Réunion

Data et IA pour l'agriculture de précision

Annonce

Les demandes de prise en charge de missions par le GdR sont à formuler avant le  31 octobre.

L’agriculture de précision connaît une évolution rapide, portée par les avancées des technologies des capteurs (IoT), l’observation de la Terre (satellites, drones,…), la robotique agricole et de l’intelligence artificielle (IA). Ces progrès ouvrent de nouvelles perspectives pour le suivi et la prévision des rendements des cultures, l’optimisation de l’utilisation des ressources (eau, intrants), la réduction de l’impact environnemental et l’amélioration de la résilience ainsi que la durabilité des systèmes agricoles. Dans ce contexte, de nouveaux défis émergent : gestion de données agricoles massives, hétérogènes et peu annotées, robustesse et généralisation des modèles face à la variabilité spatio-temporelle, explicabilité et confiance dans les décisions, passage à l’échelle et déploiement en conditions réelles, intégration des connaissances agronomiques et prise en compte des contraintes réglementaires…

L’objectif de cette cinquième édition est de réunir chercheurs, doctorants, ingénieurs et acteurs industriels afin de discuter des avancées récentes, des besoins actuels et des défis scientifiques liés à l’utilisation de l’IA et du machine learning pour l’analyse et le traitement des données agricoles.

Thématiques

Les contributions peuvent porter sur, sans s’y limiter :

• Agriculture/agronomie de précision et observation de la Terre (satellite, drone, hyperspectral, SAR)
• Traitement et analyse de données agricoles multi-sources (capteurs, images, signaux, séries temporelles)
• Apprentissage automatique et apprentissage profond pour l’agriculture
• Modèles de fondation et apprentissage auto-supervisé pour données agricoles et géospatiales
• Apprentissage multimodal (fusion imagerie–données sol–météo–machines agricoles)
• Apprentissage par transfert, fédéré, continu (lifelong learning) et actif
• Apprentissage causal, modèles hybrides IA–connaissances agronomiques, jumeaux numériques
• Estimation des rendements, détection de stress (hydrique, nutritionnel), maladies et adventices
• Robotique agricole, Edge AI, systèmes autonomes et multi-agents
• Explicabilité, robustesse, quantification d’incertitude et validation terrain
• Déploiement, MLOps, retours d’expérience industriels et contraintes réglementaires
• …

Orateur.ice.s invité.e.s

• Jean-Pierre Chanet (UR TSCF, INRAE)
• Christelle Gée (L’institut Agro Dijon, UMR 1347 Agroécologie)

Appel à contributions

Un résumé étendu d’une page max, en français ou en anglais, décrivant le contexte, la méthodologie, les résultats (ou perspectives) et l’intérêt pour la communauté — est à soumettre aux organisateur.ice.s. Date limite des soumissions : 5 octobre 2026. 

Organisateur.ice.s

• Christelle Gée (L’institut Agro Dijon, UMR 1347 Agroécologie). Courriel : christelle.gee@institut-agro.fr
• Adel Hafiane (Université d’Orléans, Laboratoire PRISME). Courriel : adel.hafiane@univ-orleans.fr

Programme

9h30–9h45 : Introduction (Adel Hafiane & Christelle Gée)

9h45–10h15 : IA frugale et imagerie RGB pour le suivi spatio-temporel des cultures et des adventices

Oratrice : Christelle Gée

Affiliation(s) : L’institut Agro Dijon – Département Agronomie Agroéquipements Elevage Environnement, UMR 1347 Agroécologie – Pôle ADVENSYS 

Résumé

L’imagerie RGB couplée à l’intelligence artificielle ouvre de nouvelles perspectives pour le suivi non destructif et spatio-temporel des peuplements végétaux. Cette étude explore une approche d’IA frugale reposant sur la génération de données synthétiques et la segmentation automatique d’images pour distinguer le blé, les adventices et le sol.

10h15–10h45 : From Multi-Source Sensing to Reliable AI in Precision Agriculture

Auteur(s) : Elisavet Keramioti ; Adel Hafiane ; Emmanouil Oikonomou

Orateur : Elisavet Keramioti

Affiliation(s) : University of West Attica, Department of Surveying and Geoinformatics Engineering, Greece ; Université d’Orléans, INSA Centre Val de Loire, Laboratoire PRISME

Résumé

Precision agriculture increasingly relies on combining field measurements, satellite observations and UAV imagery to capture crop and environmental variability across multiple spatial and temporal scales. This presentation a use case study to discuss the practical challenges of preparing heterogeneous agricultural data for meaningful joint analysis. Examples from the Greek vineyard pilot include meteorological and field measurements, Sentinel-1 SAR, Sentinel-2 multispectral imagery and UAV multispectral data. The presentation focuses on geolocation, spatial alignment, temporal context and cross-scale comparison, highlighting why data quality and comparability are essential before advanced AI or machine-learning methods can be trusted. The main idea is that robust AI in precision agriculture depends as much on the quality of the data chain as on the model itself. Multi-source sensing offers strong potential for crop monitoring, while differences in spatial resolution, acquisition timing, limited ground truth and field validation remain important challenges.

10h45–11h15 : Vers une prospection automatisée et robuste des jaunisses de la vigne par apprentissage profond

Auteur(s) : Tanguy Daval ; Valeriu Vrabie ; Eric Perrin Eric ; Guillaume Heller ; Solen Le Roux 

Orateur : Tanguy Daval

Affiliation(s) : SEGULA Technologies France ; Université de Reims Champagne-Ardenne, Laboratoire CReSTIC

Résumé

Les jaunisses de la vigne représentent un enjeu sanitaire et économique majeur pour la filière viticole. La lutte contre ces maladies repose notamment sur l’identification puis l’arrachage des ceps atteints, afin de limiter leur propagation au sein des parcelles. Aujourd’hui, cette prospection repose encore principalement sur l’observation visuelle des ceps. Son automatisation à partir d’images RGB reste difficile, car les symptômes peuvent être localisés et présenter une forte similarité visuelle avec d’autres états sanitaires ou physiologiques de la vigne. Une base de données terrain a été constituée progressivement à partir de 2020 sur Chardonnay, avec des acquisitions réalisées après vendange. Cette diversité permet d’étudier conjointement la variabilité interannuelle et la variabilité induite par le changement de capteur. Les cinq classes considérées dans la chaîne de classification sont donc Témoin, Esca, Enroulement, Jaunisse et Décoloration. Les images sont par conséquent découpées en imagettes afin de mieux localiser les zones symptomatiques. Chaque image de cep est parcourue par une fenêtre glissante avec 70 % de recouvrement. Chaque imagette est classifiée indépendamment par un réseau EfficientNetB0, qui fournit une classe sanitaire et un score de confiance. Un agrégateur apprend à exploiter la répartition des classes prédites afin de produire une décision unique pour le pied de vigne. La classification locale ne supprime pas le décalage interannuel. Pour réduire cette dépendance à la campagne, l’adaptation est réalisée directement dans l’espace des représentations. Cette réduction renforce l’intérêt de la méthode pour un déploiement opérationnel. L’objectif est ainsi de disposer d’un outil de prospection utilisable tout au long du rang et tout au long de la campagne, avec une acquisition standardisée et une sensibilité réduite aux changements d’année et de capteur.

11h15–11h45 : Contamination-Aware Prototype Rectification for Few-Shot Plant Disease Detection

Auteur(s) : Ilias Oukil ; Assia Kourgli

Orateur : Ilias Oukil

Affiliation(s) : Faculty of Electrical Engineering (FGE), USTHB, Algiers, Algeria — Image Processing and Radiation Laboratory (LTIR)

Résumé

Few-shot learning is useful for detecting plant diseases when labeled images are scarce, which is often the case for rare or new diseases. Most methods do this by comparing a new image to a class prototype: the mean embedding of a few labeled support images. Some mislabeled or unclear support images can shift a prototype away from where it should sit, and real agricultural datasets are rarely clean. A review of a popular wheat disease dataset (14,154 images, 15 classes) found 324 groups of images filed under two or more conflicting disease labels, and a 27% near-duplicate rate within classes, confirmed by direct visual inspection rather than hashing alone. This work looks at how to make prototype estimation more robust to that kind of noise. We built a method to fix prototypes when the support data is contaminated. The class prototype is then formed from a weighted or trimmed mean instead of a simple average. We compared this scored method against a ProtoNet baseline and against a score-free control, a per-class geometric median. Rectification helps when contamination is high and when the scoring can actually spot the bad images. Below about 20% contamination, the method gives no benefit and can even hurt slightly. A simpler score-free baseline, the per-class median, actually beats the scored method in 11 of 12 tested cases, and it is also less harmful on clean data. So the main finding is simpler than the method we set out to test: prototype-based few-shot learning is clearly vulnerable to contaminated support sets, and a median instead of a mean already fixes most of the problem.

11h45–12h15 : Peut-on modéliser la phénologie des végétaux par proxidétection ? Application au suivi spatial et temporel du développement des grappes de la vigne

Auteur(s) : Florian Rançon

Affiliation(s) : Bordeaux Sciences Agro, Laboratoire IMS

Résumé

La phénologie décrit l’enchainement temporel des étapes de développement d’un végétal. La connaissance de cet avancement nous intéresse à la fois pour la planification de l’itinéraire technique et pour la compréhension du comportement des plantes face aux mutations climatiques. Bien connus en théorie, les stades phénologiques restent cependant difficile à estimer de façon exhaustive au champ. Ils posent de même des problèmes d’analyse d’image en amont et des problèmes de géostatistiques en aval. Cette présentation se penche sur les travaux en cours au sein du Laboratoire IMS/Bordeaux Sciences Agro, avec un focus sur la vigne et notamment l’étude des grappes, organes changeant de forme voire de nature durant le développement phénologique de la saison végétative. Dans un premier temps, le développement d’algorithmes robustes aux conditions d’acquisitions mais aussi aux stades phénologique sera présenté, permettant d’isoler les zones de grappes et les baies individuellement à toute date. Ces détections nous permettent de récupérer des attributs (diamètre des baies, teinte, défauts, ouverture des grappes) décrivant indirectement le degré d’avancement de la plante dans sa trajectoire phénologique. Ces travaux mettent en évidence la nécessité de modéliser la phénologie comme une variable évoluant en continu dans le temps pour laquelle on peut définir une cinétique plutôt que comme une variable ordinale (e.g. stade BBCH). Dans un second temps, les premiers résultats sur la spatialisation de séries temporelles de descripteurs phénologiques seront présentés et comparés aux résultats obtenus sur des descripteurs de vigueur plus classique (surface foliaire).

Pause déjeuner

13h45–14h15 : Intelligente artificielle pour la robotique Agricole

Orateur : Jean-Pierre Chanet 

Affiliation(s) : Université Clermont Auvergne, UR TSCF INRAE

Résumé

L’intelligence artificielle révolutionne la robotique agricole et permet d’accompagner la transition agroécologique. Face à la complexité croissante des systèmes de culture (bandes, cultures en mélange, pixel cropping) qui multiplie les contraintes de perception, de décision et de commande, les approches classiques atteignent leurs limites. Cet exposé montre, à partir de travaux de l’unité TSCF (INRAE) et de la littérature internationale, comment l’apprentissage profond transforme ces trois dimensions : perception robuste en conditions réelles, décision adaptative à partir de mesures multi-capteurs, commande apprise plutôt que pilotée par des lois fixes. Il se referme sur les questions que soulève cet usage de l’IA en agriculture : emploi, souveraineté des données, responsabilité juridique et cadre réglementaire.

14h15–14h45 : Retour d’expérience sur un robot agricole autonome : vision embarquée et apprentissage en ligne en conditions réelles

Auteur(s) : Olivier Hauterville

Affiliation(s) de l’orateur : Université de Limoge/Université de Poitiers, Laboratoire XLIM

Résumé

La transition vers des écosystèmes agroécologiques pose des défis majeurs nécessitant des solutions technologiques durables pour agir de manière précise et efficace sur les cultures. Bien que quelques solutions robotiques pour le désherbage existent, elles ne sont pas encore adaptées à une adoption généralisée. Ce projet vise à développer des solutions de désherbage sélectif pensées pour des typologies de cultures structurellement similaires, avec un impact minimal sur le sol, une acceptabilité élevée, une reproductibilité, une maintenabilité par l’utilisateur, une respectabilité environnementale et une viabilité économique. Il vise à transférer les résultats issus de deux laboratoires de recherche et les offres technologiques de PME innovantes dans le domaine de la robotique agricole. L’objectif est de créer des solutions robotiques génériques, à coût objectif, basées sur des développements open-source et des données collectées sur le terrain pour la surveillance et la gestion, intégrant une approche ergonomique et anthropocentrique pour l’évaluation en agriculture et en contextes agroécologiques. Le consortium réunit : L’expertise scientifique des équipes de recherche REMIX (XLIM) et RHOBAN (LABRI) en IA et robotique, avec une expérience avérée dans le désherbage autonome, aux niveaux TRL4-5, notamment à travers le défi ANR ROSE (Robotique et Capteurs au Service de l’Ecophyto) et la compétition européenne METRICS-ACRE.

14h45–15h15 : Techniques d’irrigation intelligentes

Auteur(s) : Alexandre Meneceur

Affiliation(s) : Télécom Paris

Résumé

Dans un contexte de changement climatique important, les ressources et disponibilités de l’eau peuvent se retrouver limitées. La question de la gestion et de l’optimisation de son utilisation, notamment dans un contexte agricole, se pose donc. Ma thèse « Techniques d’irrigation intelligentes », commencée en Octobre 2025, encadrée par Philippe Ciblat et Anaïs Vergne, et financée par le projet Twinfarms du PEPR Agroécologie et numérique s’inscrit dans ce cadre. On modélise une parcelle d’une plantation à l’aide d’un système dynamique. On reformule le problème de contrôle optimal classique sous forme de « Markov Decision Process » (on a un espace d’états et d’action qui peut prendre en compte l’alea et on a la propriété de Markov) pour permettre le passage en Reinforcement Learning lorsqu’on ajoutera de nouvelles dynamiques plus complexes au système. Un ajout de la logistique est notamment prévu, pour considérer le cas d’une exploitation multi-parcelle où l’agriculteur doit gérer les moyens d’irrigation en plus de la quantité d’eau. Actuellement, une reformulation en terme de MDP du système CCI (Chenevat et al.) a été faite. La prise en compte de la pluie dans le modèle a été ajouté. La politique optimale ainsi obtenue est cohérente et présente des gains substantiels en biomasse en comparaison de politiques d’irrigation naïves.

15h15–15h45 : Multi-Temporal Shallow-Deep Feature Fusion for Monitoring Ghout-to-Center-Pivot Agricultural Transition Using Sentinel-2 Imagery: A Case Study in El Oued Region, Algeria.

Auteur(s) : Radja Kheddam ; Mohamed Amine Latrouci ; Assia Kourgli ; Aichouche Belhadj Aissa

Orateur : Radja Kheddam

Affiliation(s) : Image Processing and Radiation Lab, Faculty of Electrical Engineering, University of Science and Technology Houari Boumediene (USTHB), Algiers, Algeria.

Résumé

In southern Algeria’s El Oued region, the traditional Ghout hydro-agricultural system, a UNESCO/FAO-recognized (GIAHS) desert date-palm cultivation mechanism, is being progressively replaced by modern center-pivot irrigation, mainly for potato production. This shift is driven by evolving water-management practices and has triggered a self-reinforcing cycle of environmental degradation (aquifer depletion, water-body loss) and socioeconomic vulnerability. This work addresses that gap by proposing a multi-temporal Sentinel-2 framework to map, monitor, and quantify the transition between 2016 and 2025. Two Sentinel-2 images (March 2016, March 2025) were preprocessed (atmospheric correction, cloud masking, 10 m resampling) and classified into six land-use/land-cover classes: Sand, Urban, Water, Ghout, Center-pivot, and Conventional agriculture. Shallow and deep features were concatenated and fed to a Random Forest (RF) classifier (n_estimators=200, class-weighted). Change was quantified via post-classification comparison (PCC) between the independently classified 2016 and 2025 maps. The fused shallow-deep-RF pipeline achieved the best performance of all tested configurations, reaching 97.76% OA, 0.96 Kappa (2016) and 95.99% OA, 0.94 Kappa (2025); a 2–3% gain over shallow, only RF and a further improvement over CNN-only classification. Multi-temporal analysis revealed a striking +231% expansion of center-pivot irrigation (17.8 → 59.1 km²), a slight −0.37% decline in Ghout area (suggesting persistence despite regulatory restrictions on pumping), a +132% rise in conventional agriculture, +53% urban sprawl, and, most critically, a −53% contraction of surface water bodies; a strong indicator of groundwater stress linked to pivot-driven pumping.

15h45-16h15 : Discussions et échanges