Modèles d’apprentissage automatique pour la prédiction de la protéine brute dans les pâturages de gazon Tamani

Pourquoi des pâturages intelligents comptent pour votre assiette

Le bœuf et le lait commencent par l’herbe. Partout dans le monde, des milliards d’hectares de pâturages nourrissent les bovins, les ovins et d’autres animaux en pâturage. Pour que ces animaux se développent bien et restent en bonne santé, leur herbe doit contenir suffisamment de protéines, un élément clé pour les muscles, le lait et les organes vitaux. Mais mesurer la protéine dans l’herbe implique généralement de couper des échantillons et de les envoyer en laboratoire—un travail lent et coûteux que la plupart des agriculteurs ne peuvent pas réaliser fréquemment. Cette étude explore comment des mesures simples sur le terrain, combinées à des techniques informatiques modernes, peuvent estimer rapidement et à moindre coût la teneur en protéines de l’herbe, aidant les agriculteurs à affiner le pâturage et la fertilisation tout en utilisant moins de ressources.

Un regard plus proche sur une graminée tropicale de travail

Les chercheurs se sont concentrés sur le gazon Tamani, une graminée tropicale productive largement utilisée au Brésil pour le pâturage intensif. Pendant 18 mois, ils ont surveillé un pâturage de 0,96 hectare divisé en petites parcelles et soumis à deux niveaux d’engrais azotés et à deux stratégies de pâturage basées sur la quantité de lumière interceptée par les plantes. Ils ont enregistré des informations faciles à obtenir : saisons de l’année, température, précipitations, ensoleillement, durée de repos de chaque parcelle entre deux pâturages et hauteur de l’herbe avant et après le passage des animaux. Dans le même temps, ils ont prélevé un nombre limité d’échantillons de feuilles et utilisé une méthode optique spécialisée pour mesurer la protéine brute, constituant ainsi un petit jeu de données détaillé reliant la gestion quotidienne à la qualité de l’herbe.

Apprendre aux ordinateurs à lire le pâturage

Plutôt que de s’appuyer sur des images satellite ou des drones, qui exigent du matériel et de la puissance de calcul spécifiques, l’équipe n’a utilisé que des données « tabulaires »—du type que l’on trouve dans un tableur. Ils ont testé cinq approches d’apprentissage automatique différentes, des méthodes informatiques qui apprennent des motifs à partir d’exemples : un modèle linéaire standard, un arbre de décision simple, un modèle de type réseau de neurones, et deux méthodes populaires basées sur des arbres qui combinent de nombreux modèles simples pour en former un plus puissant. Ils ont entraîné ces modèles sur 80 % des mesures et conservé les 20 % restants pour les tests. L’objectif était simple mais pratique : à partir d’informations qu’un agriculteur peut facilement enregistrer—taux d’engrais, période de repos, hauteur de l’herbe et données météorologiques de base—un ordinateur pouvait‑il prédire quelle quantité de protéines se trouvait dans les feuilles ?

Comment les choix de gestion façonnent les niveaux de protéine

Les modèles ont révélé que la manière dont les pâturages sont gérés influence davantage la teneur en protéines que les conditions météorologiques enregistrées dans cette étude. Parmi tous les facteurs, le temps entre deux pâturages arrive en tête : des périodes de repos plus longues conduisent à des plantes plus âgées et plus fibreuses avec une protéine plus faible, tandis que des intervalles plus courts aident à maintenir une herbe plus jeune, plus feuillue et plus riche en protéines. L’engrais azoté a également joué un rôle majeur, car l’azote est un constituant clé des protéines végétales et de la chlorophylle. La hauteur de l’herbe avant et après le pâturage arrive ensuite en importance, liant la teneur en protéines à l’intensité du pâturage. Les précipitations, la température, l’ensoleillement et les repères saisonniers avaient encore un effet, mais ils étaient moins influents que ces décisions de gestion quotidiennes.

Quelle était la précision des prédictions informatiques ?

Les méthodes les plus performantes étaient deux modèles avancés basés sur des arbres. L’un appelé Random Forest et l’autre connu sous le nom de XGBoost ont produit des corrélations similaires entre les valeurs de protéine prédites et observées, ce qui signifie que leurs estimations évoluaient globalement en phase avec la réalité. XGBoost a été légèrement meilleur dans l’ensemble, expliquant un peu plus de la moitié de la variation de la teneur en protéines et maintenant des erreurs moyennes de prédiction d’environ un point et demi en pourcentage. Bien que ce ne soit pas parfait, c’est suffisamment précis pour être utile dans de nombreuses décisions de gestion, d’autant qu’il s’appuie uniquement sur des informations que la plupart des exploitations peuvent déjà enregistrer avec des outils de base et un carnet ou une application simple.

Ce que cela signifie pour les agriculteurs et les consommateurs

Pour un lecteur non spécialiste, le message est simple : en surveillant de près la durée de repos des pâturages, la hauteur de l’herbe à l’entrée et à la sortie des animaux, et la quantité d’engrais azoté appliquée, les agriculteurs peuvent orienter la teneur en protéines de leur herbe dans la bonne direction. Cette étude montre que des mesures abordables et faciles à collecter, combinées à des algorithmes intelligents, peuvent fournir des estimations rapides de la protéine de l’herbe sans travaux de laboratoire constants ni équipement de détection coûteux. Si des recherches futures, avec des jeux de données plus larges et plus variés, confirment ces résultats, de tels outils pourraient aider les agriculteurs à produire plus de viande et de lait avec moins d’intrants, à moindre coût et avec de meilleurs résultats environnementaux—des bénéfices qui profiteront en fin de compte aux consommateurs via une production animale plus efficace et plus durable.

Citation: Oliveira de Aquino Monteiro, G., dos Santos Difante, G., Baptaglin Montagner, D. et al. Machine learning models for crude protein prediction in Tamani grass pastures. Sci Rep 16, 5805 (2026). https://doi.org/10.1038/s41598-026-36949-6

Mots-clés: gestion des pâturages, qualité du fourrage, apprentissage automatique, protéine brute, élevage de précision