Contenu
L'azote est essentiel à la croissance des plantes, constituant un composant critique des protéines, de la chlorophylle et des acides nucléiques. Sa concentration dans les feuilles sert d'indicateur important de la capacité photosynthétique et du potentiel de croissance global. Les méthodes traditionnelles de mesure de l'azote reposent sur des échantillonnages destructifs combinés à des analyses chimiques en laboratoire, qui sont chronophages et coûteuses. En revanche, la détection hyperspectrale offre une alternative non destructive en reliant les propriétés biochimiques liées à l'azote à des caractéristiques spécifiques d'absorption spectrale. Cependant, les méthodes existantes rencontrent des défis : les modèles empiriques nécessitent de vastes données de terrain et fonctionnent souvent mal hors de leurs environnements d'entraînement, tandis que les modèles basés sur la physique, bien que plus transférables, peinent avec des problèmes d'inversion complexes. Les méthodes hybrides tentent de fusionner ces approches mais souffrent couramment de problèmes de « décalage de domaine » où les spectres simulés utilisés pour l'entraînement ne reflètent pas fidèlement les mesures réelles.\n\nUne étude récente publiée dans Plant Phenomics le 10 octobre 2025, par l'équipe de Daoliang Li et Kang Yu de l'Université Agricole de Chine et du Laboratoire d'Agriculture de Précision, présente une solution novatrice pour la surveillance rapide et non destructive de la teneur en azote foliaire (LNC) à travers plusieurs espèces de cultures. Leur approche intègre la théorie du transfert radiatif des plantes avec l'apprentissage profond et les données de réflectance hyperspectrale, visant à améliorer à la fois la fiabilité et la transférabilité de l'évaluation de l'azote. La méthodologie implique le traitement des spectres simulés de réflectance directionnelle-hémisphérique (DHRF) et des spectres mesurés du facteur de réflectance bidirectionnel (BRF) en utilisant la transformée en ondelettes continues (CWT) et les premières dérivées (FD). Ces transformations spectrales réduisent les écarts causés par les réflexions spéculaires et les décalages de domaine, notamment dans les régions visible et proche infrarouge, améliorant la comparabilité spectrale et mettant en évidence les principales caractéristiques d'absorption liées à l'azote.\n\nEn utilisant ces spectres transformés, l'équipe de recherche a d'abord appliqué des modèles de régression paramétriques incorporant 30 indices de végétation (VI). Lorsqu'ils sont entraînés sur un ensemble de données simulées complet, plusieurs VI dérivés de modèles d'allocation d'azote (tels que GARI, GNDVI, GRVI et CI800,550) ont montré une précision modérée, tandis que d'autres, en particulier ceux reposant sur des formulations de conversion protéine-azote, ont eu de faibles performances. La précision de l'estimation de l'azote foliaire s'est nettement améliorée lorsque les modèles ont été recalibrés en utilisant un sous-ensemble plus représentatif d'échantillons simulés (le jeu de données T100). Par exemple, l'indice de végétation SR708,775 a atteint une erreur quadratique moyenne (RMSE) de 0,303 g/m² et un R² de 0,494, soulignant l'importance de la représentativité des échantillons plutôt que la taille brute des données dans les approches de modélisation paramétrique.\n\nL'étude a ensuite exploré des méthodes hybrides non paramétriques en combinant des modèles d'apprentissage automatique et d'apprentissage profond avec des transformations spectrales. Les modèles d'apprentissage profond, en particulier l'architecture Conv-Transformer, ont surpassé les techniques traditionnelles d'apprentissage automatique et les inversions basées sur la physique sur l'ensemble complet des données simulées. L'entraînement sur le sous-ensemble T100 a encore amélioré la précision du Conv-Transformer, réduisant le RMSE à 0,247 g/m² et augmentant le R² à 0,665. Des études d'ablation et des validations croisées entre cultures ont révélé que la stratégie de sélection d'échantillons basée sur la similarité spectrale et l'architecture modifiée du Transformer ont contribué de manière synergique à ces gains de performance.\n\nIl est important de noter que le cadre a démontré des améliorations constantes de la précision et de la robustesse de la prédiction de la LNC à travers diverses cultures, notamment le maïs, le blé, le riz et le sorgho. Cela indique la capacité de la méthode à atténuer efficacement le décalage de domaine, offrant une estimation précise de l'azote même dans des scénarios de données rares sans nécessiter de calibrations coûteuses sur le terrain. Étant donné sa dépendance à la réflectance bidirectionnelle à l'échelle foliaire — plus pratique que les mesures en sphère intégrante — l'approche est bien adaptée à la surveillance agricole de routine et facilite le transfert technologique.\n\nDans l'ensemble, cette intégration de la physique des plantes, de l'apprentissage profond et des données hyperspectrales représente une avancée significative pour l'agriculture de précision. Des diagnostics d'azote opportuns et précis peuvent permettre des stratégies de fertilisation optimisées qui améliorent les rendements tout en minimisant la pollution environnementale. Les résultats de l'étude ouvrent la voie à des outils de surveillance de l'azote évolutifs, rentables et transférables, essentiels pour une agriculture durable.
