Jumeau numérique de ferme : l’Université du Tennessee teste les décisions agricoles à 87.5 %

Une décision erronée sur l’irrigation, la fertilisation ou la lutte contre les ravageurs peut coûter aux agriculteurs du temps, de l’argent, et parfois une récolte entière. Une nouvelle étude laisse toutefois entendre que, bientôt, ces choix pourraient être mis à l’épreuve avant même d’être appliqués au champ.

Des chercheurs ont conçu une réplique numérique d’une exploitation capable de reproduire des conditions réalistes et d’orienter les décisions culturales, avec une précision de 87.5 % lors des premiers essais.

L’idée est simple : réduire une part du risque agricole en transformant l’incertitude en éléments visibles et exploitables, suffisamment tôt pour permettre d’agir.

Construire une ferme numérique

Dans cette ferme simulée, les flux issus de drones, de capteurs au sol et de satellites sont réunis au sein d’un système unique qui reflète l’état réel des parcelles.

En reliant ces signaux en direct à des résultats attendus, une équipe de l’Université du Tennessee (UT) a montré que le dispositif pouvait associer des demandes formulées par les agriculteurs aux actions appropriées, tout en écartant les options dangereuses.

Sur différents scénarios de test, les performances sont restées stables : le système appliquait les règles pertinentes et rectifiait les écarts avant qu’une décision ne soit transmise au terrain.

Ces résultats restent néanmoins liés à des conditions contrôlées. Il reste donc à vérifier si la même fiabilité se maintiendra lorsque des exploitations réelles introduiront des aléas tels que la météo, les ravageurs et l’hétérogénéité des sols.

Le timing change tout

Dans les cultures de maïs, le ver légionnaire d’automne, un ravageur vorace et à diffusion rapide, s’est étendu à plus de 80 pays au-delà de son aire d’origine.

Parallèlement, l’agriculture représente environ 70 % des retraits mondiaux d’eau douce, ce qui rend chaque erreur d’irrigation particulièrement coûteuse.

L’excès d’engrais ne reste pas non plus en place : des microbes convertissent l’azote disponible en trop en gaz ou en ruissellement, si bien que les cultures n’en profitent pas.

Dans ce contexte, des alertes précoces pèsent davantage que de simples moyennes, car ravageurs, sécheresse et pertes de nutriments peuvent évoluer très vite.

Des ennuis dans la ferme numérique

Au-dessus des parcelles, des drones réalisent de l’imagerie hyperspectrale - des images prises sur de nombreuses bandes de lumière - qui peut révéler un stress des cultures avant que les feuilles ne montrent des signes visibles.

Lorsque ces analyses font ressortir des zones problématiques, des équipes au sol prélèvent des échantillons afin que des tests rapides puissent en identifier la cause.

Les résultats obtenus dans l’air et dans le sol alimentent ensuite le modèle, qui confronte l’état présent à des trajectoires probables pour la suite.

Cette chaîne complète est nécessaire, car une zone jaunie peut indiquer des réalités très différentes : manque d’eau, carence nutritive ou début de maladie.

Au cœur du jumeau numérique - une copie virtuelle et vivante de l’exploitation - le logiciel transforme ces signaux en règles claires et directement utilisables. Sur 85 cas de test, l’architecture a relié des demandes en langage courant aux bonnes actions dans 87.5 % des situations.

Le dispositif ajoute aussi une protection. Des contrôles numériques imposaient des limites de sécurité dans 88 % des cas et corrigeaient chaque infraction détectée avant qu’elle n’atteigne le terrain.

Ce filtrage est essentiel : une recommandation erronée peut, sans bruit, dépasser des limites d’irrigation, bousculer des calendriers de pulvérisation ou enfreindre des règles de récolte avant que quiconque ne s’en aperçoive.

Des consignes simples pour les agriculteurs

Des formulations limpides comptent, car la plupart des agriculteurs cherchent une décision, pas un tableau de bord saturé de graphiques et d’échelles de couleurs. Les chercheurs s’appuient sur un grand modèle de langage pour convertir des motifs issus des capteurs en recommandations courtes.

Le principal auteur de l’étude, Charles Cao, est professeur associé au département de génie électrique et d’informatique de l’UT.

« Il s’agit de mettre des outils pratiques entre les mains des agriculteurs du monde entier – des outils qui les aident à produire plus de nourriture avec moins de ressources et moins de risques », a déclaré Cao.

Des conseils en langage courant pourraient élargir l’accès, notamment pour les petites exploitations qui ne peuvent pas recruter de spécialistes techniques ou d’analystes de données.

Partager sans s’exposer

Comme le projet s’étend sur quatre pays, l’équipe a mis en place un apprentissage fédéré, afin d’entraîner des modèles communs sans déplacer les données brutes des fermes.

« Notre approche crée un système d’IA qui devient plus intelligent grâce à l’expérience mondiale sans qu’aucun pays ni aucune ferme n’ait à partager ses données brutes », a déclaré Cao.

L’entraînement local est important, car les enregistrements d’une exploitation peuvent révéler des pratiques de gestion des terres, une stratégie commerciale et des schémas environnementaux que les agriculteurs peuvent souhaiter garder confidentiels.

La coopération internationale devient aussi plus simple lorsque les lois sur la confidentialité, les régimes météorologiques et les pratiques agricoles diffèrent fortement.

Cultiver hors réseau

Dans les zones éloignées d’un accès fiable au haut débit, le groupe intègre l’informatique en périphérie directement dans les drones et les capteurs, pour traiter les données sur l’appareil plutôt que de dépendre de serveurs distants.

Ce traitement embarqué permet aux aéronefs de repérer en temps réel le stress des cultures, les ravageurs et l’état des sols.

Des radios à faible consommation envoient ensuite de petits paquets de données sur de longues distances, ce qui maintient les systèmes à jour même en territoires isolés. En réduisant la dépendance à Internet, l’approche pourrait toucher des agriculteurs souvent exclus de services numériques coûteux.

Le projet quitte désormais le stade théorique pour aller au champ. Les premiers prototypes de capteurs devaient être déployés au printemps 2026, marquant le passage des tests en laboratoire à l’usage en conditions réelles.

Dans le cadre de l’effort plus large, une équipe d’ingénierie basée dans le Missouri travaille avec des partenaires au Japon, en Inde et en Australie. En février 2026, la National Science Foundation a retenu le projet parmi six nouvelles initiatives.

Les objectifs sont élevés : réduire les pertes de récoltes de 20 à 30 % tout en diminuant d’environ 20 % l’usage de l’eau et des engrais.

Des fermes réelles mettent le système à l’épreuve

Même les meilleurs chiffres initiaux proviennent d’essais contrôlés, pas d’années de résultats de récolte sur des exploitations commerciales. Variations météorologiques, ravageurs locaux, variétés cultivées et pression des marchés peuvent encore faire dérailler des plans numériques bien ordonnés dès que l’on passe au terrain.

Le jugement humain reste donc central : un modèle peut hiérarchiser des options, mais il ne peut pas porter le risque d’un échec. Les essais en conditions réelles doivent maintenant démontrer la promesse au-delà de cas d’école soigneusement construits.

Dans le même temps, le projet de Cao vise précisément à combler plusieurs de ces écarts en réunissant, à l’échelle d’une exploitation, alerte plus précoce, automatisation plus sûre, conseils plus clairs et données protégées.

Si les essais au champ confirment les résultats de départ, les agriculteurs pourraient « s’entraîner » à décider avant d’agir, et réduire plus rapidement les pertes.