UniTriRob : un modèle de régression par apprentissage automatique robuste pour prédire les rendements de laitue en agriculture verticale aéroponique

Pourquoi des fermes à laitue plus intelligentes comptent

Nourrir les villes avec des légumes frais toute l’année est difficile quand la terre, l’eau et le climat sont sous pression. Les fermes verticales aéroponiques cultivent la laitue dans des tours intérieures en hauteur en utilisant de la brume au lieu du sol, économisant ainsi surface et eau. Mais obtenir des récoltes fiables dans ces fermes high-tech implique de connaître à l’avance combien de laitues elles produiront. Cette étude présente une nouvelle méthode pour prévoir les rendements de laitue avec plus de précision, aidant les agriculteurs à mieux planifier tout en réduisant l’utilisation des ressources.

Cultiver la salade dans l’air

En agriculture verticale aéroponique, les plants de laitue sont disposés en colonnes empilées et leurs racines pendent dans l’air, pulvérisées régulièrement d’une brume riche en nutriments. Parce que tout—de la température et l’humidité à la lumière, le pH et la concentration en nutriments—peut être finement réglé, les agriculteurs peuvent faire pousser la laitue rapidement avec moins d’eau que dans des champs en sol. L’inconvénient est que de tels systèmes fortement contrôlés sont étonnamment sensibles. De petites défaillances des capteurs ou de brèves variations des conditions peuvent fausser les mesures, rendant difficile la confiance dans des outils de prédiction simples qui supposent des données propres et stables.

Pourquoi les méthodes classiques montrent leurs limites

Beaucoup de prévisions de rendement existantes s’appuient sur des régressions standard ou des méthodes d’apprentissage automatique populaires, qui fonctionnent au mieux quand les données sont bien comportées. Dans de véritables fermes aéroponiques, les lectures des capteurs surveillant le pH, les solides dissous totaux, la conductivité électrique, la turbidité, la température, l’humidité, la lumière et la croissance incluent souvent des valeurs aberrantes et un bruit inégal. Une buse bouchée, une brève coupure de courant ou un capteur qui dérive peut générer des valeurs extrêmes qui écartent les modèles ordinaires de leur cible. Par conséquent, les approches antérieures n’ont pas pu pleinement faire face à la réalité désordonnée des essais d’agriculture intérieure à long terme.

Un modèle en trois volets conçu pour ignorer les mauvaises données

Les auteurs ont conçu un nouveau cadre de régression appelé UniTriRob qui combine trois techniques robustes en un seul modèle. Une composante réduit en douceur l’influence des petites anomalies ; une autre ajuste itérativement des droites en écartant les valeurs manifestement aberrantes ; une troisième s’appuie sur les médianes plutôt que sur les moyennes pour résister aux points extrêmes. Ensemble, elles diminuent le poids des lectures suspectes au lieu de les laisser dominer le résultat. Le modèle a été entraîné sur plus de 50 000 enregistrements horodatés collectés toutes les 15 minutes pendant plusieurs cycles de croissance de laitue dans une tour aéroponique, capturant comment les conditions clés évoluaient dans le temps et comment ces variations affectaient le rendement final.

Tester le modèle dans une ferme opérationnelle

Après un nettoyage et une visualisation soignés des données, les chercheurs ont séparé leurs enregistrements en ensembles d’entraînement et de test. Ils ont ensuite comparé UniTriRob à un éventail d’alternatives courantes, y compris la régression linéaire et polynomiale, la régression par vecteurs de support et plusieurs méthodes robustes utilisées seules. En utilisant des mesures telles que l’erreur quadratique moyenne, l’erreur absolue moyenne et l’erreur en pourcentage, UniTriRob a systématiquement fourni les prédictions les plus proches du poids effectivement récolté des laitues. Il a expliqué environ 98 % de la variation du rendement, réduit les taux d’erreur d’environ un cinquième à un quart par rapport aux modèles standards, et l’a fait avec un temps de calcul raisonnable, le rendant pratique pour des systèmes de contrôle de fermes réels.

Ce que cela signifie pour les fermes urbaines futures

Des prévisions de rendement plus précises permettent aux agriculteurs d’intérieur d’ajuster l’irrigation, les nutriments et l’éclairage au lieu de s’en remettre à des approximations. Dans cette étude, le modèle robuste a aidé à mettre en lumière les facteurs les plus influents et a suggéré des pistes pour réduire l’utilisation des ressources, par exemple en diminuant la consommation d’eau jusqu’à 40 % lors d’essais pilotes. Les auteurs soulignent que leurs résultats s’appliquent à la laitue cultivée dans une configuration aéroponique spécifique, et que des travaux supplémentaires sont nécessaires pour tester d’autres cultures et systèmes. Néanmoins, UniTriRob montre que traiter avec soin des données capteurs bruitées peut rendre les fermes verticales high-tech plus prévisibles, efficaces et mieux adaptées à l’approvisionnement en nourriture fraîche des villes surpeuplées.

Citation: Rajendiran, G., Rethnaraj, J., Zade, S. et al. UniTriRob: a robust machine learning regression model for predicting lettuce yields in aeroponic vertical farming. Sci Rep 16, 15791 (2026). https://doi.org/10.1038/s41598-026-44564-8

Mots-clés: laitue aéroponique, agriculture verticale, prévision de rendement, régression robuste, agriculture intelligente