TechnodoseViti : Modélisation expérimentale pour la prédiction des dépôts de produits phytosanitaires au sein du couvert végétal en viticulture. Application à l'expression des doses et à la viticulture de précision - INRAE - Institut national de recherche pour l’agriculture, l’alimentation et l’environnement Accéder directement au contenu
Article Dans Une Revue Innovations Agronomiques Année : 2023

Experimental modeling of phytosanitary treatment deposits as a function of plant architecture in viticulture. Applications to dose expression and precision spraying

TechnodoseViti : Modélisation expérimentale pour la prédiction des dépôts de produits phytosanitaires au sein du couvert végétal en viticulture. Application à l'expression des doses et à la viticulture de précision

Résumé

Work carried out within the Casdar RT TechnoDoseViti project (2018-2021) identified the crop parameters needed to predict the statistical distribution of sprayed plant protection product deposits inside the vine canopy (Cheraiet et al., 2021). This experimental modeling work (Codis et al., 2018) built, calibrated, and validated multivariate models to predict different deciles of canopy surface deposition amounts based on vegetation descriptors (canopy height, thickness, and porosity) measured with a mobile 2D LiDAR sensor allowing for a 3D vegetation reconstruction (Cheraiet et al., 2019 & 2020). Models were developed and calibrated for different types of sprayers and different vine systems (wide and narrow vineyards). The data were mobilized to compare different technological scenarios consisting of different mechanization strategies of wine growers and different levels of spraying equipment technology in order to assess what could be the contribution of precision application techniques in terms of reduction of phytosanitary inputs. Within the framework of the project, a web demonstrator has been produced: https://technodoseviti.hdigitag.fr/
Les travaux conduits dans le cadre du projet Casdar RT TechnoDoseViti (2018-2021) ont permis d'identifier les descripteurs de la végétation nécessaires à prendre en compte pour prédire la distribution statistique des dépôts de produits phytosanitaires pulvérisés au sein du couvert végétal (Cheraiet et al., 2021). Ce travail de modélisation expérimentale (Codis et al., 2018) a permis de construire, calibrer et valider des modèles multivariés permettant de prédire les différents déciles de quantité de dépôts surfaciques dans le couvert végétal en fonction de descripteurs de la végétation (hauteur, épaisseur et porosité du couvert végétal) mesurés à l’aide d’un capteur LiDAR 2D mobile permettant une reconstitution 3D de la végétation (Cheraiet et al., 2019 & 2020). Des modèles ont été développés et calés pour différents types de pulvérisateurs et différents contextes viticoles (vignes larges et vignes étroites). Les données ont été mobilisées pour comparer différents scénarios technologiques consistant en différentes stratégies de mécanisation des viticulteurs et différents niveaux de technologie des appareils afin d’évaluer quelle pourrait être la contribution des techniques d’application de précision en termes de réduction des intrants phytosanitaires. Dans le cadre du projet, un démonstrateur web a été réalisé : https://technodoseviti.hdigitag.fr/
Fichier principal
Vignette du fichier
2023_Codis et al_Innovations Agronomiques vol88.pdf (1.41 Mo) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte
Licence

Dates et versions

hal-04312690 , version 1 (28-11-2023)

Licence

Identifiants

Citer

Sébastien Codis, Anice Cheraïet, Xavier Delpuech, Mathilde Carra, Xavier Ribeyrolles, et al.. TechnodoseViti : Modélisation expérimentale pour la prédiction des dépôts de produits phytosanitaires au sein du couvert végétal en viticulture. Application à l'expression des doses et à la viticulture de précision. Innovations Agronomiques, 2023, 88, pp.31-46. ⟨10.17180/ciag-2023-vol88-art03⟩. ⟨hal-04312690⟩
81 Consultations
12 Téléchargements

Altmetric

Partager

Gmail Mastodon Facebook X LinkedIn More