De nombreux projets d'agriculture intelligente commencent par l'installation de capteurs et s'arrêtent là. La sonde d'humidité du sol, la station météo et la caméra envoient chacune leurs données à l'application de leur propre fabricant, et l'agriculteur se retrouve avec plusieurs graphiques séparés, dont aucun ne lui dit quoi faire aujourd'hui. La décision d'irrigation repose toujours sur l'expérience et l'estimation, simplement accompagnée de graphiques. Des données collectées sans intégration, sans traitement et sans modèle ne sont rien de plus qu'un coût de stockage.
L'enjeu tient à la pression simultanée sur l'eau, l'énergie et la main-d'œuvre. Dans de nombreuses régions, l'eau est la ressource la plus rare, et chaque mètre cube apporté sans nécessité est directement prélevé sur la récolte de l'année suivante. Parallèlement, les exploitations s'agrandissent tandis que le personnel qualifié se raréfie ; un seul agronome doit gérer des dizaines d'hectares. L'agriculture pilotée par les données répond à cette pression en appuyant les décisions répétitives sur les données et les modèles, afin de libérer l'expertise humaine pour les cas exceptionnels.
L'architecture de l'agriculture pilotée par les données peut se concevoir comme une chaîne : des capteurs et des contrôleurs sur le terrain, une passerelle locale qui collecte les données et les met en mémoire tampon en cas de perte de connexion, une plateforme d'événements qui diffuse en flux les relevés et les alertes, un data lake qui combine l'historique avec les données météorologiques, l'imagerie satellitaire et les historiques agronomiques, et une couche de modèles qui transforme cette combinaison en recommandations. En bout de chaîne, la recommandation est soit présentée à l'agriculteur, soit, en mode automatique, envoyée comme commande au contrôleur d'irrigation. Chaque maillon doit pouvoir être remplacé indépendamment.
La première considération pratique est la qualité des données dans un environnement exigeant. Une sonde de sol perd son étalonnage avec le temps, une batterie faible produit des relevés erronés et un animal peut déplacer l'équipement. La plateforme doit détecter ces anomalies, signaler les relevés suspects et les recouper avec les capteurs voisins et les données météorologiques avant toute décision. Par exemple, si une sonde signale une chute soudaine de l'humidité alors que ses voisines n'indiquent aucun changement, une défaillance du capteur est bien plus probable qu'une sécheresse subite, et le moteur de recommandation doit la traiter comme telle.
La deuxième considération est la confiance de l'agriculteur. Une recommandation d'irrigation qui ne s'explique pas ne sera pas acceptée, aussi précise soit-elle. La recommandation doit indiquer quels relevés, quelles prévisions météorologiques et quel stade de croissance ont conduit à la conclusion, et il doit être possible de la rejeter ou de l'ajuster. Chaque décision humaine qui prend le pas sur le modèle constitue une donnée précieuse pour l'améliorer. Le chemin pratique commence généralement en mode conseil et ne passe au pilotage automatique qu'après une ou deux saisons de résultats confirmés.
Les écueils courants sont connus. Premièrement, compter sur une connexion internet permanente là où la couverture est incertaine ; la passerelle locale doit pouvoir fonctionner de manière autonome pendant plusieurs jours. Deuxièmement, s'enfermer dans le matériel d'un seul fabricant, de sorte que remplacer un capteur implique de réécrire le logiciel. Troisièmement, construire un modèle générique pour toutes les cultures et toutes les régions, alors que le comportement du sol et des plantes est éminemment local. Quatrièmement, oublier que le résultat final est une commande physique ; une erreur logicielle en mode automatique peut inonder ou assécher une parcelle et exige un mécanisme de sécurité indépendant.
Chez Niadad, la plateforme Jarian («جریان») assure la couche événementielle de cette chaîne : réception des relevés et des alertes provenant des passerelles locales, diffusion en flux et conservation de l'historique. Darya («دریا») est le data lake qui combine ce flux avec les données météorologiques, l'imagerie et les historiques agronomiques pour constituer la base de la modélisation. Dans le projet d'agriculture intelligente de Niadad, les deux sont intégrées à des cartes électroniques sur mesure et à des contrôleurs de terrain afin que la chaîne, du capteur à la décision, fonctionne comme un système unique.
L'agriculture pilotée par les données n'est une affaire ni de capteurs ni d'algorithmes ; c'est une affaire de chaîne qui transforme un relevé en décision fiable. Une organisation qui construit cette chaîne avec rigueur d'ingénierie progresse un peu à chaque saison, et en agriculture, c'est l'écart d'une saison à l'autre qui perdure. Commencer petit, avec une parcelle, une culture et une décision, et n'étendre qu'une fois la chaîne éprouvée, est la voie la plus susceptible de durer.