Dans le domaine de l’agriculture de précision ainsi que de la science du végétal, nous capturons des informations détaillées sur des paramètres tels que la croissance, la taille, la densité foliaire, la réponse spectrale du feuillage, et plus globalement la réponse au stress environnemental. Le phénotypage digital permet ainsi une évaluation rapide et précise des performances des végétaux sous diverses contraintes. La montée en puissance de ces méthodes s’explique par leurs avantages, tout en restant complémentaires au phénotypage plus « traditionnel » :

• Surveillance des cultures sur de vastes étendues et en un temps réduit, ce qui permet d’obtenir des données des populations entières (exhaustivité) en un temps record (rapidité)
• Evaluation de certains caractères quantitatifs là où l’évaluation ne peut être faite que de manière qualitative
• L’objectivité, et la précision des mesures permettent de limiter considérablement les biais liés au jugement du notateur (chlorose, intensité de la floraison, etc.) et aux méthodes d’analyses (calcul de volume, morphologie des végétaux),
• La puissance des algorithmes d’apprentissage automatique et l’émergence de l’intelligence artificielle nécessitent des données massives et de qualité. Le phénotypage digital est à même de répondre à ces besoins, et permets ainsi à la recherche de bénéficier de la puissance de ces technologies.

Cependant, de nombreux défis subsistent tels que :  i) l’adaptation des méthodes d'analyse au contexte local (espèces étudiées, contexte agronomique), ii) Le développement d’algorithmes fiables et génériques mais néanmoins adaptables pour améliorer la précision et évaluer de nouveaux caractères, iii) Enfin, la garantie de la confidentialité, la sécurité des données recueillies, le partage des résultats et méthodes auprès du monde académique et de la société civile (sciences ouvertes). Ainsi, 3 axes d’actions de recherche sont menés :

Axe 1 - Production de données consolidées

L’objectif est d’acquérir et analyser des datasets, afin de produire des données directement exploitables par les chercheurs et ingénieurs pour les aider à répondre à leurs questions de recherche (agronomie, génétique, écophysiologie, sélection, etc.). Pour cela, le processus débute avec l’acquisition de données brutes par l’emploi combiné de vecteurs (drone/satellite/humains) et capteurs variés (imagerie RGB, multispectrale, thermique, LIDAR). Puis les données brutes sont traitées selon des méthodes bien établies, afin de produire des données exploitables. Voici deux illustrations de workflow et résultats :

Fig. 1 : lignes directrices du traitement des images RGB et multispectrales (MS)
issues de drones

Fig. 2 : Exemples de données produites à partir d’imagerie satellite.

De gauche à droite : a) série temporelle du stress hydrique à l’échelle de 4 parcelles d’agrumes, évalué à l’aide de l’indice végétatif MSI (Moisture Stress Index), b) cartographie des hétérogénéités végétatives sur un ensemble de parcelles agrumicoles du bassin de production corse, c) cartographie du stress hydrique sur le domaine agricole INRAE de San-Giuliano (France).

Axe 2 - Développement méthodologique 

Le phénotypage digital est une discipline en évolution constante et soutenue. Cette évolution se concrétise tant par la sortie de nouveaux capteurs ou vecteurs plus performants sur le marché que par l’évolution des connaissances et des services disponibles dans le domaine du traitement du signal. L’accent est donné d’une part à mise à niveau continue du dispositif, par l’intégration / adaptation de méthodes déjà existantes mais encore non utilisée dans l’équipe, et d’autre part le développement de méthodes inexistantes ou encore imprécises dans l’état de l’art.

In-fine il s’agit :

1. d’accroitre le nombre de caractères et/ou compartiments évaluables par phénotypage digital. 
2. de développer de nouvelles méthodes et algorithmes pour améliorer la précision ou permettre l’acquisition de nouveaux caractères encore inaccessibles jusque-là.

Axe 3 – L’Open Science ou les sciences ouvertes

La science ouverte consiste à partager les connaissances et les outils issus des projets de recherche. Celle-ci soulève de nombreux problèmes et implique  :

1. de déployer des outils permettant de gérer, structurer, et partager de gros volumes de données (Geocatalogue, geodatabases, entrepôts de données, websig), 
2. de décrire les données et de leur contexte d’acquisition/production, en vue d’une utilisation ultérieure éclairée, 
3. de vérifier la reproductibilité des analyses, avec la mise en place d’outils et des pratiques adaptées (cahiers de laboratoire électroniques, forges logicielles, gestionnaires de paquets et environnements logiciels reproductibles).