L'IA appliquée à la phytoprotection préventive
Imaginez pouvoir anticiper l'apparition de la sclérotiniose dans votre champ de soya ou savoir exactement quand le chénopode blanc va émerger dans votre maïs, avant même de voir les premiers signes. Cette vision n'appartient plus à la science-fiction : une équipe de recherche de l'Université de Sherbrooke, de l'Université Laval, du CÉROM et de l'IRDA développe actuellement une infrastructure numérique intelligente qui utilise l'intelligence artificielle pour transformer la façon dont on protège les grandes cultures au Québec.
Le projet, dirigé par la professeure Ramata Magagi, vise à créer un système d'aide à la décision qui soutiendra les conseillers et conseillères dans la préparation de leurs recommandations, et qui permettra aux producteurs et, productrices agricoles d'appliquer les pesticides de manière plus ciblée et au moment optimal, réduisant ainsi leur usage tout en sauvegardant efficacement les cultures.
Une mosaïque de données pour comprendre les ennemis des cultures
Pour prédire l'apparition d'une maladie comme la sclérotiniose du soya ou d'une mauvaise herbe comme le chénopode blanc, il faut combiner une impressionnante diversité de données. Durant les étés 2024 et 2025, l'équipe de recherche a collecté systématiquement des informations sur le terrain : mesures d'humidité et de température du sol à différentes profondeurs, caractérisation des sols (texture, densité, compaction), suivi de la phénologie des cultures, et dépistage hebdomadaire des apothécies et des mauvaises herbes. À cela s'ajoutent des données satellitaires provenant de missions comme Sentinel-1, Sentinel-2, Radarsat et Landsat, qui permettent de « voir » l'état des cultures et des sols depuis l'espace. Les données climatiques historiques et les projections complètent ce portrait, offrant une vision à long terme dans un contexte de changements climatiques.Cette richesse de sources crée toutefois un défi majeur : comment organiser, rendre accessibles et croiser toutes ces informations dispersées chez différents partenaires (MAPAQ, Financière agricole du Québec, clubs conseils, producteurs) tout en respectant la confidentialité des données?
L'intelligence artificielle au service de la phytoprotection
C'est ici que l'intelligence artificielle entre en jeu. L'équipe développe une Infrastructure numérique intelligente (INI), une plateforme unique qui fédère toutes ces données multisources dans un système cohérent. Plutôt que de centraliser physiquement toutes les informations, cette approche innovante permet aux différents partenaires de conserver le contrôle de leurs données tout en autorisant l'IA à les interroger et à les croiser.Les algorithmes d'apprentissage machine peuvent alors analyser les liens complexes entre les conditions environnementales et l'apparition des ennemis des cultures. Par exemple, pour la sclérotiniose du soya, l'IA apprend à reconnaître les combinaisons de facteurs qui favorisent l'émergence des apothécies : température fraîche (moins de 25 °C), sol humide dans les 5 premiers centimètres, stade de floraison de la culture. Pour le chénopode blanc, les modèles intègrent la température du sol à 5 cm de profondeur, l'humidité du sol et le type de sol, qui influencent tous fortement le moment et l'intensité de l'émergence.
Du satellite au champ : des outils concrets en développement
Concrètement, comment ces outils vont-ils fonctionner? L'équipe a déjà développé plusieurs algorithmes prometteurs. Un modèle utilisant les données radar de la constellation Radarsat estime l'humidité de surface du sol avec un taux de réussite de 89 % et une erreur moyenne de seulement 0,1 cm³/cm³. Un autre algorithme détermine le stade phénologique du soya à partir d'images satellitaires avec une corrélation de 75 % par rapport aux observations terrain. Ces informations sont ensuite intégrées dans un modèle hydrologique qui calcule les profils d'humidité et de température du sol en profondeur, des données essentielles pour prédire l'apparition des ennemis des cultures.Plus de 1 250 documents historiques contenant des données sur les mauvaises herbes ont été numérisés et inclus dans une base de données qui compte déjà plus de 15 000 enregistrements sur le chénopode blanc. Ces archives précieuses sont combinées aux données actuelles collectées sur 15 champs de soya et 10 champs de maïs en Montérégie, avec la collaboration généreuse de producteurs et productrices : 21 pour le soya (étés 2024 et 2025) et 10 pour le maïs (été 2025).
De la prédiction à la recommandation : vers un système d'aide à la décision
Le but ultime du projet est de créer un Système d'aide à la décision (SAD) qui pourra fournir des recommandations personnalisées pour chaque parcelle. Grâce à l'IA, le système pourra comparer le profil d’un champ spécifique (type de sol, historique, conditions météo, stade de développement de la culture) avec des milliers d'autres parcelles et proposer les interventions les plus appropriées au bon moment.Concrètement, le SAD pourrait vous indiquer si un traitement contre la sclérotiniose s'avère nécessaire dans un champ de soya précis cette semaine, en fonction des conditions réelles mesurées par satellite et des prédictions du modèle. Pour le chénopode, il pourrait vous alerter sur la fenêtre d'émergence optimale pour planifier une intervention de désherbage mécanique ou une application d'herbicide. Le tout en tenant compte des impacts des changements climatiques sur l'évolution de ces ennemis des cultures jusqu'à l'horizon 2100.
Validation au champ et adaptation aux réalités agricoles
Comment vérifier que ces modèles fonctionnent vraiment dans les conditions réelles? L'équipe teste rigoureusement ses algorithmes sur le terrain. En 2024, lors du dépistage hebdomadaire dans 15 champs de soya, les premières apothécies de sclérotiniose sont apparues le 22 juillet au stade R2, confirmant l'importance du suivi précis de la phénologie. En 2025, la canicule et la sécheresse exceptionnelles ont empêché leur apparition, illustrant l'influence déterminante des éléments du climat et l'importance d'adapter les modèles à ces variations extrêmes.Pour le chénopode blanc, les résultats montrent que le type de sol affecte significativement l'émergence : les niveaux les plus faibles ont été observés dans l'argile lourde, tandis que l'argile limoneuse favorise une émergence plus rapide et intense. Ces connaissances fines permettront d'ajuster les recommandations selon les caractéristiques spécifiques de chaque ferme.
Un réseau de sondes installées dans les champs mesure en continu (toutes les 15 minutes) l'humidité et la température du sol à différentes profondeurs. Ces données servent à calibrer et valider les estimations par satellite, garantissant que les informations utilisées dans le système d'aide à la décision reflètent fidèlement ce qui se passe dans vos champs.
Une démarche collaborative pour une adoption réussie
Au Québec, les agronomes ont l'obligation déontologique d'expliquer leurs recommandations à leurs clients et clientes. C'est pourquoi le système d'aide à la décision sera conçu pour être transparent : vous pourrez comprendre quelles données ont mené à chaque recommandation et retracer le cheminement entre l'observation et la suggestion d'intervention. L’agronome, de son côté, aura toujours la responsabilité de valider la recommandation.Le projet implique activement les utilisateurs et utilisatrices finaux dès maintenant. Sept agronomes de clubs conseils et 31 et productrices ont déjà participé aux campagnes de dépistage. Deux groupes de discussion seront organisés pour recueillir les besoins des producteurs, productrices, conseillers et conseillères agricoles, et ainsi s'assurer que l'infrastructure numérique et le système d'aide à la décision répondent vraiment aux réalités du terrain.
Des outils pour aujourd'hui et demain
D'ici la fin du projet en 2027, l'équipe prévoit livrer une infrastructure numérique intelligente opérationnelle, des modèles prédictifs améliorés pour la sclérotiniose et le chénopode blanc, et un prototype de système d'aide à la décision. Ces outils permettront de réduire l'usage des pesticides tout en maintenant une protection efficace des cultures, contribuant ainsi aux objectifs du Plan d'agriculture durable 2020-2030 du Québec et à la programmation scientifique du Réseau québécois de recherche en agriculture durable (RQRAD). Ces outils se présentent comme de nouveaux outils de travail en agronomie.Une fois complétée avec d’autres données ciblées et pertinentes, la plateforme pourra également être étendue à d'autres ennemis des cultures et à d'autres régions du Québec. Avec les changements climatiques qui modifient les dynamiques des maladies et des mauvaises herbes, disposer d'outils capables de s'adapter et d'anticiper ces évolutions deviendra de plus en plus crucial pour l'agriculture québécoise.
Le projet forme aussi une nouvelle génération de chercheurs hautement qualifiés : sept doctorants et plusieurs stagiaires travaillent sur différents aspects de l'infrastructure numérique, de la télédétection et de la modélisation. Cette expertise multidisciplinaire sera essentielle pour relever les défis futurs de l'agriculture durable.
Auteur : Samuel Foucher, Professeur au Département de géomatique appliquée — Université de Sherbrooke
Projet financé par : le ministère de l’Agriculture, des Pêcheries et de l’Alimentation (MAPAQ) et le Fonds de recherche du Québec (FRQ)
Partenaires : Université de Sherbrooke, Université Laval, CÉROM, IRDA, MAPAQ, Financière agricole du Québec, Solutions Mesonet, CRAAQ et clubs conseils agricoles.
Pour visionner le webinaires rendez-vous sur L'IA appliquée à la phytoprotection préventice :
RÉF : WEBINAIRE (4 décembre 2025) — L'IA ET LES DONNÉES MULTISOURES