Processing and value-adding to spatial information in Precision Agriculture: application to within-field yield monitor data
Traitement et valorisation d'informations spatialisées en Agriculture de Précision: application aux données de rendement intra-parcellaires
Résumé
Precision Agriculture (PA) aims at combining georeferenced information and communication technologies to improve agrosystems' management. Within-field yield data arising from sensors mounted on combine harvesters are one of the primary and symbolic information in precision agriculture. Thanks to global navigation satellite systems (GNSS), yield sensors enable to generate highly resolute within-field yield maps. These latter maps can be used to help to characterize the within-field crop production variability and make decisions for the management of upcoming crops. Nowadays, yield maps are however under-exploited and sometimes not even used by the agriculture professionals for a couple of reasons: non-reliable processing chain, non-simplified maps, very few yield-based operational services.... Although several works have already been dedicated to yield data processing when yield monitors were first put into place, it is stressed here that digital technologies have significantly evolved since the raise of these yield monitors, e.g. improvement of communication networks, farm management information systems on the cloud, more and more connected farms. Those new factors require processing methodologies to meet several demands, e.g. automation (lower manual interaction), robustness (given the diversity of data to process), non-parametricity. This digital disruption in the agricultural world supports the need to revisit existing yield processing methods to make sure that they come along with the new context that agriculture is facing. The objective being to (i) evaluate their effectiveness in this new digital context, and (ii) identify the possible paths for improvement and the scientific obstacles that might be faced. During this PhD program, several yield processing methods and algorithms have been proposed algorithms so that raw yield data could be turned into information and decision layers. Three major axes have been investigated (1) data quality, (2) data spatial representation, and (3) data interpretation. More specifically, a filtering approach has first been implemented to improve the reliability of within-field yield monitor data (1). The proposed methodology is original because it accounts for the data acquisition process of the combine harvester and because the filtering approach can be applied on irregularly-spaced within-field data. Two zoning methods have then been proposed to delineate homogeneous yield units from annual or multi-temporal yield mapping datasets (2). The zoning procedure is interesting in the sense that it can be applied to irregularly-spaced spatial data and that it incorporates operational considerations (farmer's expertise, size of agriculture machinery). Finally, a decision tree has been put into place to help users to select an appropriate descriptor of within-field variability when working with spatial data (3). Careful attention was paid to the development of automated, robust, and unsupervised methods to cope with the new digital context previously mentioned.
(trad auto)L'agriculture de précision (AP) vise à combiner les technologies de l'information et de la communication géoréférencées pour améliorer la gestion des agrosystèmes. Les données de rendement à l'intérieur du champ provenant des capteurs montés sur les moissonneuses-batteuses sont l'une des informations primaires et symboliques de l'agriculture de précision. Grâce aux systèmes mondiaux de navigation par satellite (GNSS), les capteurs de rendement permettent de générer des cartes de rendement très précises à l'intérieur du champ. Ces dernières cartes peuvent servir à caractériser la variabilité de la production agricole à l'intérieur du champ et à prendre des décisions pour la gestion des cultures à venir. Aujourd'hui, les cartes de rendement sont cependant sous-exploitées et parfois même pas utilisées par les professionnels de l'agriculture pour plusieurs raisons : chaîne de transformation non fiable, cartes non simplifiées, très peu de services opérationnels basés sur le rendement Bien.... que plusieurs travaux aient déjà été consacrés au traitement des données de rendement lors de la mise en place de ces indicateurs de rendement, il est souligné ici que les technologies numériques ont considérablement évolué depuis leur augmentation, par exemple, amélioration des réseaux de communication, systèmes informatiques pour la gestion agricole en ligne et plus en plus des exploitations en réseau. Ces nouveaux facteurs nécessitent des méthodologies de traitement pour répondre à plusieurs demandes, par exemple l'automatisation (interaction manuelle réduite), la robustesse (étant donné la diversité des données à traiter), la non-paramétrie. Cette perturbation numérique dans le monde agricole justifie la nécessité de revoir les méthodes actuelles de transformation du rendement pour s'assurer qu'elles s'inscrivent dans le nouveau contexte auquel l'agriculture est confrontée. L'objectif étant (i) d'évaluer leur efficacité dans ce nouveau contexte numérique et (ii) d'identifier les pistes d'amélioration possibles et les obstacles scientifiques qui pourraient se présenter. Au cours de ce programme de doctorat, plusieurs méthodes et algorithmes de traitement du rendement ont été proposés afin que les données brutes de rendement puissent être transformées en couches d'information et de décision. Trois grands axes ont été étudiés : (1) la qualité des données, (2) la représentation spatiale des données et (3) l'interprétation des données. Plus précisément, une approche de filtrage a d'abord été mise en uvre pour améliorer la fiabilité des données de surveillance du rendement à l'intérieur du champ (1). La méthodologie proposée est originale parce qu'elle tient compte du processus d'acquisition des données de la moissonneuse-batteuse et parce que l'approche de filtrage peut être appliquée aux données à espacement irrégulier à l'intérieur du champ. Deux méthodes de zonage ont ensuite été proposées pour délimiter des unités de rendement homogènes à partir d'ensembles de données annuelles ou multitemporelles de cartographie du rendement (2). La procédure de zonage est intéressante en ce sens qu'elle peut être appliquée à des données spatiales à espacement irrégulier et qu'elle intègre des considérations opérationnelles (expertise de l'agriculteur, taille des machines agricoles). Enfin, un arbre de décision a été mis en place pour aider les utilisateurs à choisir un descripteur approprié de la variabilité à l'intérieur du champ lorsqu'ils travaillent avec des données spatiales (3). Une attention particulière a été portée au développement de méthodes automatisées, robustes et non supervisées pour faire face au nouveau contexte numérique mentionné précédemment.