Recherche et Développement
Agri-Sɛnɛ : Innovation et technologies de pointe
Projet pilote Agri-Sɛnɛ
L'objectif in fine est d'élaborer une Cartographie des teneurs en en différents éléments minéraux (Azote, phosphore), des teneurs en eau afin d'apporter de façon efficiente ces intrants aux différentes plantations.
Aussi est-il possible à partir de cette technologie d'identifier les zones sujettes à des maladies dans les plantations.
Échantillonnage de la parcelle
L'échantillonnage consiste à sélectionner une petite représentative d'une zone d'étude afin d'en analyser les caractéristiques sans examiner l'ensemble de la zone. Il prend en compte la nature du sol, la topographie, la texture du sol, le temps et les destructions potentielles, tout en obtenant des données fiables pour tirer des conclusions. La position de chaque échantillon est marquée par un récepteur GPS.
Analyse au laboratoire
L'analyse des échantillons pour déterminer les teneurs en azote (N) et en phosphore (P) commence par le séchage des feuilles, suivis de leur broyage pour obtenir une poudre fine. Cette poudre est ensuite traitée avec de l'acide pour libérer les éléments minéraux, dont l'azote et le phosphore. La teneur en azote est mesurée par la méthode de Kjeldahl, tandis que le phosphore est déterminé par une réaction colorimétrique analysée par spectrophotométrie.
Acquisition d'image par drone
L'acquisition d'images par drone est essentielle en agriculture de précision. Elle nécessite une planification rigoureuse du vol, incluant le choix du drone et des capteurs, la définition de l'altitude, la zone à survoler, l'orientation des trajectoires et le taux de recouvrement des images. Ce processus garantit des données précises pour l'analyse des cultures et la détection d'anomalies.
Traitement des données et cartographie des teneurs
Cette phase commence par le prétraitement des données pour corriger les distorsions géométriques et créer des orthomosaïques. Les indices de végétation sont calculés à partir de la combinaison des bandes. Les valeurs extraites par échantillon de ces indices sont associées aux teneurs mesurées en laboratoire pour créer une base de données. Cette base sert à entraîner un modèle de machine learning. Enfin, les prédictions sont effectuées et une cartographie des teneurs prédites est générée.
