreprises à gérer les chaînes d'approvisionnement et à atténuer les risques liés à la volatilité climatique et aux maladies.

5.6 FarmMind : intelligence artificielle agentique pour les producteurs modernes

FarmMind est une plateforme tout-en-un qui associe intelligence artificielle, systèmes d'information géographique (SIG), dépistage, économie et tableaux de bord, conçue pour mettre la puissance de l'agriculture de précision et de l'intelligence artificielle directement entre les mains des producteurs. Alimentée par l'intelligence artificielle agentique, la plateforme est conçue pour les producteurs, les consultants et les professionnels agricoles modernes.

5.7 Analyse comparative des plateformes de gestion des exploitations

Chapitre 6 : détection des maladies des cultures et applications de santé végétale

6.1 L'importance de la détection précoce des maladies

Les maladies des plantes représentent une menace considérable pour la productivité agricole et la sécurité alimentaire. La détection traditionnelle des maladies repose sur des inspections manuelles de terrain et sur le savoir expert, qui sont coûteuses en temps, à forte intensité de main-d'œuvre et souvent d'une exactitude limitée. La détection des maladies pilotée par l'intelligence artificielle offre la perspective d'un diagnostic rapide, exact et extensible.

L'intégration de l'intelligence artificielle dans l'agriculture marque une nouvelle ère de précision et d'efficacité. Les réseaux de neurones convolutifs (RNC) permettent la détection précoce des maladies des cultures par la classification fondée sur l'image, ce qui réduit la perte de rendement.

6.2 AGMRI : application automatisée d'intelligence des cultures

AGMRI est une plateforme d'intelligence artificielle qui associe l'imagerie de très haute résolution à l'apprentissage automatique et à la vision par ordinateur pour offrir une vue détaillée « à l'échelle du rang », complète et ininterrompue, de chaque hectare et de chaque parcelle tout au long de la saison. Conçue pour les agriculteurs, les agronomes et les spécialistes des cultures, AGMRI alerte les utilisateurs sur ce qui se passe dans leurs parcelles, ce qui permet une intervention précoce.

6.3 CropGPT : grand modèle multimodal pour le diagnostic des ravageurs et des maladies

CropGPT représente une avancée substantielle dans le diagnostic des maladies des cultures piloté par l'intelligence artificielle. Les approches existantes reposent surtout sur des données d'une seule modalité pour diagnostiquer des cultures précises et sont dépourvues de la capacité d'offrir un raisonnement diagnostique explicable, ce qui limite leur extensibilité et leur généralisation. CropGPT surmonte ces limites en permettant le diagnostic pour tous les types de cultures et en fournissant des explications diagnostiques interactives.

Architecture :

CropGPT est un cadre de bout en bout qui intègre un encodeur visuel et un grand modèle de langage. L'encodeur visuel emploie un module DynamicFocus proposé pour extraire des caractéristiques d'image à plusieurs niveaux, couvrant l'information globale, locale et à l'échelle de l'objet. Le grand modèle de langage intègre une conception en chaîne de pensée, qui permet un diagnostic interactif pas à pas assorti d'un raisonnement explicatif.

Jeu de données et entraînement :

Pour permettre un réglage fin efficace et atteindre une performance robuste sur diverses cultures, un jeu de données nommé CropInstruct a été construit selon un paradigme automatisé et économique, ce qui a sensiblement atténué la rareté des données multimodales de maladies des cultures de haute qualité. Une stratégie d'enrichissement des connaissances au moment du test améliore la performance diagnostique sans apprentissage préalable, sans nécessiter de réentraînement, ce qui renforce encore la généralisation du modèle à une large gamme de cultures.

Performance :

Les résultats expérimentaux montrent que CropGPT atteint une exactitude de 0,931 en diagnostic (une amélioration d'au moins 35,6 %), 71,2 de BLEU-4 en description d'images (au moins 44,4 %) et 85,3 de BLEU-4 en raisonnement (au moins 47,3 %) sur 79 catégories de ravageurs et de maladies des cultures, avec une performance supérieure à celle de modèles multimodaux de pointe comme GPT-4o et de modèles classiques d'apprentissage profond en contexte unimodal. En évaluation sans apprentissage préalable, il atteint une exactitude de 0,795 sur 10 cultures inédites, et dépasse Qwen-VL-Max de 7,3 %.

6.4 TatarAI : détection des maladies sur appareils mobiles et gestion de la santé végétale

TatarAI porte l'agriculture dans l'ère numérique en analysant les plantes et en améliorant le rendement à l'aide d'une technologie alimentée par l'intelligence artificielle, conçue tant pour les agriculteurs que pour les cultivateurs amateurs. L'application facilite la gestion du diagnostic des maladies, la planification de la fertilisation et le suivi du développement des plantes directement depuis un téléphone mobile.

Capacités :

• Diagnostic des plantes (par caméra) : Photographiez une culture ou une plante d'intérieur et laissez TatarAI détecter les problèmes sur les feuilles, les tiges, les fruits ou les racines par une analyse visuelle d'intelligence artificielle.
• Détection et classification des maladies : Obtenez des descriptions détaillées des maladies détectées, comme la rouille du blé, le mildiou du tournesol ou la brûlure foliaire.
• Suggestions de traitement : Recevez des plans de traitement chimique ou biologique ciblés, assortis de recommandations de dose, de moment d'application et de conseils d'utilisation.
• Suggestions intelligentes fondées sur la localisation : Obtenez des conseils d'irrigation et de fertilisation adaptés au sol, à l'humidité et au climat de la région.
• Suivi de la croissance : Surveillez les progrès par des comparaisons visuelles, des scores de santé hebdomadaires et des notes enregistrées.
• Gestion de parcelles multiples : Gérez plusieurs parcelles et les données de chaque culture séparément.

Adaptation géographique :

Le système s'adapte aux conditions locales. Un champ de blé à Tekirdağ et une serre de tomates à Antalya exigent des soins différents, et TatarAI en tient compte.

Confidentialité :

Les données de l'utilisateur sont entièrement privées. La localisation ne sert qu'à personnaliser les suggestions. Les photos ne sont analysées qu'à des fins d'intelligence artificielle et ne sont jamais communiquées à des tiers.

6.5 Modèles RNC pour mobile pour la détection des maladies des feuilles de maïs

Le maïs est la culture à la plus forte production au monde, devant la production de blé et de riz. Toutefois, son rendement est souvent affecté par diverses maladies foliaires. Une identification précoce au moyen d'outils faciles d'accès est nécessaire pour accroître le rendement.

Approche technique :

Les chercheurs ont développé une application mobile inédite, en temps réel et conviviale, pour la détection et la classification des maladies des feuilles de maïs. Les modèles VGG16, AlexNet et ResNet50 ont été mis en œuvre et comparés pour la détection des maladies du maïs. Au total, 4 188 images de brûlure, de rouille commune, de tache grise foliaire et de feuilles saines ont été utilisées pour entraîner chaque modèle.

Performance :

• VGG16 a atteint une exactitude de test de 95 %
• AlexNet a atteint une exactitude de test de 91 %
• ResNet50 a atteint une exactitude de test de 72 %

VGG16 a surpassé les autres modèles en exactitude et a été déployé dans une application mobile pour offrir une détection des maladies en temps réel.

Usage de l'application :

L'application développée améliorera la détection précoce des maladies et la prise de décision, et contribuera à une meilleure gestion des cultures et à la sécurité alimentaire pour les conseillers en vulgarisation, les gestionnaires d'agro-entreprises et les responsables des politiques.

6.6 Cadre d'apprentissage profond à trois niveaux pour le diagnostic des maladies de plusieurs cultures

Un cadre en trois étapes qui repose sur la reconnaissance de motifs et la classification des symptômes visuels des maladies offre un diagnostic fiable et applicable sur le terrain. L'approche associe l'acquisition d'images par la caméra d'un téléphone intelligent à une chaîne de traitement structurée qui comprend l'extraction de caractéristiques, la classification et la remise du résultat par une application mobile bâtie sur une architecture à trois niveaux.

6.7 Spécifications techniques et points de référence d'exactitude

Chapitre 7 : systèmes de prévision du rendement et de la récolte

7.1 L'importance de la prévision du rendement

La prévision exacte du rendement est essentielle à la planification de l'exploitation, à l'affectation des ressources, à la coordination avec le marché et à la sécurité alimentaire. Les systèmes de prévision du rendement pilotés par l'intelligence artificielle s'appuient sur l'imagerie satellitaire, les données météorologiques, l'information sur le sol et les schémas historiques pour produire des prévisions exactes et opportunes.

Les réseaux à mémoire à court et long terme (LSTM) soutiennent la modélisation prédictive pour la prévision du rendement et l'évaluation de la santé du sol, ce qui contribue à l'affectation des ressources.

7.2 Cropin Intelligence : 22 modèles d'intelligence artificielle éprouvés sur le terrain

Comme indiqué précédemment, Cropin Intelligence met en œuvre 22 modèles d'intelligence artificielle éprouvés sur le terrain, qui apportent des connaissances prédictives et prescriptives pour l'agriculture. Ils comprennent :

• La détection des cultures
• L'estimation du rendement
• La programmation de l'irrigation
• La prévision des ravageurs et des maladies
• L'absorption d'azote
• La détection du stress hydrique
• L'estimation de la date de récolte
• La détection des changements
• La notation des parcelles

Ces modèles permettent une prise de décision dynamique au moyen d'un apprentissage automatique avancé bâti sur la vaste grille de connaissances sur les cultures.

7.3 Système d'agriculture de précision piloté par l'intelligence artificielle pour la prévision du rendement

Un système d'agriculture de précision piloté par l'intelligence artificielle développe des méthodes d'agriculture intelligente au moyen d'algorithmes d'apprentissage automatique et d'apprentissage profond. Quatre modules intelligents traitent la prévision du rendement de la culture, la programmation de l'irrigation, les recommandations d'engrais et l'identification des maladies.

Spécifications techniques :

• Prévision du rendement et programmation de l'irrigation au moyen des modèles Random Forest et Gradient Boosting
• Identification des maladies au moyen d'un réseau de neurones convolutif fondé sur MobileNetV2
• Coefficient de détermination (R²) de 0,92 pour la prévision du rendement
• Exactitude de 90 % pour la classification des maladies

7.4 Zones de stabilité du rendement avec apprentissage automatique interprétable

Un cadre universel qui intègre les zones de stabilité du rendement (YSZ) et l'apprentissage automatique interprétable renforce la prise de décision dans des environnements agricoles variables.

Méthodologie :

Le cadre analyse des données pluriannuelles de rendement, de sol et de précipitations pour élaborer les zones de stabilité du rendement, évaluer la stabilité temporelle du rendement et intégrer l'apprentissage automatique (arbres de décision) afin de favoriser l'interprétation des facteurs du rendement.

Constatations :

Une dynamique temporelle substantielle a été recensée dans les interactions entre le sol et le rendement. Les évaluations portant sur une seule année ne parviennent pas à saisir la variabilité interannuelle critique des facteurs du rendement. Les zones de stabilité du rendement ont délimité de manière efficace des aires de production spatialement cohérentes, en distinguant les zones stables à haut rendement des aires instables, tandis que les arbres de décision ont recensé les facteurs clés de la variabilité du rendement.

Contribution :

Ensemble, ces outils offrent une approche fondée sur les données pour optimiser la production des cultures de manière durable, ce qui comble une lacune critique de l'analytique des cultures.

7.5 Cadre d'Internet des objets et d'apprentissage automatique pour la prévision intelligente des cultures

Un cadre qui tire parti d'un réseau de capteurs distribué pour la surveillance in situ en temps réel de paramètres agronomiques critiques (humidité du sol, niveaux de nutriments, microclimat, santé des cultures) dote les parties prenantes d'une intelligence exploitable pour l'affectation précise des ressources, l'irrigation et la fertilisation optimisées, la détection précoce des maladies et des décisions de marché éclairées.

7.6 Plateformes à code source ouvert

Plusieurs plateformes à code source ouvert offrent des capacités de prévision du rendement pilotées par l'intelligence artificielle :

AgriPredict AI : Une plateforme intégrée web et intelligence artificielle conçue pour outiller les petits agriculteurs au moyen d'outils intelligents fondés sur les données pour la prévision du rendement, la surveillance de la météo, l'analytique de l'exploitation et les recommandations exploitables.

Cropl : Un SDK Python pour la prévision du rendement des cultures, alimenté par l'imagerie satellitaire et l'apprentissage automatique, qui fournit un accès programmatique aux prévisions de rendement pour les développeurs, les actuaires, les assureurs et les organismes gouvernementaux.

AgriIntel : Une plateforme d'agriculture intelligente alimentée par l'intelligence artificielle, bâtie avec la pile MERN et des services d'intelligence artificielle en Python, qui fournit des recommandations fondées sur l'intelligence artificielle, la détection des maladies des cultures, l'analyse de la météo, des connaissances de marché et des outils d'agriculture intelligente.

7.7 Analyse comparative des outils de prévision du rendement

Chapitre 8 : surveillance des sols et applications de gestion des nutriments

8.1 Le rôle crucial de la santé du sol

La santé du sol est fondamentale pour la productivité et la durabilité agricoles. Les méthodes traditionnelles d'analyse du sol sont souvent coûteuses, longues et ne fournissent que des instantanés périodiques de l'état du sol. Les systèmes de surveillance des sols fondés sur l'intelligence artificielle offrent une évaluation continue et en temps réel des paramètres du sol, ce qui permet une gestion de précision des nutriments.

8.2 Cadres d'analyse de la fertilité du sol fondés sur l'Internet des objets et l'intelligence artificielle

Un cadre inédit fondé sur l'intelligence artificielle et l'Internet des objets a été développé pour l'analyse de la fertilité du sol en temps réel et la recommandation adaptative de cultures dans l'agriculture intelligente. Le système comprend un réseau de capteurs de l'Internet des objets qui mesure des données pédologiques multidimensionnelles, dont les niveaux d'humidité, d'acidité (pH), d'azote, de phosphore et de potassium, et les transmet à un moteur d'analytique fondé sur l'intelligence artificielle.

8.3 Fusion de capteurs intelligents pour l'analyse des nutriments du sol en temps réel

Un système sophistiqué pour l'analyse des nutriments du sol en temps réel et l'ajustement automatique des cultures emploie l'apprentissage par renforcement piloté par l'intelligence artificielle. L'efficacité du système à atteindre une détection précise des nutriments du sol avec des taux d'erreur minimaux et à améliorer la prise de décision pour l'ajustement automatique des cultures a été démontrée.

8.4 Modèles de prévision de l'humidité du sol à l'échelle de la parcelle

Les capteurs de sol autonomes et abordables et la technologie de l'Internet des objets permettent la surveillance de l'humidité du sol en temps réel, ce qui offre des occasions de calibration des modèles en temps réel et d'optimisation de l'irrigation. Une étude démontre l'usage de données de capteurs d'humidité du sol dans un cadre de modélisation inverse bayésienne, ce qui offre des solutions pratiques pour la prévision de l'humidité du sol en temps réel.

8.5 Systèmes d'aide à la décision pour la gestion intégrée des nutriments

Des outils numériques de terrain pilotés par l'intelligence artificielle sont en cours de développement pour la détection des contaminants du sol, des plantes et des aliments, avec une calibration des modèles au moyen d'algorithmes d'apprentissage automatique afin d'améliorer les taux d'erreur. Ces outils sont interconnectés à des systèmes d'aide à la décision dotés de mécanismes de chaîne de blocs et de cybersécurité, ce qui permet des décisions éclairées et une prise de décision automatisée pour la lutte intégrée contre les ravageurs (LIR) et la gestion intégrée des nutriments (INM).

8.6 Surveillance de la santé du sol pour le blé

L'initiative WHEATWATCHER unit la surveillance de la santé du sol, l'évaluation de la santé végétale et la traçabilité des aliments au moyen d'un système numérique de surveillance du sol qui évalue les facteurs nutritionnels, chimiques et biologiques qui influent sur les grains de blé, de leur croissance au champ à la production de farine.

8.7 Analyse comparative des technologies de surveillance des sols

Chapitre 9 : désherbage et systèmes de lutte robotisée

9.1 Le défi de la gestion des adventices

Les adventices concurrencent les cultures pour l'eau, les nutriments et la lumière, ce qui réduit sensiblement les rendements. Les approches traditionnelles, dont l'usage généralisé des herbicides, le travail intensif du sol et le travail manuel, sont de moins en moins tenables. Les herbicides favorisent la résistance et la toxicité environnementale, le travail du sol accélère l'érosion, et la pénurie de main-d'œuvre limite la faisabilité du désherbage manuel.

9.2 Détection et élimination robotisées des adventices fondées sur l'apprentissage Q profond

La recherche examine l'usage de l'apprentissage Q profond (DQL) dans des systèmes robotiques pour identifier et éliminer les adventices dans la gestion des cultures de précision. Les constatations expérimentales indiquent l'efficacité du système, qui atteint une exactitude de 97 % pour l'identification des adventices, une diminution de 75 % de l'usage des herbicides et une amélioration de 30 % de l'efficacité d'élimination des adventices.

9.3 LaserWeeder de Carbon Robotics et le Grand Modèle de Plantes (LPM)

Carbon Robotics a franchi une étape importante dans la lutte contre les adventices pilotée par l'intelligence artificielle avec le Grand Modèle de Plantes (LPM), un modèle de fondation pour l'identification des plantes. LaserWeeder est positionné comme un moyen de réduire sensiblement ou d'éliminer l'usage des herbicides de post-levée. Selon l'entreprise, LaserWeeder peut remplacer tout l'usage de produits chimiques de post-levée.

Performance :

Les résultats montrent une élimination des adventices de 80-85 % sans herbicides et une réduction de 70-80 % de la perturbation du sol.

9.4 Robot de désherbage léger et autonome à énergie solaire

Un robot de désherbage léger, pleinement autonome et alimenté par l'énergie solaire utilise l'intelligence artificielle fondée sur des réseaux de neurones profonds pour repérer les adventices parmi les plantes désirées. Il peut détruire efficacement les adventices par des méthodes de contact (mécaniques) et sans contact (faisceau d'énergie), selon la taille et le type d'adventice ainsi que les conditions du sol et de la météo, sans créer aucun risque d'incendie.

9.5 EM-GROW : robots à appui spatial pour les exploitations biologiques

EM-GROW associe la localisation fondée sur les systèmes mondiaux de navigation par satellite (GNSS) à un système de détection des plantes piloté par l'intelligence artificielle. Le système offre une solution de rechange efficace, respectueuse de l'environnement et économe en main-d'œuvre par rapport à la lutte manuelle contre les adventices.

9.6 Analyse comparative des systèmes robotisés de lutte contre les adventices

Chapitre 10 : récolte autonome et systèmes robotiques

10.1 Le défi de la main-d'œuvre dans la récolte

La récolte est l'une des opérations les plus exigeantes en main-d'œuvre de l'agriculture, en particulier pour les cultures spéciales comme les fruits et légumes, qui exigent une manutention délicate. La pénurie de main-d'œuvre, la hausse des coûts et le besoin d'une qualité constante ont stimulé le développement de systèmes robotiques de récolte pilotés par l'intelligence artificielle.

10.2 Récolteuse d'Eternal.ag : robot de récolte de tomates pleinement autonome

La récolteuse d'Eternal.ag est un robot de récolte pleinement autonome, conçu pour les serres de tomates, qui fonctionne jusqu'à 22 heures par jour de façon constante et opère comme partie d'un système intelligent alimenté par l'intelligence artificielle pour assurer la qualité du produit. Le robot répond à la pénurie de main-d'œuvre généralisée du secteur tout en améliorant l'efficacité opérationnelle.

10.3 Cueillette des fraises avec vision par intelligence artificielle, doigts en silicone et ventilateur

Un système robotique de cueillette des fraises présente un degré de finesse qui rapproche l'automatisation d'un pas du jugement humain au champ. Plutôt que de traiter tout objet ressemblant à une baie comme prêt à la récolte, le robot peut décider quand cueillir, quand attendre et quand se repositionner pour une meilleure vue, un trait essentiel pour une culture qui mûrit un fruit à la fois.

10.4 Récolte robotisée des concombres masqués

La récolte des concombres en serre se heurte à des défis comme les points de coupe masqués et les structures végétales qui se chevauchent. Un système robotique de récolte pleinement intégré associe des innovations de perception, de commande et d'effecteur terminal pour répondre à ces problèmes.

10.5 Récolte automatisée des pommes et inspection de la qualité post-récolte

La recherche du Département de l'agriculture des États-Unis (USDA) développe une nouvelle technologie robotique économique pour la récolte automatisée des pommes et une technologie d'imagerie de nouvelle génération pour l'inspection de la qualité des fruits et légumes durant la manutention post-récolte.

10.6 Analyse comparative des robots de récolte

Chapitre 11 : irrigation de précision et systèmes de gestion de l'eau

11.1 Le défi de la pénurie d'eau

La pénurie d'eau touche les régions agricoles du monde entier, l'irrigation représentant la majeure partie des prélèvements d'eau douce. L'irrigation de précision pilotée par l'intelligence artificielle optimise l'usage de l'eau, ce qui réduit le gaspillage tout en maintenant ou en améliorant les rendements des cultures.

Les modèles fondés sur l'intelligence artificielle et la surveillance par drones peuvent augmenter le rendement des cultures jusqu'à 20 % et réduire l'usage de l'eau et des engrais de 30 %.

11.2 Irrigation de précision fondée sur l'intelligence artificielle avec interaction humain-machine

La recherche du laboratoire GEAR de l'Institut de technologie du Massachusetts (MIT) répond aux contraintes propres aux agriculteurs aux ressources limitées. Les chercheurs ont synthétisé les exigences fonctionnelles d'un outil capable de répondre aux besoins d'efficacité tout en s'intégrant aux pratiques manuelles actuelles, et ont proposé un concept de conception d'interaction humain-machine de programmation automatique et d'exploitation manuelle (AS-MO).

11.3 Programmation intelligente de l'irrigation avec apprentissage automatique

Les techniques d'apprentissage automatique soutiennent l'optimisation de l'irrigation en intégrant les entrées des capteurs aux données météorologiques. Les systèmes d'irrigation fondés sur l'intelligence artificielle optimisent l'efficacité de l'usage de l'eau en intégrant les entrées des capteurs aux données météorologiques.

11.4 Optimisation de l'efficacité de l'usage de l'eau en temps réel

L'irrigation intelligente, la robotique souple et les systèmes autonomes démontrent leur efficacité dans des applications précises comme la taille, le désherbage et l'aquaponie. L'intégration de l'intelligence artificielle à l'Internet des objets et aux drones montre un fort potentiel pour l'irrigation agricole.

11.5 Cadres d'irrigation automatisée fondés sur l'Internet des objets

Un système intelligent d'aide à la décision pour l'agriculture de précision utilise des modèles d'apprentissage profond fondés sur les réseaux de neurones convolutifs pour la programmation de l'irrigation, en parallèle de la prévision du rendement et de l'identification des maladies.

11.6 Analyse comparative des technologies d'irrigation par intelligence artificielle

Chapitre 12 : gestion de l'élevage et surveillance de la santé animale

12.1 L'importance de l'intelligence artificielle dans l'élevage

La production animale représente une composante majeure de l'agriculture mondiale. Les applications de l'intelligence artificielle dans la gestion de l'élevage portent sur la surveillance de la santé animale, l'optimisation de l'alimentation, la reproduction et la gestion de l'environnement, ce qui améliore à la fois la productivité et le bien-être animal.

12.2 Intelligence des élevages avicoles (PoultryFI) : plateforme d'intelligence artificielle multicapteur intégrée

L'Intelligence des élevages avicoles (PoultryFI) est une plateforme modulaire et économique qui intègre six modules pilotés par l'intelligence artificielle : Optimiseur du positionnement des caméras, Surveillance audiovisuelle, Analytique et alertes, Comptage des œufs en temps réel, Prévision de la production et de la rentabilité, et quatre autres. Elle figure parmi les premiers systèmes à associer la détection à faible coût, l'analytique en périphérie et l'intelligence artificielle prescriptive pour surveiller en continu les troupeaux, prévoir la production et optimiser la performance.

12.3 BirdWatch : surveillance de la santé avicole intégrée aux satellites

BirdWatch aide les producteurs avicoles à recenser les risques de maladie, environnementaux et de bien-être avant qu'ils ne s'aggravent. En intégrant des capteurs dans le bâtiment, BirdWatch aide les agriculteurs individuels et les grands intégrateurs avicoles qui contractent avec ces élevages à surveiller et à protéger leurs troupeaux en associant les capteurs de l'exploitation aux données satellitaires et à l'intelligence artificielle.

12.4 BroBot : robot autonome de surveillance de la santé avicole

BroBot, développé par des universitaires turcs de l'Université Çanakkale Onsekiz Mart (ÇOMÜ), est le premier robot national et domestique de surveillance de la santé avicole de Türkiye. BroBot surveille une grande quantité de données au moyen des capteurs qu'il embarque, et notifie sans délai les propriétaires de l'élevage, les vétérinaires ou les soigneurs lorsqu'il détecte un problème parmi les volailles. À la différence de ses homologues étrangers, BroBot peut détecter non seulement les poulets de chair malades ou morts, mais aussi surveiller des indicateurs de bien-être.

12.5 Internet des objets et réseaux de capteurs sans fil pour la gestion des bâtiments de poulets de chair

L'association de l'Internet des objets, des caméras de vidéosurveillance pilotées par l'intelligence artificielle, des réseaux de capteurs sans fil et des systèmes de commande automatisés offre une solution à multiples facettes pour la gestion intégrale des bâtiments de poulets de chair. Les données en temps réel, les connaissances prédictives et les commandes automatisées contribuent conjointement à la réduction des coûts, à l'atténuation des pertes et à une prise de décision éclairée.

12.6 Systèmes de vision artificielle pour les élevages avicoles intelligents

Un système de vision artificielle sophistiqué utilisant l'apprentissage profond et intégrant l'algorithme YOLOv11 a été développé pour surveiller et gérer la volaille de manière automatique. Les élevages avicoles peuvent surveiller la santé, le comportement et les conditions environnementales des volailles de façon plus efficace et plus exacte en intégrant capteurs, automatisation et analytique avancée.

12.7 Vision par ordinateur pour la surveillance du comportement des poules pondeuses

Un système fondé sur l'intelligence artificielle pour surveiller le comportement des poules pondeuses au moyen de la vision par ordinateur a été développé pour les élevages avicoles de petite échelle, ce qui permet l'évaluation du bien-être et la détection précoce des comportements anormaux.

12.8 Analyse comparative des systèmes d'intelligence artificielle dans l'élevage

Chapitre 13 : aquaculture et applications de gestion des pêches

13.1 L'essor de l'Aquaculture 4.0

L'industrie aquacole fonctionne désormais comme des systèmes autogérés fondés sur les données, désignés sous le nom d'« Aquaculture 4.0 », parce que des technologies de l'Industrie 4.0 comme l'Internet des objets, l'intelligence artificielle et l'analytique des mégadonnées ont été mises en œuvre. L'intelligence artificielle est devenue une technologie largement adoptée dans l'ensemble de l'aquaculture, qui a atteint une production mondiale de 185 millions de tonnes en 2022\.

13.2 Systèmes de pisciculture pilotés par l'intelligence artificielle

Les systèmes de pisciculture pilotés par l'intelligence artificielle sont utilisés dans les systèmes aquacoles de recirculation à terre (RAS), les systèmes de cages en mer et les piscicultures en eau libre. Ces systèmes favorisent une production durable de produits de la mer par l'analytique des données en temps réel, l'automatisation et la surveillance prédictive, qui optimisent l'usage de l'aliment, réduisent le gaspillage, améliorent la santé des poissons et minimisent l'incidence environnementale.

13.3 Modélisation prédictive et systèmes d'aide à la décision

Une revue de la modélisation prédictive et des systèmes d'aide à la décision dans l'aquaculture durable examine de manière critique la façon dont l'intelligence artificielle transforme les opérations aquacoles. L'alimentation de précision réduit sensiblement l'intervention manuelle et le gaspillage opérationnel. L'intelligence artificielle peut être utilisée en aquaculture pour limiter le gaspillage des intrants et réduire les dépenses jusqu'à 30 %.

13.4 Surveillance de la qualité de l'eau et détection des maladies en temps réel

Parmi les principales applications de l'intelligence artificielle en aquaculture figurent la surveillance de la qualité de l'eau en temps réel, la détection des maladies, l'estimation automatisée de la biomasse de poissons et les calendriers d'alimentation optimisés. Des systèmes pilotés par l'intelligence artificielle sont mis en œuvre pour surveiller la santé des poissons, optimiser les calendriers d'alimentation et prévenir les flambées de maladies.

13.5 Évaluation des stocks de poissons et réduction des prises accessoires

L'intelligence artificielle renforce la gestion des pêches par l'apprentissage automatique, la surveillance en temps réel et l'analytique prédictive, qui améliorent les évaluations des stocks, réduisent les prises accessoires et renforcent la conservation des écosystèmes. L'intelligence artificielle surveille l'activité de pêche dans le monde entier et favorise la durabilité des pêches en haute mer. L'intelligence artificielle est aussi utilisée pour combattre la pêche illicite, non déclarée et non réglementée (INN).

13.6 Calendriers d'alimentation optimisés et estimation de la biomasse

L'intelligence artificielle recèle le potentiel d'améliorer l'aquaculture en facilitant une gestion plus efficace de la croissance, de l'alimentation et de la reproduction des poissons sur des périodes prolongées, avec une estimation automatisée de la biomasse de poissons au moyen de techniques d'intelligence artificielle.

13.7 Analyse comparative des technologies aquacoles

Chapitre 14 : conseil agricole et systèmes d'aide à la décision

14.1 Combler le fossé de la vulgarisation agricole

Les services traditionnels de conseil agricole font face à des limites considérables pour atteindre les petits agriculteurs avec une information opportune et exacte. Les progrès des grands modèles de langage (GML) montrent un potentiel pour outiller les systèmes de vulgarisation agricole ; néanmoins, leur application directe peut présenter des risques en raison de l'absence d'information propre au contexte.

14.2 FarmerChat de Digital Green : assistant d'intelligence artificielle localisé et multilingue

FarmerChat est un assistant alimenté par l'intelligence artificielle, développé par Digital Green, qui offre aux agriculteurs des conseils agricoles gratuits, localisés et intelligents face au climat dans leurs propres langues, au moyen de texte, de vidéo, de voix et d'images. L'outil est conçu pour élargir l'accès des agriculteurs à une information opportune et fiable sur la gestion des cultures, les marchés et la résilience climatique.

FarmerChat repense la façon dont les agriculteurs accèdent à un savoir fiable et localisé à une fraction des coûts traditionnels, avec des essais utilisateurs en cours pour ancrer l'innovation de l'intelligence artificielle dans la rétroaction réelle des agriculteurs, afin que les outils soient exacts, inclusifs et renforcent vraiment la résilience des systèmes alimentaires.

14.3 Vayazh : conseiller agricole assisté par intelligence artificielle avec technologie RAG

Vayazh est un conseiller agricole assisté par intelligence artificielle, conçu pour soutenir les débutants, les amateurs et les producteurs agricoles de petite échelle dans l'amélioration de la prise de décision et de la productivité. Son objectif premier est de permettre une orientation agricole accessible, exacte et consciente du contexte, par l'intégration du savoir propre au domaine à des données environnementales en temps réel.

Approche technique :

Vayazh emploie un modèle de génération augmentée par récupération (RAG) à réglage fin, entraîné sur des jeux de données agricoles fiables, qui couvrent le soin des cultures, la lutte contre les ravageurs, la gestion de l'irrigation et la planification saisonnière. Le cadre intègre une information météorologique en temps réel pour formuler des suggestions de manière dynamique selon les conditions régionales, comme reporter l'irrigation lorsque la pluie est prévue.

Innovation principale :

La constatation la plus notable est que l'intégration de l'intelligence artificielle conversationnelle au savoir agricole formalisé et à la détection écologique aboutit à une meilleure programmation des tâches, à une interaction accrue de l'utilisateur et à un meilleur respect des pratiques agricoles écologiquement durables.

14.4 Kisan AI : système de conseil de cultures intelligent et conscient de la rentabilité

Les systèmes traditionnels de conseil agricole optimisent surtout le rendement biologique et négligent souvent le prix du marché, ce qui peut orienter les agriculteurs vers des décisions agronomiquement saines mais financièrement non viables. Kisan AI répond à ce fossé en intégrant la conscience de la rentabilité aux recommandations de cultures. Un agent conversationnel d'intelligence artificielle de neuf langues, alimenté par l'API d'Anthropic Claude, unifie tous les modules dans une plateforme unique installable sur appareils mobiles et accessible aux agriculteurs de toute l'Inde.

14.5 CottonBot : assistant pour la culture du coton alimenté par un grand modèle de langage

CottonBot est un assistant alimenté par l'intelligence artificielle, conçu pour soutenir les producteurs de coton au moyen de directives agricoles complètes, dont la gestion des ravageurs, la fertilisation du sol, le désherbage, la gestion des nématodes et des recommandations d'irrigation en temps réel, conscientes du contexte et propres à chaque exploitation, au moyen d'outils de LLM-RAG et d'intelligence artificielle agentique.

14.6 Agro Bot : réseaux de neurones artificiels et traitement du langage naturel pour le conseil agricole

Agro Guide Bot offre des recommandations personnalisées instantanées qui couvrent divers sujets liés à l'agriculture. Le bot fournit aux agriculteurs des conseils fiables pour gérer des décisions agricoles complexes en livrant des analyses de prévisions météorologiques, des conditions du sol, des suggestions de lutte contre les ravageurs et des recommandations d'outils agricoles récents, au moyen de réseaux de neurones artificiels (ANN) et du traitement du langage naturel (NLP).

14.7 Projet GAIA : intelligence artificielle générative pour l'agriculture

Le projet d'Intelligence artificielle générative pour l'agriculture (GAIA), dirigé par l'IFPRI, a pour objet de renforcer l'efficacité, la fiabilité et la pertinence contextuelle du conseil agricole généré par l'intelligence artificielle pour les producteurs de petite échelle du Sud global.

Phase I (2023-2024) : A produit des connaissances clés sur la conception et le développement d'agents conversationnels agricoles alimentés par l'intelligence artificielle, au moyen d'un savoir agricole organisé, de mises en œuvre pilotes et de recherches sur la gouvernance des données et l'évaluation du biais de genre. Le projet a démontré le potentiel des outils de conseil pilotés par l'intelligence artificielle tout en recensant des domaines d'amélioration.

Phase II (2025-2027) : A pour objet de renforcer davantage les services de conseil agricole alimentés par l'intelligence artificielle par :

• L'élargissement de l'agrégation de contenu, parallèlement à la mise en œuvre de cadres robustes de gouvernance des données et au développement d'une trousse d'éthique de l'intelligence artificielle générative ;
• L'activation d'un conseil dynamique par l'intégration de sources de données en temps réel, de l'analytique prédictive et de modèles multimodaux, dont des images de la santé des cultures ;
• L'établissement de protocoles complets d'évaluation et de points de référence pour apprécier la performance des grands modèles de langage dans les services de vulgarisation agricole, en mettant l'accent sur l'exactitude, la rapidité, la sensibilité au genre et la contextualisation.

14.8 Analyse comparative des plateformes de conseil

Chapitre 15 : agriculture intelligente face au climat et outils de durabilité

15.1 L'impératif de l'agriculture intelligente face au climat

Le changement climatique pose des menaces existentielles à l'agriculture mondiale. Les technologies agricoles intelligentes, lorsqu'elles sont intégrées à des mesures d'ingenierie, peuvent contribuer à l'atténuation des gaz à effet de serre de l'agriculture et à des systèmes alimentaires résilients face au climat.

15.2 Outils de durabilité de Cropin : suivi de l'empreinte carbone

Les outils de durabilité de Cropin assurent le suivi de l'empreinte carbone, de la consommation d'eau et de la santé du sol, ce qui aide les organisations à appliquer des pratiques respectueuses de l'environnement. La plateforme fournit une analytique avancée pour suivre l'usage de l'eau, l'empreinte carbone, le travail du sol, la déforestation, la biomasse aérienne, la gestion des résidus de culture et davantage, afin d'optimiser les pratiques de manière efficace.

15.3 CinSOIL : insertion et mesure du carbone du sol

CinSOIL est une solution logicielle pour insérer les émissions de carbone à l'échelle de l'exploitation et outiller les agriculteurs afin de restaurer la santé du sol. CinSOIL a développé une manière pratique et fondée sur la science de mesurer la quantité de carbone stockée dans les sols, ce qui aboutit à une façon plus rapide et plus fiable de vérifier les niveaux de carbone du sol.

15.4 Farmdee-Mesook : plateforme d'agriculture intelligente sensible aux gaz à effet de serre

L'agriculture intelligente, par l'intégration de la modélisation des cultures, de la télédétection satellitaire et de l'intelligence artificielle, offre des stratégies fondées sur les données pour renforcer la productivité, optimiser l'usage des intrants et atténuer les émissions de gaz à effet de serre (GES). La présente étude présente Farmdee-Mesook, une plateforme intuitive d'agriculture intelligente sensible aux gaz à effet de serre.

15.5 Intelligence artificielle pour la surveillance des émissions agricoles et la carboneutralité

Lorsqu'ils sont mis en œuvre de manière efficace, les outils d'intelligence artificielle peuvent convertir des données agricoles fragmentées en connaissances exploitables, ce qui aide les agriculteurs à améliorer l'efficacité et à réduire les émissions. Des modèles avancés d'apprentissage automatique sont utilisés pour prévoir les rendements, suivre la séquestration du carbone, modéliser les émissions et simuler la façon dont les changements de pratiques influent sur les résultats.

15.6 Technologies de serre intelligente avec intelligence artificielle et 5G

Les serres intelligentes fondées sur l'Internet des objets utilisent la 5G et l'informatique en périphérie pour une automatisation avancée fondée sur les données, une irrigation de précision et des principes de zonage extensibles. Les robots de serre fournissent des solutions d'automatisation pour les systèmes de culture protégée.

15.7 Analyse comparative des technologies de durabilité

Chapitre 16 : optimisation de la chaîne d'approvisionnement et applications post-récolte

16.1 L'importance de l'optimisation de la chaîne d'approvisionnement

Les pertes post-récolte et les inefficacités de la chaîne d'approvisionnement représentent un gaspillage considérable de ressources agricoles. L'optimisation de la chaîne d'approvisionnement pilotée par l'intelligence artificielle réduit le gaspillage, renforce la rentabilité et améliore la durabilité en comblant le fossé entre la production de l'exploitation et la demande du consommateur.

16.2 Plateformes d'optimisation de la chaîne d'approvisionnement agroalimentaire pilotées par l'intelligence artificielle

Une plateforme d'optimisation de la chaîne d'approvisionnement agroalimentaire pilotée par l'intelligence artificielle a pour objet de rationaliser la chaîne d'approvisionnement agroalimentaire au moyen d'une intelligence artificielle avancée, de l'apprentissage automatique, de la chaîne de blocs et de la logistique intelligente. La plateforme comble le fossé entre la production de l'exploitation et la demande du consommateur, ce qui réduit le gaspillage, renforce la rentabilité et améliore la durabilité.

16.3 Intelligence artificielle générative et chaîne de blocs pour la logistique de la chaîne du froid

Une architecture inédite de bout en bout qui intègre l'apprentissage par renforcement multi-agents (MARL), la technologie de chaîne de blocs et l'intelligence artificielle générative offre un cadre de chaîne d'approvisionnement extensible, intelligent et durable. Le système réduit le temps de transport de 30 % et améliore la fiabilité de la livraison et la qualité des fruits, et convient particulièrement aux environnements aux ressources limitées ou à connectivité intermittente.

16.4 Intelligence artificielle pour la prévision de la demande et la planification logistique

La recherche sur l'usage de l'intelligence artificielle dans la distribution agricole met en évidence la capacité de l'intelligence artificielle à améliorer la prévision du rendement des cultures, à anticiper la demande, à optimiser la logistique et à minimiser le gaspillage. Au moyen de l'intelligence artificielle, les parties prenantes du secteur agricole peuvent établir des chaînes d'approvisionnement plus robustes, adaptatives et redevables, ce qui renforce la sécurité alimentaire mondiale.

16.5 Confiance dans la qualité et intégration de la chaîne de blocs

L'intégration de l'intelligence artificielle et de la technologie de chaîne de blocs peut moduler le stock de sécurité minimal, ce qui pourrait stimuler une croissance substantielle des revenus des entreprises. Tirer parti de l'intelligence artificielle peut renforcer l'efficacité globale de la chaîne d'approvisionnement agricole. La recherche sur les technologies de chaîne de blocs et d'intelligence artificielle générative dans la chaîne d'approvisionnement agricole vise à aider les agriculteurs à prendre des décisions exactes et à réaliser une optimisation intelligente dans les domaines de la production, de la commercialisation et des finances.

16.6 Analyse comparative des technologies de la chaîne d'approvisionnement

Chapitre 17 : sécurité sanitaire des aliments et applications de contrôle de la qualité

17.1 Le rôle crucial de la sécurité sanitaire des aliments

Assurer la sécurité sanitaire et la qualité des aliments tout au long de la chaîne d'approvisionnement agricole est essentiel à la santé publique et à la confiance des consommateurs. Les systèmes de sécurité sanitaire des aliments pilotés par l'intelligence artificielle permettent une détection rapide et exacte des contaminants, des produits frauduleux et des défauts de qualité.

17.2 Spectroscopie intégrée à l'intelligence artificielle pour la détection de la sécurité sanitaire des aliments

L'intégration de l'intelligence artificielle et de l'apprentissage automatique a sensiblement amélioré l'évaluation de la qualité des aliments, des modèles comme les réseaux de neurones convolutifs (RNC) atteignant une exactitude allant jusqu'à 99,85 % dans l'identification des produits frauduleux. La présente revue met en évidence l'intégration de la spectroscopie avancée, de l'analyse pilotée par l'intelligence artificielle et de nouvelles technologies de capteurs.

17.3 Intelligence artificielle multimodale pour la sécurité sanitaire et la qualité des aliments en temps réel

L'assurance en temps réel de la sécurité sanitaire et de la qualité des aliments exige des décisions à la vitesse de la ligne, de l'exploitation à la vente au détail, au moyen de signaux qui couvrent la vision, la spectroscopie, les composés volatils, la biodétection et la télémétrie des procédés. L'intelligence artificielle multimodale fusionne ces données hétérogènes pour détecter les dangers, vérifier l'authenticité et prédire la fraîcheur en quelques secondes.

17.4 Intelligence artificielle fondée sur le nuage pour la surveillance de la qualité des grains

Un système d'intelligence artificielle fondé sur le nuage automatise la détection de la qualité et de la contamination des grains au moyen de la vision par ordinateur et de l'apprentissage profond. Les images captées dans les centres de distribution sont analysées par la collaboration périphérie-nuage, ce qui permet un classement et des alertes de sécurité sanitaire en temps réel. Le réseau de neurones convolutif a atteint une exactitude de 96 % dans l'identification de la qualité des grains et la détection de la contamination.

17.5 Apprentissage automatique et profond pour l'intégrité des aliments

Les approches fondées sur l'intelligence artificielle, l'apprentissage automatique et l'apprentissage profond offrent un nouveau paradigme dans la gestion de la sécurité sanitaire des aliments par la surveillance en temps réel, l'analyse non destructive et les mécanismes dynamiques d'aide à la décision. Des défis comme la normalisation des données, la transparence des modèles et la conformité réglementaire se dégagent comme des questions clés à traiter.

17.6 Technologies d'intelligence artificielle spectrale pour la sécurité sanitaire des aliments

Les approches d'intelligence artificielle spectrale soutiennent la détection de divers dangers de sécurité sanitaire et de qualité dans les systèmes de viande, de produits de la mer et de produits agricoles. Les chaînes intégrées d'intelligence artificielle spectrale peuvent identifier la fraude, la contamination et les défauts de qualité dans diverses catégories d'aliments.

17.7 Analyse comparative des technologies de sécurité sanitaire des aliments

Volume III : analyse intégrée et orientations futures

Chapitre 18 : sources internationales, jeux de données et institutions de recherche

18.1 Principales institutions internationales de recherche

Plusieurs organisations internationales se situent à l'avant-garde de la recherche-développement en intelligence artificielle agricole :

CGIAR (Groupe consultatif pour la recherche agricole internationale) : Un partenariat mondial de 15 centres de recherche qui œuvrent pour la sécurité alimentaire. La recherche en libre accès du CGIAR est utilisée pour renforcer l'exactitude et la pertinence du conseil généré par l'intelligence artificielle.

IFPRI (Institut international de recherche sur les politiques alimentaires) : À la tête du projet GAIA, l'IFPRI explore les applications de l'intelligence artificielle dans les systèmes alimentaires, de l'aide à la décision à l'échelle de l'exploitation à l'analyse des politiques.

FAO (Organisation des Nations unies pour l'alimentation et l'agriculture) : Le système AGRIS de la FAO catalogue la recherche et la technologie agricoles du monde entier, dont les applications de l'intelligence artificielle dans l'agriculture de précision.

Digital Green : Une organisation de développement mondiale qui outille les petits agriculteurs en tirant parti de la technologie et des partenariats de terrain.

CABI (Centre pour l'agriculture et les biosciences international) : Fournit des matériels de savoir agricole exclusifs utilisés dans les systèmes de conseil par intelligence artificielle.

18.2 Jeux de données publics pour l'intelligence artificielle agricole

Parmi les principaux jeux de données publics qui soutiennent le développement de l'intelligence artificielle agricole figurent :

• CropInstruct : Un jeu de données construit pour le diagnostic multimodal des maladies des cultures, qui atténue la rareté des données multimodales de maladies des cultures de haute qualité.
• Jeu de données des maladies des feuilles de maïs : 4 188 images de brûlure, de rouille commune, de tache grise foliaire et de feuilles de maïs saines pour l'entraînement des réseaux de neurones convolutifs.
• Grille de connaissances sur les cultures : La grille de Cropin couvre plus de 400 cultures et plus de 10 000 variétés, entraînée sur des millions de points de données du monde réel.

18.3 Collaborations de recherche

Plusieurs collaborations de recherche notables font progresser l'intelligence artificielle agricole :

Collaboration du projet GAIA : Dirigée par l'IFPRI avec les partenaires CABI, SCiO, l'Université de Floride et Digital Green.

Partenariat IFPRI-Digital Green : Explore les innovations d'intelligence artificielle pour les petits agriculteurs par des essais utilisateurs de FarmerChat.

WHEATWATCHER : Une initiative d'Horizon Europe qui unit la surveillance de la santé du sol, l'évaluation de la santé végétale et la traçabilité des aliments.

Chapitre 19 : caractéristiques et avantages selon les catégories d'application

19.1 Résumé des principaux avantages

19.2 Avantages transversaux

1. Extensibilité : Les systèmes d'intelligence artificielle peuvent être déployés sur des millions d'hectares, et atteindre des agriculteurs que les services traditionnels de vulgarisation ne touchent pas.

1. Réduction des coûts : De nombreuses applications d'intelligence artificielle fonctionnent à une fraction des coûts traditionnels. FarmerChat, par exemple, fournit un savoir localisé à une fraction des coûts traditionnels.

1. Précision : L'intelligence artificielle permet une gestion propre au site, ce qui réduit les intrants tout en maintenant ou en améliorant les rendements.

1. Fonctionnement en temps réel : Les systèmes d'intelligence artificielle fournissent une surveillance continue et des alertes immédiates, ce qui permet une réponse rapide aux problèmes émergents.

1. Intégration des données : Les plateformes d'intelligence artificielle intègrent plusieurs flux de données (sol, climat, satellite, historique) dans une aide à la décision unifiée.

1. Explicabilité : Les techniques émergentes d'intelligence artificielle explicable rendent les décisions de l'intelligence artificielle interprétables, ce qui établit la confiance de l'agriculteur et permet une prise de décision éclairée.

Chapitre 20 : défis de la mise en œuvre

20.1 Défis techniques

Qualité et quantité des données : Un défi primordial consiste à obtenir de grandes quantités de données de haute qualité pour créer des modèles fondés sur l'intelligence artificielle aujourd'hui et à l'avenir. Cela constitue une source de préoccupation pour toutes les entreprises.

Normalisation des données : Des défis comme la normalisation des données, la transparence des modèles et la conformité réglementaire se dégagent comme des questions clés à traiter.

Synchronisation des données de sources multiples : Des défis comme les obstacles de synchronisation des données de sources multiples, les coûts élevés des équipements intelligents et les limites d'adaptabilité des modèles dans les environnements agricoles complexes demeurent.

Adaptabilité des modèles : Les modèles conçus pour un contexte échouent souvent lorsqu'ils sont transférés à des cultures, des climats ou des systèmes de culture différents.

Interopérabilité : L'interopérabilité limitée entre les différentes plateformes d'intelligence artificielle et les systèmes agricoles crée des silos de données et réduit l'efficacité.

20.2 Défis économiques

Coûts élevés : Les coûts élevés, les préoccupations relatives à la confidentialité, l'infrastructure inadéquate et les connaissances techniques limitées créent des obstacles à une adoption à grande échelle.

Coûts des équipements : Les coûts élevés des équipements intelligents posent des obstacles aux petits agriculteurs.

Incertitude sur le retour sur investissement : Les avantages économiques de l'adoption de l'intelligence artificielle peuvent ne pas être immédiatement évidents, en particulier pour les petites exploitations.

20.3 Défis de mise en œuvre

Déficits d'infrastructure : L'infrastructure inadéquate, en particulier dans les régions en développement, limite le déploiement des systèmes d'intelligence artificielle qui exigent une connectivité et une énergie fiables.

Connaissances techniques limitées : Les connaissances techniques limitées des agriculteurs et des travailleurs agricoles restreignent l'usage efficace des outils d'intelligence artificielle.

Obstacles à l'adoption : L'adoption varie en raison d'obstacles financiers, d'infrastructure et de gouvernance, en particulier dans les régions en développement.

20.4 Défis sociaux et éthiques

Fracture numérique : L'accès inégal à la technologie risque d'élargir le fossé entre les exploitations commerciales à grande échelle et les petits agriculteurs.

Confidentialité et sécurité des données : La collecte et l'usage des données des exploitations suscitent des préoccupations relatives à la propriété, à la confidentialité et à un usage abusif potentiel.

Déplacement de la main-d'œuvre : L'automatisation peut déplacer les travailleurs agricoles, ce qui exige de prêter attention aux politiques de transition juste.

Biais algorithmique : Les modèles entraînés sur des données d'un contexte peuvent présenter une faible performance pour les agriculteurs, les cultures ou les régions sous-représentés.

20.5 Lacunes de recherche

La revue systématique de la littérature a recensé des lacunes de recherche dans l'intégration de l'intelligence artificielle à des domaines émergents comme la gestion des nutriments et dans l'élargissement de l'usage des systèmes de capteurs. Combler ces lacunes est essentiel pour développer des systèmes agricoles plus durables et plus résilients.

Chapitre 21 : recommandations stratégiques

21.1 Recommandations à l'intention des agriculteurs

1. Commencer par des solutions ciblées : Commencer par une seule application d'intelligence artificielle (par exemple, la détection des maladies) avant d'élargir à une gestion intégrale de l'exploitation.
2. Évaluer le rapport coûts-avantages : Apprécier la proposition de valeur propre à votre culture, à votre région et à la taille de votre exploitation.
3. Privilégier l'intelligence artificielle explicable : Choisir des systèmes qui offrent des recommandations interprétables, ce qui permet une dérogation éclairée le cas échéant.
4. Conserver le savoir local : Utiliser l'intelligence artificielle en complément, et non en remplacement, du savoir agricole traditionnel.
5. Investir dans la littératie numérique : Développer les compétences nécessaires à un usage efficace des outils d'intelligence artificielle.

21.2 Recommandations à l'intention des agro-entreprises

1. Intégrer plusieurs systèmes : Relier les applications d'intelligence artificielle tout au long de la chaîne de valeur pour un avantage maximal.
2. Contribuer à la qualité des données : Investir dans la collecte de données de haute qualité pour améliorer la performance des modèles.
3. Planifier l'interopérabilité : Choisir des plateformes qui prennent en charge les normes ouvertes et la portabilité des données.
4. Traiter la cybersécurité : Mettre en œuvre des mesures de sécurité robustes pour les systèmes connectés à l'intelligence artificielle.
5. Offrir une formation : Soutenir la formation des utilisateurs pour maximiser l'adoption et les avantages.

21.3 Recommandations à l'intention des développeurs de technologies

1. Privilégier l'explicabilité : Construire des systèmes que les agriculteurs peuvent comprendre et auxquels ils peuvent faire confiance.
2. Prendre en charge plusieurs langues : Activer des interfaces multilingues pour atteindre des utilisateurs divers.
3. Optimiser pour la faible connectivité : Développer des capacités hors connexion et à faible bande passante.
4. Concevoir pour l'accessibilité financière : Créer des modèles de tarification échelonnés accessibles aux petits agriculteurs.
5. Assurer la confidentialité des données : Mettre en œuvre des mécanismes robustes de protection des données.
6. Réaliser des tests de biais : Valider les modèles sur des cultures, des régions et des groupes d'utilisateurs divers.

21.4 Recommandations à l'intention des responsables des politiques

1. Investir dans l'infrastructure numérique : Élargir la connectivité et l'accès à l'énergie en milieu rural.
2. Soutenir les programmes de littératie numérique : Former les agriculteurs et les agents de vulgarisation.
3. Établir des cadres de gouvernance des données : Protéger les droits sur les données des agriculteurs tout en permettant l'innovation.
4. Offrir des incitations à l'adoption : Subventionner les outils d'intelligence artificielle pour les petits agriculteurs.
5. Financer la recherche sur l'intégration des systèmes : Soutenir la recherche en interopérabilité et en systèmes de capteurs.
6. Développer des cadres réglementaires : Équilibrer la sécurité, l'efficacité et l'innovation.

21.5 Recommandations à l'intention des chercheurs

1. Traiter les lacunes de recherche recensées : Privilégier l'intégration de la gestion des nutriments et l'élargissement des systèmes de capteurs.
2. Réaliser des évaluations d'incidence rigoureuses : Apprécier la performance en conditions réelles dans des contextes divers.
3. Développer des protocoles de points de référence : Établir des mesures d'évaluation normalisées.
4. Étudier l'interopérabilité : Développer des normes ouvertes pour l'échange de données.
5. Étudier les incidences sociales : Surveiller le déplacement de la main-d'œuvre et les effets sur l'équité.

Chapitre 22 : conclusion et trajectoires futures

22.1 Résumé des constatations

La présente revue intégrale a recensé et analysé les principales applications et plateformes logicielles d'intelligence artificielle développées spécifiquement pour un usage agricole dans le monde. Les éléments probants montrent que l'intelligence artificielle s'applique tout au long de la chaîne de valeur agricole, de la surveillance des cultures et de la détection des maladies à la récolte autonome et à l'optimisation de la chaîne d'approvisionnement, avec des gains mesurables.

L'analyse révèle plusieurs constatations clés :

1. Les applications d'intelligence artificielle couvrent tous les domaines agricoles : La gestion des cultures, la détection des maladies, la prévision du rendement, la surveillance des sols, le désherbage, la récolte, l'irrigation, l'élevage, l'aquaculture, le conseil, l'agriculture intelligente face au climat, l'optimisation de la chaîne d'approvisionnement et la sécurité sanitaire des aliments bénéficient toutes des technologies d'intelligence artificielle.

1. Les gains de performance sont documentés et substantiels : Les systèmes atteignent une exactitude de détection des maladies jusqu'à 93,1 %, une exactitude d'identification des adventices de 97 %, un R²=0,92 pour la prévision du rendement et des réductions de 30 % de l'eau, des engrais et du temps de transport.

1. Il existe un écosystème diversifié de plateformes : Des nuages intégraux d'agriculture intelligente (Cropin) aux solutions spécialisées (Terra Oracle AI, FarmerChat, LaserWeeder), les agriculteurs et les agro-entreprises disposent d'options adaptées à leurs besoins précis.

1. L'adoption fait face à des obstacles substantiels : Les coûts élevés, les déficits d'infrastructure, les connaissances techniques limitées, les défis de qualité des données et les contraintes d'interopérabilité limitent l'adoption à grande échelle, en particulier pour les petits agriculteurs.

1. Des lacunes de recherche demeurent : En particulier dans l'intégration de l'intelligence artificielle à la gestion des nutriments et dans l'élargissement de l'usage des systèmes de capteurs.

22.2 L'avenir de l'intelligence artificielle dans l'agriculture

La modernisation de la production agricole et alimentaire présente une trajectoire claire, qui progresse de la mécanisation à l'automatisation et qui avance désormais de manière soutenue vers une agriculture et une ingénierie alimentaire intelligentes. Plusieurs tendances émergentes façonneront l'avenir de l'intelligence artificielle dans l'agriculture :

Intelligence artificielle en périphérie et traitement sur l'appareil : Le transfert du calcul de l'intelligence artificielle vers les appareils en périphérie réduit la dépendance à la connectivité en nuage, ce qui permet le traitement en temps réel dans les environnements agricoles éloignés.

Intelligence artificielle générative et intégration des grands modèles de langage : Les grands modèles de langage alimenteront de plus en plus les systèmes de conseil agricole, et fourniront aux agriculteurs un soutien conversationnel et conscient du contexte.

Modèles de fondation pour l'agriculture : Des modèles comme le Grand Modèle de Plantes (LPM) pour l'identification des plantes permettront l'apprentissage par transfert entre cultures et contextes.

Systèmes multimodaux : L'intégration de la vision, du langage, des capteurs et d'autres modalités fournira une intelligence intégrale de l'exploitation.

Écosystèmes autonomes : Les systèmes autonomes de bout en bout géreront des opérations agricoles entières avec une intervention humaine minimale.

Intégration de la durabilité : L'intelligence artificielle jouera un rôle de plus en plus important dans le suivi, la vérification et l'optimisation des émissions agricoles et de la séquestration du carbone.

22.3 Réflexions finales

Les technologies d'intelligence artificielle en agriculture devraient figurer parmi les sujets de recherche agricole les plus importants du présent et de l'avenir. Ces technologies apportent des contributions substantielles à la durabilité par la surveillance des conditions dans les exploitations, l'amélioration de l'aide à la décision, la protection des sols, l'économie d'eau, la limitation des émissions de carbone, la réduction de l'utilisation des gaz à effet de serre, l'augmentation de la productivité, la facilitation et l'amélioration des opérations agricoles, ainsi que le développement de diverses solutions aux problèmes en suspens.

La voie à suivre exige la collaboration entre agriculteurs, agro-entreprises, développeurs de technologies, chercheurs et responsables des politiques. En œuvrant de concert, la communauté agricole mondiale peut utiliser l'intelligence artificielle pour construire des systèmes alimentaires plus productifs, plus durables et plus résilients, ce qui aidera à nourrir une population croissante tout en gérant avec prudence les ressources de la planète.

Volume IV : documents d'appui

Chapitre 23 : références

Les références ci-dessous sont présentées dans leur langue d'origine (l'anglais) afin de préserver l'intégrité de la citation et sa traçabilité jusqu'aux sources publiées.

1. Özoğul, G. (2025). Applications of artificial intelligence technologies in agriculture: advantages, challenges, risks, prospects, and recommendations. Cogent Food & Agriculture, 11(1), 2568199\.

1. Veronika Yuni T, Saromah, & Gunawan, B. (2025). Smart Farming Technologies for Global Food Security: A Review of Robotics and Automation. Digitus: Journal of Computer Science Applications, (4), 186-201.

1. (2025). Revolutionizing agriculture: A comprehensive review on artificial intelligence applications in enhancing properties of agricultural produce. Food Chemistry: X, 29, 102748\.

1. Mohammed, S. P., Deepika, J., Sritharan, N., Ravichandran, V., Prasanthrajan, M., & Kannan, P. (2025). A systematic literature review on artificial intelligence in transforming precision agriculture for sustainable farming: Current status and future directions. Plant Science Today, 12(2).

1. (2025). A Comprehensive Review of AI Methods in Agri-Food Engineering: Applications, Challenges, and Future Directions. Electronics, 14(20), 3994\.

1. (2026). Integrating stability zones and machine learning for enhanced crop management. Precision Agriculture, 27, 38\.

1. (2025). IoT and Machine Learning Framework for Precision Agri-Business and Smart Crop Forecasting. IEEE Conference Paper.

1. (2026). Intelligent Decision Support System for Sustainable Precision Agriculture: A Deep Learning Approach. IEEE Conference Paper.

1. (2026). AI-Driven Precision Agriculture System for Crop Health Monitoring & Yield Prediction. IEEE Conference Paper.

1. Getnet Tigabie Askale, Achenef Behulu Yibel, Belayneh Matebie Taye, & Gashaw Desalegn Wubneh. (2025). Mobile based deep CNN model for maize leaf disease detection and classification. BMC.

1. (2026). CropGPT: A large multimodal model for precise and explainable diagnosis of crop pests and diseases. Elsevier / Computers and Electronics in Agriculture.

1. TatarAI: Crop & Plant Health. App Store.

1. Cropin. (2025). Cropin Intelligence – predictive agri-business insights platform. https://www.cropin.com

1. Deutschland.de. (2026). High tech in the fields: Driverless farm machinery, artificial intelligence and smart livestock breeding.

1. Tehrani, R. (2025). Autonomous Farms Are Taking Root, but Big Questions Remain. TMCnet Blog.

1. (2025). Vayazh \- Leveraging AI and NLP to Empower Farmers with Real-Time Agricultural Insights. IEEE Conference Paper.

1. IFPRI. (2025). Generative AI for Agriculture (GAIA) – Phase I & II. https://www.ifpri.org

1. IFPRI. (2025). IFPRI and Digital Green expand collaboration to test AI innovations for smallholder farmers. https://www.ifpri.org

1. Agrotics: Smart Farming App. App Store.

1. Cropin. (2025). Intelligent agriculture cloud \- agri-cloud solutions. https://www.cropin.com

1. HortiDaily. (2026). AI agronomic advisor turns fragmented farm data into multilingual, real-time decisions.

1. (2025). Poultry Farm Intelligence: An Integrated Multi-Sensor AI Platform for Enhanced Welfare and Productivity. arXiv.

1. BirdWatch. ESA Business Applications.

1. (2025). ÇOMÜ Academics Developed Artificial Intelligence Supported BroBot. YÖK.

1. (2026). Artificial Intelligence for Blue Transformation: A Review of Predictive Modeling and Decision Support Systems in Sustainable Aquaculture. Wiley.

1. (2026). AI-Powered Fish Farming Global Market Report 2026\. GII Research.

1. (2025). "GenAI \+ blockchain" to coordinate agricultural supply chains to improve quality trust: an agent-based simulation study. Frontiers.

1. (2026). Generative AI and Blockchain-Integrated Multi-Agent Framework for Resilient and Sustainable Fruit Cold-Chain Logistics. MDPI.

1. (2026). Strawberry Picking Using AI Vision, Silicone Fingers, and a Fan. ASME.

1. (2026). Automated Fruit and Vegetable Harvesting. Fraunhofer Institute.

1. (2026). Eternal.ag raises €8M to automate greenhouse harvesting with AI-powered robots. Tech.eu.

1. (2025). A Novel AI-Enabled IoT Framework for Real-Time Soil Fertility Analysis and Adaptive Crop Recommendation in Smart Agriculture. IEEE.

1. (2026). Deep Q-Learning-Based Robotic Weed Detection and Removal in Precision Crop Management. IEEE.

1. Carbon Robotics. (2026). Carbon Robotics expands autonomous weed control across crops. Organic Grower Magazine.

1. (2025). AI-Integrated Spectroscopy for Food Safety. AGRIS.

1. (2026). Spectral-AI technologies for food safety: Advances, challenges, and future directions. ScienceDirect.

1. (2025). Cloud Based AI System for Food Grain Quality and Safety Monitoring. JISEM.

Chapitre 24 : annexes

Annexe A : glossaire de la terminologie de l'intelligence artificielle agricole

Annexe B : matrice comparative des caractéristiques

Annexe C : répertoire des institutions internationales

Organisations de recherche :

• CGIAR : cgiar.org
• IFPRI : ifpri.org
• CABI : cabi.org
• FAO : fao.org

Plateformes sectorielles :

• Cropin : cropin.com
• Digital Green : digitalgreen.org
• Terra Oracle AI : (établie en Europe)

Code source ouvert :

• Dépôts GitHub d'AgriPredict AI, Cropl, AgriIntel, entre autres.

Annexe D : liste de vérification pour l'évaluation des applications d'intelligence artificielle agricole

À l'intention des agriculteurs et des agro-entreprises qui évaluent des applications d'intelligence artificielle :

Évaluation technique :

• Le système offre-t-il des recommandations explicables ?
• Le modèle d'intelligence artificielle est-il validé pour votre culture et votre région ?
• Quelles mesures d'exactitude ou de performance sont rapportées ?
• Le système s'intègre-t-il à votre équipement existant ?

Évaluation de la facilité d'usage :

• L'interface est-elle accessible aux utilisateurs de votre niveau de littératie technique ?
• Une prise en charge multilingue est-elle disponible ?
• Le système fonctionne-t-il hors connexion ou avec une connectivité limitée ?

Évaluation des coûts :

• Quel est le coût total de possession (y compris la formation, le soutien et les mises à niveau) ?
• Existe-t-il un modèle de tarification échelonné adapté à votre échelle ?
• Quel est le retour sur investissement attendu ?

Évaluation des données :

• Qui est propriétaire des données recueillies par le système ?
• Quelles protections de la confidentialité sont en place ?
• Pouvez-vous exporter vos données dans des formats utilisables ?

Évaluation du soutien :

• Une formation est-elle offerte ?
• Quel soutien technique est disponible ?
• Existe-t-il des communautés d'utilisateurs ou des études de cas que vous pouvez consulter ?

Déclarations et mentions

Déclaration de conflit d'intérêts

L'auteur de ce manuscrit, le Dr Aladdin Ali, est le fondateur et directeur général d'Aladdin International et le développeur de la plateforme Aladdin Agri AI présentée au Chapitre 4\. Cette relation constitue un conflit d'intérêts potentiel et est divulguée ici de manière explicite. L'évaluation présentée au Chapitre 4 repose sur la documentation de conception et de mise en œuvre de la plateforme et, comme indiqué à la Section 4.11, ne s'appuie pas sur un point de référence de terrain indépendant de tiers. Il est conseillé aux lecteurs de tenir compte de cette relation lors de l'interprétation de ce chapitre. Les autres chapitres du manuscrit traitent de plateformes de tiers documentées publiquement, et aucune relation commerciale avec ces plateformes n'est déclarée.

Financement

L'auteur déclare qu'aucun financement externe particulier n'a été reçu d'un organisme public, commercial ou sans but lucratif pour la réalisation de la présente étude. Le travail a été mené dans le cadre de l'initiative dirigée par l'auteur.

Disponibilité des données et des matériels

Le présent article est un article de revue. Toutes les données analysées proviennent des sources publiées et accessibles au public énumérées au Chapitre 23\. Aucun jeu de données primaire nouveau n'a été généré pour la présente étude. La documentation de la plateforme à laquelle il est fait référence au Chapitre 4 est la propriété exclusive d'Aladdin International.

Déclaration d'éthique

La présente étude n'a comporté aucune recherche sur des participants humains, des données humaines ni des sujets animaux. Par conséquent, l'approbation d'un comité d'éthique n'était pas requise.

Contributions de l'auteur

La conceptualisation, la conception de la méthodologie, la recherche bibliographique, l'analyse et la rédaction du manuscrit ont été réalisées par l'auteur unique.

Déclaration de transparence sur les outils utilisés

Des outils assistés par intelligence artificielle ont été utilisés pour la préparation et la révision linguistique de ce manuscrit. La responsabilité de l'exactitude scientifique, de l'intégrité des sources et de la forme finale du contenu incombe à l'auteur. Toutes les statistiques et citations s'appuient sur les sources primaires énumérées au Chapitre 23\.

Fin du manuscrit

La présente étude a été préparée pour la Conférence internationale sur l'intelligence artificielle dans les systèmes agroalimentaires. Version révisée pour une publication dans des revues agricoles internationales et une présentation lors de conférences internationales. Version 1.1. 2026\.