Bien que des études de modélisation aient été réalisées, la plupart des modèles prédictifs actuels sont spécifiques à certains ennemis et cultures, et souvent peu adaptés aux conditions agroenvironnementales québécoises.

Objectifs du projet :

• Concevoir une infrastructure numérique intelligente (INI) pour les ennemis des grandes cultures.
• Développer ou adapter des approches utilisant la télédétection pour caractériser les paramètres du sol et de la végétation favorisant le développement et la présence de ces ennemis.
• Adapter et spatialiser les modèles existants de prédiction basés sur des données multisources (télédétection, terrain, historiques, actuelles) et évaluer les effets potentiels des changements climatiques sur ces prédictions.
• Développer un système d'aide à la décision (SAD) intelligent et basé sur des modèles prédictifs pour permettre une utilisation optimisée et raisonnée des pesticides.
• Élaborer de manière collaborative un mécanisme efficace de transfert de connaissance (dissémination et vulgarisation) pour une appropriation concrète des résultats par les utilisateurs finaux (producteurs, conseillers, agronomes, réseau de transfert).

Les travaux de modélisation se concentreront sur la région de la Montérégie comme région pilote, et cibleront spécifiquement la sclérotiniose et le chénopode blanc

Base de données intelligente combinant des données historiques et actuelles sur les sols, la météo, la télédétection et les ennemis des cultures, collectées dans des parcelles de soya et de maïs, enrichies par des données du MAPAQ et des projections climatiques.

Source : Université de Sherbrooke

Caractérisation à l’aide de la télédétection des paramètres du sol et de la végétation en lien avec la présence des ennemis des grandes cultures.

Source : Université de Sherbrooke

Responsables du projet

Chercheure principale
Ramata Magagi, Université de Sherbrooke

Co-chercheurs
Kalifa Goïta, Mickael Germain, Samuel Foucher, Université de Sherbrooke
Béranger Bourgeois, Simon Ricard, Université Laval 
Sandra Flores-Mejia, Tanya Copley, CÉROM
Élise Smedbol, IRDA

  Agriculture, base de données et IA (1 avril 2025)

 

Ramata Magagi, Ph.D, Prof., Université de  Sherbrooke
Ramata Magagi travaille au Département de géomatique appliquée de l’Université de Sherbrooke. Ses intérêts de recherche incluent l’études des caractéristiques des sols et de la végétation en milieu agricole, à diverses échelles spatio-temporelles, à partir de la télédétection micro-onde.

 

Tanya Copley, Ph.D, Dr. Centre de recherche sur les grains (CÉROM) inc.
Tanya Copley travaille au CÉROM en phytopathologie des grandes cultures depuis 2017. Elle développe des modèles prévisionnels de la sclérotiniose du soja et d’outils d’aide à la décision pour la sclérotiniose afin d’optimiser et de réduire les applications de fongicides foliaires.

 

À visionner : 

Présentation :

Intelligent artificielle et approches préventives en phytoprotection dans les grandes cultures

  L'IA et les données multisources (4 décembre 2025)

 

Samuel Foucher, Ph.D, Professeur, Université de Sherbrooke, Département de géomatique appliquée
Samuel Foucher est professeur à l’UdeS au Département de géomatique appliquée depuis 2022. Avant son arrivée à l’Université, il était directeur de l’équipe vision et imagerie au Centre de recherche informatique de Montréal. Il possède plus de 25 ans d’expérience en recherche et développement. Ses intérêts de recherche portent sur l’application de l’apprentissage profond dans différentes problématiques environnementales incluant l’agriculture de précision, la surveillance de la biodiversité et l’exploitation des données en observation de la Terre.

À lire :

L'IA s’invite au champ : un arsenal de données pour mieux protéger vos cultures

 

À visionner : 

 

Présentation :

L'IA pour l'aide à la décision - Place des données multisources en lien avec l'agriculture et phytoprotection