Par Pesach Benson • 16 décembre 2025
Jérusalem, 16 décembre 2025 (TPS-IL) — Une nouvelle étude israélienne suggère que les modèles d'apprentissage automatique pourraient bientôt offrir aux agriculteurs un moyen beaucoup plus précis de prédire la consommation d'eau de leurs cultures chaque jour, tout en ouvrant la voie à une détection plus précoce du stress des plantes.
La recherche s'est concentrée sur la transpiration quotidienne des plantes – un processus par lequel l'eau s'évapore à travers les feuilles et un indicateur clé de la quantité d'eau qu'une plante consomme réellement. Bien que la transpiration soit essentielle à la planification de l'irrigation, la plupart des méthodes existantes pour l'évaluer s'appuient sur des informations indirectes telles que les données météorologiques ou l'humidité du sol, plutôt que sur le comportement physiologique de la plante elle-même.
Menée par Shani Friedman et Nir Averbuch sous la supervision du Professeur Menachem Moshelion à l'Université hébraïque de Jérusalem, l'étude s'est appuyée sur sept années de mesures continues et à haute résolution de plants de tomates, de blé et d'orge cultivés dans des conditions de serre semi-commerciales. En utilisant un système de lysimètre de haute précision à cellule de charge, l'équipe a enregistré des changements subtils dans le poids des plantes en temps réel, permettant une mesure directe et exceptionnellement précise de la transpiration quotidienne.
Cet ensemble de données à long terme au niveau des plantes a permis une innovation clé : l'entraînement de modèles d'apprentissage automatique sur le comportement réel des plantes saines et bien irriguées, plutôt que sur des proxys environnementaux indirects. En alimentant les données dans des modèles tels que Random Forest et XGBoost, l'équipe a montré que l'apprentissage automatique peut prédire de manière fiable la transpiration quotidienne à partir des conditions environnementales et des caractéristiques des plantes pour plusieurs cultures.
Lors de tests indépendants, le modèle XGBoost a atteint une valeur R² de 0,82, correspondant étroitement à la transpiration mesurée, même lorsqu'il était appliqué dans différentes conditions climatiques et dans des installations de recherche distinctes. Selon les chercheurs, cette capacité à généraliser à travers les cultures et les environnements suggère que les modèles capturent des signaux physiologiques fondamentaux plutôt que du bruit spécifique à la culture.
Deux variables se sont révélées particulièrement influentes : la biomasse végétale et la température quotidienne. « Ces variables ont constamment façonné la quantité d'eau consommée par les plantes », a déclaré Friedman. « Comprendre comment une plante saine et bien irriguée est censée se comporter un jour donné nous permet également de détecter quand quelque chose ne va pas. »
Ce concept représente un autre aspect novateur du travail. Étant donné que le modèle prédit ce qu'une plante saine devrait faire, des déviations inattendues par rapport à la prédiction peuvent servir de signes avant-coureurs de stress. Un tel stress pourrait résulter de la sécheresse, de la salinité, de maladies, de dommages aux racines ou d'autres pressions environnementales, potentiellement avant que des symptômes visibles n'apparaissent.
« Si une plante se comporte différemment de ce que le modèle prédit, cette déviation peut être un indicateur d'un comportement anormal ou malsain de la plante », a déclaré Friedman.
Averbuch, dont la recherche se concentre sur l'irrigation de précision, a déclaré que les résultats indiquent un changement dans la manière dont les outils basés sur les données pourraient être utilisés dans l'agriculture. « Aujourd'hui, de nombreuses décisions d'irrigation reposent encore sur des estimations indirectes », a-t-il déclaré. « Bien que ce modèle ne soit pas encore prêt pour le terrain, les résultats montrent comment les futurs systèmes pourraient intégrer des prédictions physiologiques pour soutenir une planification d'irrigation plus précise. »
Bien que l'approche actuelle dépende de données de lysimètre qui ne sont généralement pas disponibles pour les agriculteurs, les chercheurs la considèrent comme une étape conceptuelle vers des outils de décision pilotés par les plantes qui pourraient éventuellement être adaptés à des capteurs plus pratiques.
L'étude a également donné de bons résultats lorsqu'elle a été testée sur des plantes cultivées dans une serre de recherche distincte à l'Université de Tel-Aviv, renforçant le potentiel d'une applicabilité plus large à travers les climats et les systèmes de production.
À court terme, l'approche de l'étude est la plus applicable dans la recherche et les environnements de culture contrôlés. En fournissant une base physiologique précise sur la façon dont les plantes saines devraient transpirer dans des conditions données, le modèle peut aider les chercheurs à établir des repères pour la consommation d'eau des cultures, à valider les algorithmes d'irrigation et à améliorer la gestion des serres. Les écarts entre la transpiration prédite et mesurée peuvent également servir d'indicateur précoce de stress des plantes dans les essais de sélection ou les systèmes expérimentaux, souvent avant que des symptômes visibles n'apparaissent.
À plus long terme, les informations tirées du modèle ouvrent la voie à des outils d'agriculture de précision plus avancés pour les agriculteurs, soutenant une meilleure planification de l'irrigation et des économies d'eau. À mesure que des modèles similaires seront associés à des capteurs prêts pour le terrain, ils pourraient également constituer la base de systèmes d'alerte précoce qui avertiront les agriculteurs des stress émergents causés par la sécheresse, la salinité, les maladies ou les dommages aux racines.
L'étude a été publiée dans la revue à comité de lecture Plant, Cell & Environment.
Sujets connexes
