Estimation précise de la biomasse des pâturages grâce à un modèle assisté par UAV
Photo: BFH-HAFL
Un nouveau modèle de prédiction de la biomasse des pâturages utilise des données UAV et l’apprentissage automatique. Cette méthode promet davantage de précision et de flexibilité par rapport aux méthodes de mesure traditionnelles.
En Suisse, les herbages couvrent plus de 70 % des surfaces agricoles et sont en majorité utilisés sous forme de pâturages. Exploiter efficacement ces pâturages constitue un immense défi pour la gestion, car les rendements dépendent fortement des conditions météorologiques, de l’intensité de l’exploitation et de la composition botanique. Une estimation précise de la biomasse est nécessaire pour une gestion pointue des pâturages, mais les méthodes manuelles utilisées jusqu’à présent, comme les rising plate meters ou les C-Dax pasture meters, sont souvent chronophages et ne mesurent les surfaces qu’en un certain nombre de points.
Nouvelle méthode
Le modèle estiGrass3D+ a été développé afin de mieux répondre aux exigences de précision pour estimer la biomasse. Il utilise des images aériennes pour obtenir un modèle numérique de terrain (MNT) dérivé du modèle numérique de surface (MNS). La différence entre le MNS et le MNT sert à déterminer la hauteur de la végétation, et il n’est plus nécessaire d’effectuer un géoréférencement absolu. Le modèle utilise de plus des indices spectraux de végétation, également obtenus à partir des données UAV et traités dans un algorithme random forest. La méthode a déjà prouvé sa grande précision sur des données de test (REQMN : 20,3 %) et offre une base de données plus complète et fiable que les techniques traditionnelles. Grâce à une automatisation plus poussée, ce modèle pourrait, à long terme, fournir une aide précieuse et efficace pour la gestion des pâturages.
La courbe rouge montre une tendance lissée (LOWESS).
Possibilités d’application et opportunités
Différents tests effectués sur des sites du Plateau suisse montrent la polyvalence du modèle, tant pour les surfaces pâturées que pour les surfaces fauchées. Dans la pratique, ce modèle pourrait aider les agriculteurs et agricultrices à surveiller plus précisément la biomasse et à mieux adapter la planification de l’affouragement aux objectifs de gestion. Pour une véritable intégration sur le terrain, des développements supplémentaires sont nécessaires, notamment améliorer l’efficacité et la convivialité grâce à des processus automatisés.
Conclusions
- L’estimation de la biomasse avec le modèle estiGrass3D+ représente une approche prometteuse pour l’aide à la gestion des pâturages.
- À long terme, le modèle pourrait permettre aux agriculteurs et agricultrices de planifier leurs activités de manière flexible, en s’appuyant sur des données, ce qui présenterait des avantages à la fois écologiques et économiques pour l’exploitation des pâturages.
- Le modèle offre certes des bases de décision précises, mais des solutions logicielles automatisées font encore défaut pour son application à grande échelle sur le terrain.
- De futurs travaux de recherche et développement permettraient d’optimiser le workflow et son efficacité grâce des solutions logiciel.
Référence bibliographique
Herbage biomass predictions from UAV data using a deriveddigital terrain model and machine learning.
