Protection des cultures : l’IA passe de la détection à la prédiction des bioagresseurs

Agronomie digitale 18 novembre 2026

L’intelligence artificielle progresse en protection des cultures avec la détection toujours plus précoce des maladies ou l’anticipation des attaques de ravageurs… Bluffant mais à confirmer dans une pluralité de conditions de plein champ.

 

Selon la FAO, près d’un tiers des récoltes mondiales disparaît sous l’effet des ravageurs, maladies et adventices. L’intelligence artificielle pourrait faire baisser ce ratio en apportant plus de précision et d’anticipation dans la surveillance des bioagresseurs.

Ainsi, une équipe indienne a publié une étude « inventaire » dans Smart Agricultural Technology, et en ligne sur Sciencedirect, qui révèle un potentiel considérable. Au point que les algorithmes arrivent à prédire les attaques de certains, avant même que les symptômes ou attaques ne se manifestent visuellement sur la plante. « Les résultats ressortent parfois spectaculaires avec des précisions de détection qui dépassent les 90 %, relève Julien Durand-Réville, responsable agronomie digitale de Phyteis. Ces modèles pourraient aider les agriculteurs à mieux positionner leurs interventions. »

Détecter plus tôt les maladies

Par exemple sur blé, un algorithme SVM (Support Vector Machine) identifie 14 maladies majeures avec une précision de 99 %. L’imagerie hyperspectrale va encore plus loin. Sur soja, des capteurs connectés détectent la rouille asiatique et la cercosporiose trois jours avant l’observation humaine. Dans ce cas, la fiabilité est de 96,73 %. En vigne, le système DeepLeaf reconnaît plusieurs maladies foliaires avec une précision de 99,7 % sur une base d’images.

Enfin, sur maïs, un outil d’aide à la décision combine la prévision de l’helminthosporiose et les recommandations fongicides. L’étude citée rapporte une réduction de 90,2 % de la maladie et près de 47 % de pertes potentielles de rendement évitées.

Anticiper les attaques de ravageurs

L’IA apprend aussi à prévoir l’évolution des populations. « Cette prédiction temporelle apparait encore plus performante que la détection », souligne Julien Durand-Réville. Ainsi, sur riz, le modèle de machine learning LSTM (Long Short-Term Memory) estime l’arrivée des populations de cicadelles brunes avec une précision qui atteint 98,5 %. Les captures de la semaine précédente et les précipitations constituent les principaux facteurs prédictifs. Sur coton, un autre système alimenté par des données météorologiques suit les populations d’aleurodes. Dans ce cas, le niveau de précision est de 94 %.

Améliorer la précision de la pulvérisation

Autre avancée : mieux cibler les applications. Un robot par YOLOv4 et équipé d’un système de reconnaissance des adventices réduit de 79 à 80 % l’utilisation d’herbicides. Cependant, ce résultat s’obtient dans des conditions optimales de détection. Le dispositif concerne notamment le maïs, le soja et la betterave. Sur tabac, le système TobSet distingue la culture et les adventices pour guider la pulvérisation avec à la clé une baisse de 52 % de l’usage d’herbicides.

La vigne bénéficie aussi de ces innovations. Embarquée sur un robot de culture, une caméra intelligente détecte les taches de botrytis sur grappes avec 95 % de précision. Ensuite, l’IA oriente la pulvérisation uniquement sur les baies malades.

L’IA pour évaluer l’efficacité d’un traitement biocontrôle

L’IA intervient également après les traitements. Sur jeunes pousses de laitue, l’imagerie et les algorithmes mesurent l’efficacité de souches de trichoderma contre la fusariose. Les essais rapportent une réduction de 40 à 50 % de la sévérité de la maladie.

Les performances obtenues avec l’IA demandent confirmation

Désormais, l’enjeu est de passer de la preuve de concept à des outils fiables dans les conditions agricoles du quotidien. En effet, la revue rappelle que les performances obtenues en laboratoire ne se transposent pas toujours telles quelles au terrain. Dans un exemple cité, la précision du modèle de détection sur muguet et vigne passe de 66,3 % en laboratoire à 34,8 % en plein champ, notamment sous l’effet des variations de lumière et des conditions météorologiques.

« Au-delà de la promesse technologique, cette revue rappelle un enjeu essentiel. Pour que l’IA trouve sa place dans les exploitations agricoles, elle doit d’abord s’adapter aux réalités du terrain. Plusieurs paramètres sont à prendre en compte comme le coût des équipements, l’accès à Internet, la simplicité d’utilisation et la fiabilité des résultats en conditions réelles », conclut Julien Durand-Réville.

 

Source : « Integrated pest management (IPM) in the AI era » (Choudhary et al., 2026)