Agriculture Digitale.AXE3 - Standardisation du Système Big Data

National Institute of Agronomic Research Morocco - INRA Morocco

Overview: Agriculture Digitale.AXE3 - Standardisation du Système Big Data

Agriculture Digitale.AXE2 - Agriculture Digitale.AXE4

Leader: Tarik Benabdelouahab, National Institute of Agronomic Research Morocco - INRA Morocco

Team members: 4
Partner organizations: 1

Budget 2025
MAD : 0

Results: 4

Axis Description

3.1 Résumé : La croissance démographique, les changements climatiques et la dégradation des sols appliquent des pressions très fortes sur l’espace agricole marocain. En parallèle, l’agriculture marocaine connait des transformations majeures pour s’adapter à ces pressions et continuer à s’imposer comme l’un des principaux piliers de l’économie nationale. Pour réussir cette transformation, les décideurs et les agriculteurs ont besoin de nouveaux outils et méthodes basés sur les avantages de la révolution numérique pour les aider dans la prise de décision. Au niveau de l’INRA, beaucoup de travaux et études ont été réalisés dans les différentes régions du Maroc et beaucoup de résultats ont été obtenus. La conceptualisation d’un Bigdata peut contribuer à la centralisation de données et de résultats et par conséquent aider à dans la création de nouvelles connaissances et d’avoir des retombées positives sur la prise de décision et la planification en agriculture et la conservation des ressources naturelles. Mots clés : Big data, Plateforme web, Crowdsourcing, INRA 3.2 Contexte et point de situation 3.2.1 Orientations stratégiques Les applications des Big Data dans l’agriculture sont nombreuses mais leur implémentation reste très récente, et encore peu nombreux puisqu’on n’en dénombre que quelques dizaines (Kamilaris et al., 2017 ; Wolfert et al., 2017). Cependant, même si l’adoption est plus lente que dans d’autres secteurs, il n’en demeure pas moins que le potentiel des Big Data en agriculture est énorme, tout autant que les enjeux et les challenges à relever pour répondre à la stratégie GG qui vise la création de Bigdata et la digitalisation du secteur agricole. Depuis 2015, la donnée produite est presque égale à celle des 50 dernières années. Cette quantité de données, associée à de grande capacité de stockage et des algorithmes capables de traitement, tout en donnant naissance à de nouvelles connaissances et des services. Le développement de Big data et les solutions qui en découlent peuvent avoir des retombées positives sur l’agriculture. Dans ce domaine, nous sommes passés de données ponctuelles à des millions de données géo-localisées qui sont couplées à des données météo, fertilisation, pédologie, couvert végétale afin de pouvoir optimiser au plus précis les actions liées aux activités agricole. Au niveau de l’INRA, l’adoption des innovations liées au numérique et au Big Data rencontre des difficultés liées au manque d’expertise et de programme de recherche pour l’analyse des Big Data pour coupler entre les différentes sources de données. Cet axe de recherche vise à répondre à ce manque, inciter la recherche dans ces aspects et encourager les chercheurs à s’impliquer dans cette démarche par l’instauration de règles d’axé et de confidentialité de Big Data. Par conséquent, l’axe « Standardisation du système Big Data » constituera une réflexion poussée pour organiser les données émanant de plusieurs thèmes de recherche et que les différentes équipes et entités de recherche produisent au niveau de l’INRA. Les thématiques et les responsables sont les suivants : (1) des données de terrain liées aux capteurs, drones et aux engins agricoles : Al Aissaoui Abdellah ; (2) des images multi-spectrale et thermique et de leurs produits cartographiques dérivés : Rachid Hadria ; (3) Assolements, climats et des données de terrain sur les performances des cultures : Hamza Iaaich ; (4) Analyses du sol, de l’eau et des plantes : Abdelmajid Zouahri ; (5) Données de génétiques et génomiques (végétales, Animales, microorganismes) : Badr Benjelloun. Le but ultime de cette démarche est de bâtir une Bigdata opérationnelle, accessible et alimentée via une plateforme qui standardisera toutes les données à caractère digital générées. Le Big Data en agriculture est confronté à un véritable enjeu d’utiliser la bonne technologie pour extraire et valoriser des informations de multiples données hétérogènes comme des images satellitaires, des questions d’agriculteurs, et des données météo, d’où le besoin de développer des algorithmes qui analysent ces données. Les startups peuvent jouer un rôle clé pour le développement de ce secteur et pouvoir enfin observer véritablement un impact positif sur l’économie et l’environnement. 3.2.2 Etat de l’art : Les masses de données aujourd’hui disponibles, combinées à des sciences et technologies de l’information en plein essor, le machine learning en particulier, pourraient permettre d’accomplir dans de nombreux secteurs (science, médecine, commerce, transports, communication, sécurité), à l’instar des progrès réalisés ces vingt dernières années dans des domaines tels que la vision par ordinateur ou la reconnaissance de la parole. En agriculture, les sources des Big Data sont multiples et prolifèrent. Les premières sont les images satellitaires, dispositifs qui datent de plus de quarante ans, mais qui connaissent aujourd’hui un déploiement inédit avec le lancement de nouveaux satellites. Un autre facteur de prolifération des données est lié aux multiples objets connectés en agriculture (stations météorologiques, tracteurs avec un système GPRS et IoT, capteurs d’humidité du sol, analyse du sol, capteurs implantés sur les animaux d’élevage et compteurs d’eau connectés en irrigation) (Tzounis et al., 2017 ; Halewood et al., 2018). Enfin, les progrès connus dans le domaine de séquençage des génomes qui permettent de produire désormais des quantités énormes de données en peu de temps et à des couts raisonnables. (Halewood et al., 2018). Listes des références bibliographiques : CASTILLO M.J., BOUCHER S. and CARTER M. (2016), “Index Insurance: Using Public Data to Benefit Small – Scale Agriculture”, International Food and Agribusiness Management Review, Special Issue – Vol.19 Issue A, 93-114. COOPER J., NOON M., JONES C., KAHN E. and ARBUCKLE P. (2013) “Big Data in Life Cycle Assessment”, J Ind. Ecology 17 (6), 796-799. HALEWOOD M., CHIURUGWI T., SACKVILLE HAMILTON R., KURTZ B., MARDEN E., WELCH E., MICHIELS F., MOZAFARI J., SABRAN M., PATRON N., KERSEY P., BASTOW R., SHAWN DORIUS S., DIAS S., McCOUCH S. and POWELL W. (2017), “Plant genetic resources for food and agriculture: opportunities and challenges emerging from the science and information technology revolution”, New Phytologist 217, 1407-1419. KAMILARIS A., KARTAKOULLIS A. and PRENAFETA-BOLDU F.X. (2017), “A review on the practices of big data analysis in agriculture”, Computers and Electronics in Agriculture. 143, 23-37. MINET J., CURNEL Y., GOBIN A., GOFFART J.P., MÉLARD F., TYCHON B., WELLENS J. and DEFOURNY P. (2017), “Crowdsourcing for agricultural applications: A review of uses and opportunities for a farmsourcing approach”, Computers and Electronics in Agriculture 142, 126-138. STEENEVELD W. and HOGEVEEN H. (2015), “Characterization of Dutch dairy farms using sensor systems for cow management”, Journal of Dairy Science, 709-717. TZOUNIS A., KATSOULAS N., BARTZANAS, T. and KITTAS C. (2017), “Internet of things in agriculture, recent advances and future challenges”, Biosystems Engineering, 164, 31-48. WOLFERT S., GE L., VEROUW C. and BOGAARDT M.J. (2017), “Big Data in smart farming – A review”, Agricultural Systems, 153, 69-80. 3.2.3 Justification du projet (intérêt et originalité) La mise en ligne et le partage des données et de résultats sont devenu une devise des plus grandes institutions internationales. Cette stratégie a montré son grand intérêt dans la promotion de la collaboration, de la recherche et de la vulgarisation à l’échelle internationale. Au Maroc, cet esprit de partage et encore entravé sur le désire d’appropriation de l’information. Cela conduit souvent à la duplication de travaux, ce qui conduit à une perte importante de temps, d’effort et de moyens. Pour éviter ces problèmes au niveau de l’INRA, Il est donc indispensable de construire rapidement une connaissance en s’appuyant sur la science et la technologie de l’information (Big Data, Apprentissage automatique et intelligence artificielle) pour accompagner l’agriculteur dans un processus de production toujours plus complexe, combinant recherche de compétitivité, respect des réglementations, recherche d’une meilleure valorisation financière et évolution des pratiques. Nous faisons l’hypothèse que les données en lien avec la production agricole sont sur une trajectoire de massification qui permettra de constituer des méga-données – ou Big Data – et peuvent être utilisées dans des analyses de Big Data pour fournir à l’agriculteur des outils d’aide à la décision. La création du Bigdata agricole peut avoir une retombée sur la recherche scientifique. Les enjeux du Big Data agricole peuvent avoir un impact direct sur la gestion de l’espace agricole et la mise en œuvre d’une stratégie agricole efficiente et offrir des modèles de fonctionnement plus précis en intégrant les conditions particulières pour la gestion des intrants et le choix des types de cultures. La constitution du bigdata, particulièrement au niveau de l’INRA, facilitera l’approche de crowdsourcing et de sciences participatives (Minet et al, 2017), ce qui permettra aussi le partage de l’information entre chercheurs et les partenaires de l’INRA et aussi une meilleure diffusion des innovations agricoles. Du côté du MAPMDREF et dans le cadre la stratégie GG, l’analyse des données massives permet d’améliorer la conservation des sols, d’estimer les rendements des cultures et d’assurer un suivi spatio-temporel de l’état du couvert végétal. 3.2.4 Transfert des résultats Le système big data développé dans cet axe de recherche sera présenté aux différents utilisateurs potentiels à travers les Services de Recherche et de Développement des Centres Régionaux de l’INRA. Les modalités d’accès aux composantes du système appropriées à chaque partenaire seront établies au fur et à mesure de son développement et alimentation.

Atlas

Results

Code	Result Name	Leader	Activities
Agriculture Digitale.AXE3.Résultat1	Les données produites et les structures responsables sont caractérisées et identifiées	Jilal Abderrazek	2
Agriculture Digitale.AXE3.Résultat2	Les données produites au niveau de l’INRA ces dernières décennies sont valorisées et compilées	Jilal Abderrazek	2
Agriculture Digitale.AXE3.Résultat3	Big Data Créé et plateforme pour l’alimentation et consultation des données est mise en place	Jilal Abderrazek	2
Agriculture Digitale.AXE3.Résultat4	Les règles d’accès et de confidentialités sont établies	Jilal Abderrazek	1