Une approche interdisciplinaire basée sur l’apprentissage automatique pour prédire le rendement du maïs sous applications de biofertilisants

Pourquoi des champs de maïs plus intelligents comptent

Nourrir une population mondiale croissante sur une planète qui se réchauffe implique d’extraire davantage de nourriture de chaque goutte d’eau et de chaque poignée de sol. Le maïs, l’une des cultures les plus importantes au monde, est particulièrement vulnérable à la chaleur, à la sécheresse et aux sols pauvres. Cette étude examine comment la combinaison de microbes du sol bénéfiques et de l’apprentissage automatique moderne peut aider les agriculteurs à prédire plus précisément le rendement du maïs, ouvrant la voie à un usage plus judicieux des engrais, une meilleure planification de l’irrigation et des récoltes plus résilientes.

Racines saines, microbes utiles et plantes stressées

La recherche part d’une idée simple : le rendement du maïs est façonné non seulement par le climat et les engrais, mais par un réseau d’interactions à l’intérieur de la plante et dans le sol. Les auteurs ont travaillé pendant deux ans sur une station expérimentale dans le nord-est semi-aride de l’Iran, où l’eau est limitée et la chaleur fréquente. Les graines de maïs ont été soit laissées non traitées, soit enrobées de champignons et de bactéries bénéfiques qui vivent autour des racines et aident la plante à absorber des nutriments comme le phosphore et l’azote. Tout au long de la saison de croissance, l’équipe a mesuré des dizaines de traits, de la couleur des feuilles et de la hauteur à la colonisation des racines et à la température de la canopée, dressant un portrait détaillé des réponses des plantes à ces biofertilisants et à l’environnement difficile.

Transformer des mesures de terrain en signaux pertinents

Plutôt que de s’en remettre uniquement à des moyennes traditionnelles ou à des tendances simples, les chercheurs ont créé 73 « signaux » différents à partir de leurs mesures, comprenant 32 traits directs et 41 combinaisons qui capturent la manière dont deux caractéristiques interagissent. Par exemple, ils ont considéré comment la température de la canopée interagit avec la colonisation des racines, ou comment la surface foliaire se combine avec la production de matière sèche. Une première sélection à l’aide d’une méthode de régression prudente a réduit ces signaux à 13 indicateurs clés fortement liés au rendement en grains, tels que la température de la canopée pendant la floraison, les niveaux de phosphore et d’azote dans la plante, et plusieurs combinaisons liées aux racines et aux feuilles. Cette étape a montré que le rendement dépend de processus physiologiques et du sol entrelacés, et non de facteurs isolés.

Mettre huit machines d’apprentissage à l’épreuve

Pour déterminer quels outils capturaient le mieux ces relations complexes, l’équipe a comparé huit approches d’apprentissage automatique, allant de modèles basés sur des arbres à plusieurs types de réseaux de neurones et un système neuro‑flou hybride. Ils ont divisé leurs 96 échantillons de terrain en jeux d’entraînement, de validation et de test, standardisé toutes les variables et utilisé des techniques comme la validation croisée et l’arrêt précoce pour éviter le surapprentissage. Globalement, les modèles basés sur des réseaux de neurones — en particulier ceux utilisant des mécanismes d’attention et TensorFlow — ont obtenu les meilleures performances, atteignant une précision modérée pour prédire le rendement à partir des traits mesurés. En revanche, des méthodes plus rigides comme les machines à vecteurs de support basiques ont eu du mal à modéliser les motifs complexes et non linéaires des données.

Ce que les modèles révèlent sur la croissance réelle du maïs

Un point fort de ce travail est que les auteurs n’ont pas traité leurs modèles comme des boîtes noires mystérieuses. En utilisant des outils d’interprétation basés sur la théorie des jeux, ils ont examiné quelles caractéristiques poussaient le plus fortement les prédictions. La température de la canopée pendant le remplissage des grains est apparue comme un signal constamment puissant : des canopées plus fraîches étaient généralement associées à de meilleurs rendements, ce qui reflète probablement des plantes qui transpirent efficacement et évitent le stress thermique. Les interactions entre la teneur en azote de la plante et la longueur des racines, entre la surface foliaire et la verdure des feuilles, et entre la hauteur de la plante et le nombre d’épis ont également été mises en évidence dans les meilleurs modèles. Ces motifs soulignent le rôle central de l’absorption des nutriments et d’une canopée photosynthétique efficace, fortement influencés par la qualité de la colonisation des racines par les microbes bénéfiques et l’amélioration de l’accès aux nutriments du sol.

Des motifs de données à une agriculture plus intelligente

Pour un non-spécialiste, l’essentiel est que la combinaison de biofertilisants et d’analyses de données avancées peut transformer des mesures de terrain éparses en informations exploitables. Bien que le jeu de données soit modeste et provienne d’une seule région, l’étude montre que les modèles de réseaux de neurones peuvent apprendre les liens subtils entre la santé des racines, le comportement des feuilles, le stress thermique et le rendement final en grains. En révélant quels traits de la plante et du sol importent le plus, ces modèles peuvent guider l’agriculture de précision : agriculteurs et conseillers peuvent se concentrer sur le maintien de canopées fraîches, de racines bien colonisées par des microbes utiles et d’un équilibre fin de l’absorption des nutriments. À long terme, de telles approches pourraient aider à concevoir des systèmes de culture produisant plus de maïs avec moins d’intrants chimiques, tout en mieux faisant face à la sécheresse et au changement climatique.

Citation: Jahan, M., Nassiri-Mahallati, M. An interdisciplinary machine learning-based approach for predicting corn grain yield under biofertilizer applications. Sci Rep 16, 9912 (2026). https://doi.org/10.1038/s41598-026-40919-3

Mots-clés: prédiction du rendement du maïs, biofertilisants, apprentissage automatique en agriculture, interactions racines–microbes, gestion durable des cultures