Lors de notre première séance sur les data en Agriculture, le 9 mars 2022, sous l’intitulé « La guerre des data agricoles aura-bien lieu », nous nous demandions si les GAFAM avaient d’ores et déjà gagné la partie. C’est très probable, mais bien d’autres acteurs sont intéressés par ces données.
Nos intervenants ont souligné que pour ce qui concerne les données liées à la vie des exploitations agricoles, il fallait que les exploitants agricoles :
- expriment leur consentement à l’utilisation de leurs données par des tiers (Voir le projet AgDataHub), ou que…
- n’échangent que des données utiles n’ayant rien de « confidentiel » (Voir projet « Share Your Farming Experience ») ou que…
- fassent appel aux outils de BlockChain (Voir projet OKP4).
Peuvent-ils espérer être rémunérés pour cette mise à disposition de leurs données ? C’est peu probable bien que cette mise à disposition soit absolument indispensable, par exemple, en sélection animale ou pour la mise au point de nouvelles machines agricoles, dont les robots. De plus, seuls les très grands acteurs seraient éventuellement capables de rémunérer les exploitants agricoles, ce qui serait sans doute contre-productif.
Dans le cadre de cette seconde séance sur les Data, nous nous intéressons aux nouvelles méthodes d’exploration des masses de données que les agriculteurs, comme nous tous, produisent, et donc à ce qu’il est convenu d’appeler les Data Sciences.
Á chaque instant, chacun d’entre nous laisse « sur son passage » une quantité de traces numériques, lorsque nous faisons des achats, utilisons le GPS ou l’outil de reconnaissance faciale de notre smartphone, conduisons et que notre voiture communique à « son » constructeur de quoi effectuer à chaque instant un diagnostic de fonctionnement et générer éventuellement une alerte… Nous sommes entrés dans l’ère des capteurs connectés transférant des foules de données, avec ou sans notre consentement explicite, à des ordinateurs, sans que nous ne comprenions ce qu’on peut bien faire des volumes astronomiques de données collectées.
L’exploration ou plus encore l’exploitation des volumes extraordinaires de données collectées dans les exploitations agricoles par d’innombrables capteurs dont des caméras, a nécessité le développement de méthodes nouvelles dont il parait indispensable de comprendre les grands principes, avec leurs possibilités et leurs limites. Pourquoi ?
Simplement parce que dans le monde où nous vivons, nous sommes et serons toujours plus « data dépendants » en ce sens que les produits et services que nous utiliserons, seront de plus en plus développés sur la base d’explorations de grandes quantités de données, dont les structures sous-jacentes auront été mises en évidence d’abord puis prises en compte dans la construction des produits et services que nous utiliserons.
Exemples d’utilisation des Data Sciences en agriculture :
- interprétation d’images satellites au phénotypage haut débit de blé ou de maïs
https://www.youtube.com/watch?app=desktop&v=HAijZBfL6cQ
- reconnaissance des plantes https://plantnet.org/
- reconnaissance ultra-localisée des cultures - Quel avenir pour les systèmes assistés par caméra ?
https://terra.horsch.com/fr/23-2021/entre-nous/reconnaissance-ultra-localisee-des-cultures-quel-avenir-pour-les-systemes-assistes-par-camera-theodor-leeb
- évaluation du poids de jeunes bovins par imagerie 3D
https://www.mon-cultivar-elevage.com/content/pheno-3d-du-phenotypage-a-laide-de-limagerie-3d
- « mesure » du bien-être animal
https://www.web-agri.fr/bien-etre-animal/article/202592/de-nouveaux-outils-d-evaluation-du-bien-etre-animal
- tri des pommes de terre non lavées à grand débit (jusqu'à 100 tonnes/h), par Dubrulle Downs, le spécialiste français du matériel de réception et de stockage pour pommes de terre
https://www.farm-connexion.com/2021/01/11/downs-lance-le-cropvision-un-trieur-optique-grand-debit/
Cliquer sur les photos pour les voir en entier.
