Analyse de fiabilité intercalée et stratégies d’optimisation multi-objectifs adaptatives aux contours pour la modélisation physique des réseaux dans la gestion CPS en agriculture intelligente

Summary

Ce protocole présente une stratégie de modélisation et d’optimisation cyber-physique intercalées pour une gestion intelligente des serres, permettant une évaluation reproductible de la fiabilité et de la performance écologique.

Abstract

La demande alimentaire croissante et les contraintes climatiques favorisent la mise en œuvre d’une agriculture intelligente, mais les systèmes cyber-physiques (CPS) existants manquent d’une intégration inter-couches fiable et de flexibilité en temps réel, limitant la performance dans des environnements dynamiques. Ce protocole vise à fournir une stratégie de modélisation et d’optimisation cyber-physique intercalée pour une agriculture intelligente en serre. Il démontre un potentiel d’applicabilité pour améliorer la fiabilité et l’adaptabilité des systèmes cyberphysiques agricoles. L’approche intègre une couche physique avec le modèle de continuum sol-plante-atmosphère et l’étalonnage du filtre de Kalman Ensemble (EnKF) pour une prévision précise de l’humidité du sol. Il inclut une couche réseau utilisant la fusion multi-protocole avec la modélisation stochastique du réseau de Petri pour évaluer la fiabilité des communications. Une couche de contrôle s’appuie sur un système hybride stochastique pour coordonner la prise de décision conjointe. La fiabilité est également évaluée à travers un cadre d’indicateurs fonctionnels-temporels-écologiques, tandis que l’optimisation combine l’apprentissage par renforcement multi-objectifs avec des contraintes de sécurité et un méta-apprentissage bayésien pour permettre une adaptation rapide lors du changement de culture. Un déploiement en edge intelligent assure un contrôle robuste lors des interruptions de communication. Les résultats de la culture de tomates en serre à Shouguang, en Chine, montrent des performances reproductibles et stables en matière de prévision du rendement, d’efficacité de l’utilisation de l’eau et de contrôle de la latence dans des conditions difficiles. Cette méthodologie offre un flux de travail pratique et reproductible pour la mise en œuvre de systèmes cyber-physiques agricoles adaptatifs et fiables.

Introduction

La population mondiale croît rapidement et la disponibilité des ressources diminue, ce qui transforme la manière dont l’agriculture est développée. Les modèles conventionnels de l’agriculture, où la main-d’œuvre et les apports matériels sont élevés, et où la dépendance aux circonstances naturelles est forte, ne peuvent pas offrir efficacité et durabilité. L’agriculture intelligente est, dans ce cas, devenue l’approche transformatrice. Il permet d’obtenir une perception complète du terrain, de prendre des décisions précises et de contrôler intelligemment le domaine grâce à la combinaison de l’Internet des objets, de l’analyse des mégadonnées, de l’intelligence artificielle et des systèmes d’information spatiale, ce qui améliore l’efficacité de l’utilisation des ressources et contribue à une production agricole durable ^1,2.

Le marché de l’agriculture intelligente connaît une croissance exponentielle à travers le monde, et les États-Unis progressent dans les technologies de l’agriculture de précision, Israël dans l’irrigation économe de l’eau, et le Japon dans le domaine des systèmes de serre^{intelligents 3}. En Chine, le^14e plan quinquennal national de développement de l’agriculture et de l’informatisation rurale a conduit à la transformation numérique de l’agriculture, ce qui a permis des avancées dans la sélection numérique, les machines intelligentes et les projets d’agriculture intelligente à grande^{échelle 4}. L’Internet des objets (IoT) désigne un réseau de dispositifs d’actionnement et de détection connectés qui collectent, échangent et traitent des données. Cependant, même avec ces développements, des problèmes subsistent dans la couverture des réseaux IoT, la précision et la fiabilité des capteurs, l’échange d’informations entre les systèmes et l’accès à une compréhension interdisciplinaire qui limitent une mise en œuvre^{étendue 5,6}.

Les systèmes cyber-physiques (CPS) de l’agriculture sont au cœur de ce paysage en reliant la perception de l’environnement au contrôle^{intelligent 7}. CPS combinait à la fois des processus informatiques et physiques connectés à des capteurs, contrôleurs et réseaux de communication. Néanmoins, les méthodes de modélisation existantes reposent généralement sur l’indépendance des couches physique, réseau et de contrôle, restreignant l’interaction des couches et diminuant la capacité prédictive lors des perturbations^{dynamiques 8}. Les évaluations de fiabilité existantes mettent également l’accent sur les dimensions fonctionnelles et temporelles, tandis que la fiabilité écologique, telle que l’efficacité de l’utilisation de l’eau et les contraintes de salinité du sol, reste^{sous-explorée 9}. De plus, de nombreuses stratégies d’optimisation reposent sur un entraînement hors ligne, ce qui entraîne des retards dans l’inférence basée sur les arêtes et des difficultés à s’adapter à des changements rapides d’environnement ou de culture¹⁰.

La surveillance en serre par capteurs gagne en popularité, mais rencontre encore de nombreux obstacles empêchant une meilleure acceptation. La scalabilité et la fiabilité du système sont limitées par les coûts de déploiement élevés et la qualité inégale des capteurs. Les méthodes de modélisation utilisées dans la surveillance des serres par capteurs reposent sur le principe de conditions environnementales stables, de schémas de croissance cohérents des cultures et d’une transmission fiable de l’information via les réseaux de communication. Cependant, ces hypothèses ne sont pas valides dans de nombreuses conditions qui se produisent à l’intérieur des serres. Ces limitations indiquent qu’il est nécessaire de concevoir et de mettre en œuvre un cadre capable de gérer des lectures bruitées non constantes des capteurs, des fluctuations de l’alimentation des capteurs au cours de l’utilisation, et des périodes de perte de communication sans compromettre la qualité des performances ou la faisabilité de la mise en œuvre.

Pour remédier à ces limitations, ce protocole introduit un flux de travail reproductible de modélisation et d’optimisation multicouches qui intègre les processus physiques, réseau et de contrôle dans un cadre unifié. La couche physique utilise un modèle de continuum sol-plante-atmosphère avec calibration du filtre de Kalman en ensemble pour une prédiction précise de l’humidité^{du sol 11}. La couche réseau utilise la fusion multi-protocoles à l’aide d’un modèle de réseau de Petri stochastique pour mesurer la fiabilité de la communication. Au niveau du contrôle, un système hybride stochastique permet une prise de décision inter-couches conjointe. Le système d’indice fonctionnel-temporel-écologique est utilisé pour mesurer la fiabilité, l’apprentissage par renforcement profond multi-objectifs est utilisé pour optimiser ce système, avec des contraintes de sécurité et le méta-apprentissage bayésien, qui permet de s’adapter rapidement au changement de culture. Un déploiement edge-intelligent offre également une robustesse du système face aux interruptions du système lors des communications. En combinant ces éléments, le protocole offre un moyen systématique et reproductible d’améliorer la stabilité et la flexibilité des applications CPS dans le smart^{farming 12}.

Ce protocole convient aux environnements à effet de serre de taille moyenne à grande (800-1500 m²) avec divers réseaux de capteurs sans fil pour la surveillance du sol, du microclimat et du CO₂. Pour assurer un contrôle en temps réel, une résolution minimale de 5 minutes est recommandée, avec une communication LoRa/NB-IoT nécessaire pour le déploiement multi-nœuds (>200 nœuds). Le flux de travail est démontré pour la production de tomates en serre, mais il peut être appliqué à des cultures comme le concombre, le poivre et les légumes-feuilles via le re-réglage des paramètres et le transfert de méta-apprentissage.

Le protocole repose sur un cycle de travail séquentiel où la modélisation physique détermine l’humidité du sol, la couche réseau détermine la stabilité de transmission des données, et les couches de contrôle + d’optimisation produisent des politiques d’irrigation et de fertilisation assurant une stabilité écologique et opérationnelle. La figure 1 illustre le flux de travail inter-couches du système cyber-physique proposé.

Protocol

Il est noté qu’aucune expérience sur des êtres humains ou des vertébrés n’est impliquée dans ce protocole. En cas d’études futures impliquant une intervention humaine ou des échantillons biologiques, cela doit être approuvé par le comité d’examen institutionnel concerné, et le numéro d’approbation doit être enregistré avant la mise en œuvre.

1. Préparation du site et du matériel

REMARQUE : Cette étape construit un réseau de capteurs standardisé, qui fournit des informations précises et synchronisées sur l’environnement à utiliser dans la modélisation physique et le contrôle ultérieurs.

1. Établissez l’emplacement de la serre en saisissant les coordonnées GPS dans le logiciel de surveillance. Sélectionnez les espèces de cultures issues de la bibliothèque fournie et fixez les objectifs environnementaux (température : 20-28 °C, humidité relative : 50 % - 70 %).
2. Enregistrer les dimensions de la serre, les systèmes de ventilation et la configuration de l’ombrage.
3. Synchronisez tous les appareils à une horloge unifiée en utilisant le protocole Network Time Protocol (NTP)¹³.
4. Installez_des capteurs d’humidité, de température, d’humidité, de lumière et de CO 2 du sol selon les spécifications du fabricant.
   1. Installez 60 capteurs sans fil d’humidité et de température du sol (précision ± 2 %), 10 capteurs d’humidité et de CO₂ (± 30 ppm de précision CO₂ ), et 4 capteurs lumineux multispectraux. Utilisez un espacement de grille de 6 m x 5 m pour positionner les capteurs de sol à des profondeurs de 10, 20 et 30 cm. Selon leur fonction, tous les capteurs utilisent des émetteurs-récepteurs LoRa et des modules NB-IoT pour la communication sans fil. Synchronisez la passerelle et les capteurs météorologiques à l’aide du NTP pour obtenir une précision d’horodatage ±1.
5. Installez les capteurs fixes aux profondeurs et positions indiquées pour vous assurer que la mesure est correcte.
6. Réglez la fréquence d’échantillonnage des données à 5 mph et activez l’alignement des horodatages à la passerelle.
7. Enregistrez tous les nœuds capteurs avec des identifiants uniques et vérifiez la connectivité de la passerelle. Effectuer un test de 24 heures pour évaluer la perte de paquets et la dérive d’horloge.
8. Gardez le journal de base pour l’utiliser à l’avenir. Le tableau 1 représente la configuration et les paramètres pour les étapes de modélisation.

2. Modélisation physique des couches (continuum sol - plante - atmosphère (SPAC) et filtre de Kalman d’ensemble (EnKF))

REMARQUE : Cette phase approxime les interactions entre sol, plante et atmosphère afin de produire des estimations correctes de l’humidité du sol utilisées pour contrôler l’irrigation.

1. Données d’entrée prêtes dans le modèle SPAC car il nécessite les éléments suivants : la texture du sol, la capacité des champs, la distribution des racines, les facteurs météorologiques et l’indice de surface foliaire de la canopée.
2. Tous les ensembles de données d’entrée ont été rééchantillonnés à un indice temporel uniforme de 5 minutes en Python 3.10 à l’aide de la fonction Pandas resample('5min').mean(). Les valeurs manquantes ont été imputées à l’aide de CubicSpline de SciPy, tandis que des intervalles de >5 minutes ont été reconstruits en propageant les prévisions du modèle SPAC à travers la phase de prédiction EnKF. Les drapeaux d’incertitude ont été conservés pour l’analyse de fiabilité.
   1. Remplir les valeurs manquantes en utilisant l’interpolation spline^{cubique 14}. Reconstituez les écarts plus longs (> 5 min) en utilisant la phase de prévision EnKF basée sur l’humidité du sol et la prévision météorologique. Marquez toutes les valeurs reconstruites pour le suivi de l’incertitude.
3. Établir l’équation de Richards pour modéliser l’écoulement d’eau insaturée.
    
   Où est le taux de variation de la teneur en eau volumétrique θ (m³) par rapport au temps t, h est la charge de pression (cm), et K(θ) est la conductivité hydraulique. L’opérateur ∇ indique le gradient spatial, et l’expression (∇h+1) représente le gradient hydraulique total.
4. Estimez les paramètres hydrauliques du sol en utilisant le modèle de van Genuchten :
   
   Où K_est la conductivité hydraulique saturée, S_e (θ-θ_r )/(θ_s -_{θ r}) est la saturation effective avec θ_s et θ_x les teneurs en eau saturée et résiduelle. l est le paramètre de connectivité des pores, m et n , et sont des paramètres de forme liés par ( avec n>1). désigne la saturation effective augmentée au paramètre de connectivité par les pores l. Basé sur la saturation effective S_e, le terme de fonction hydraulique de van Genuchten décrit le comportement non linéaire de rétention d’eau du sol et le paramètre de forme m.
5. Associez l’équation de Richards au modèle de photosynthèse de Farquhar. Intégrez le modèle de transpiration de Penman-Monteith pour tenir compte des effets de la lumière, de la température et du CO₂.
6. Initialiser les priors des paramètres et les vecteurs d’état pour EnKF.
   REMARQUE : L’EnKF est une méthode d’assimilation de données Monte Carlo qui met à jour les estimations de l’état d’humidité du sol en intégrant les prédictions du modèle avec des observations en temps réel provenant de capteurs et en estimant statistiquement la covariance d’erreur¹⁵.
7. Exécutez des cycles de prédiction-mise à jour EnKF jusqu’à ce que l’erreur quadratique moyenne (RMSE) des prédictions d’humidité du sol tombe en dessous de 2 %, ou jusqu’à ce qu’un maximum de 50 itérations soit atteint.
8. Archivez tous les paramètres calibrés pour une analyse ultérieure. La figure 2 illustre la courbe de stabilisation de l’humidité du sol produite après l’étalonnage SPAC-EnKF.
9. Exécutez la procédure de simulation numérique pour SPAC-EnKF. Utilisez MATLAB R2023b pour calculer SPAC-EnKF. Fixez l’écart temporel Δt = 300 s, la taille de l’ensemble N = 100, et les variables d’état θ, h et K(θ) à leurs valeurs initiales. Utilisez le solveur d’équations de Richards pour réaliser la phase de prévision et utilisez les données observationnelles sur l’humidité du sol pour la phase de mise à jour. Jusqu’à ce que le seuil de convergence du RMSE < 2 % soit atteint, les cycles prédiction-mise à jour sont répétés.

3. Modélisation de la couche réseau (réseau hétérogène et réseau de Petri stochastique (SPN))

REMARQUE : Cette section évalue la fiabilité des communications afin de permettre une livraison rapide et continue des données pour les décisions de contrôle.

1. Déployer des modules de communication hétérogènes, incluant LoRa pour les données météorologiques longue portée, NB-IoT pour les capteurs de sol, et 5G pour les caméras de phénotypage à haute fréquence.
   1. Allouez des données météorologiques à faible bande passante longue portée (vent, rayonnement, précipitations) aux modules LoRa. Activez les modules NB-IoT pour les nœuds capteurs de sol nécessitant une bande passante modérée et un fonctionnement à faible consommation. Activez le phénotypage haute fréquence des données caméra à l’aide de modules 5G NR pour un transfert vidéo à grande vitesse. Attachez une passerelle de périphérie basée sur Raspberry Pi, prenant en charge la gestion multi-protocole, à chaque nœud de communication.
2. Configurez le système pour supporter plus de 200 nœuds par passerelle avec une fréquence d’échantillonnage de 5 minutes.
3. Enregistrez en continu l’indicateur de force du signal reçu (RSSI), le rapport signal/bruit (SNR) et l’état de la batterie. Calculez les taux de réception des paquets à des intervalles de 5 minutes.
4. Si une réception anormale est détectée, inspectez l’alignement de l’antenne et vérifiez la présence de sources d’interférences potentielles. Définir et résoudre le modèle de fiabilité de communication Stochastic Petri Net (SPN)
   1. Implémentez SPN avec Mobius 2.0. Définissez trois endroits : Normal (>95 % de réception), Délai (80-95 %) et Interruption (<80 %). Configurez les taux de transition λ_nd, λ_di et_{λ en} fonction du SNR et de l’énergie restante de la batterie :
      
   2. Calculez la distribution en régime permanent à l’aide de l’équation d’équilibre linéaire πQ = 0 pour obtenir la probabilité d’interruption de communication P_int = π_interruption.
5. Définissons un modèle SPN avec trois états de communication : N normal (>95 % de réception), délai D (80-95 %) et interruption I (<80 %). Q désigne la matrice génératrice de la chaîne de Markov en temps continu.
   
   Les transitions d’état sont régies par des paramètres de taux λ_X→Y, où X,Y∈ {N,D,I}. Pour garantir que chaque ligne de Q soit nulle, chaque élément diagonal est la somme négative des taux de transition sortants de cet état.
6. Estimez les taux de transition en fonction du SNR et des métriques d’énergie restante en utilisant
   
   Où E est l’énergie résiduelle normalisée (0-1), et SNR est le rapport signal/bruit observé en décibels. k_XY est une constante d’échelle pour le taux de transition entre l’état X et l’état Y, tandis que k_s régule la pente de la réponse dépendante du SNR. Le seuil SNR pour la transition X→Y est SNR_XY. Un faible niveau de batterie augmente la possibilité d’une transition, comme le montrent c_XY et p_XY.  ∈_XY est un faible taux de référence garantissant une probabilité non nulle de transitions. La fonction logistique régulant la sensibilité aux SNR est
   
   Où σ(u) désigne la fonction sigmoïde logistique, et le terme exponentiel ^e-u contrôle la vitesse à laquelle la fonction transite entre 0 et 1.
7. Résoudre la distribution en régime stationnaire pour obtenir la probabilité d’interruption. Définissons α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D. La probabilité d’interruption en régime stationnaire est :
   
   où π_I montre la probabilité à long terme (en régime stationnaire) que le système reste dans la condition d’interruption. Les six taux de transition entre les trois états sont représentés par les paramètres α, β, γ, δ, ε et ζ. Le dénominateur montre l’équilibre global du flux sur toutes les transitions, tandis que le numérateur compile tous les chemins de transition efficaces menant à l’état d’interruption. La probabilité stationnaire d’interruption de communication selon la structure de débit spécifiée est fournie par la valeur résultante. Le tableau 2 présente les transitions procédurales entre les couches de modélisation dans le CPS proposé.

4. Modélisation de la couche de contrôle (MPC au sein du SHS)

REMARQUE : Ce processus maximise l’alternative de l’irrigation et de la fertilisation, tout en tenant compte des problèmes de communication.

1. Construire un système de Contrôle Prédictif Modèle (MPC), avec pour objectif d’optimiser le rendement des cultures à la fin des 24 heures. Exécuter une planification d’irrigation basée sur le Contrôle Prédictif Modèle (MPC). Implémentez MPC dans la bibliothèque Python 3.10 / CasADi. Définissez l’horizon de prédiction Hp = 24 étapes, l’horizon de contrôle Hc = 6, et l’entrée de contrôle u(t) (flux d’irrigation). Optimisez la fonction de coût :
   J = Σ (θ_target − θ(t))² + λu(t)²,
   en utilisant un solveur IPOPT avec des bornes de contrainte 0 ≤ u(t) ≤ 6 mm/h.
2. Définir les variables de décision concernant les processus d’irrigation et d’engrais.
3. Utilisez des contentions sur la plage d’humidité du sol, la conductivité des zones racinaires et le contrôle de la latence.
4. Ajouter les probabilités d’interruption réseau au solveur MPC en cas d’incertitude temporelle.
5. Utilisez la contrainte souple dans la fonction de calcul des coûts en utilisant des poids. Q (entrée) = 0,5-1,0 ; Q (sortie) = 0,3-0,7. Les poids de réglage dépendent des tests préliminaires de réglage afin de garantir la stabilité prédictive du MPC.
6. Lorsque la perte de paquets survient, il faut prévoir une humidité du sol à 1 h avec le modèle SPAC et calculer l’irrigation par compensation.
7. Synchronisez l’état de contrôle immédiatement après la récupération de la communication pour éviter les actions dupliquées.
8. Combinez un système physique continu, un système de réseau discret et des actions de contrôle dans un modèle de transition du Système Hybride Stochastique (SHS).

5. Quantification de la fiabilité

REMARQUE : Pour évaluer la robustesse des systèmes en réponse aux perturbations, cette partie évalue à la fois la fiabilité fonctionnelle, temporelle et écologique.

1. Trois indicateurs de fiabilité ont été utilisés : (1) la fiabilité fonctionnelle quantifiée par l’erreur de prédiction du rendement (E_γ, %) et l’estimation de l’humidité sol-RMSE ; (2) fiabilité temporelle mesurée par la latence de contrôle de bout en bout (L_e₋_e, s) ; et (3) la fiabilité écologique évaluée à l’aide de l’efficacité de l’utilisation de l’eau (WUE, g·kg⁻¹) et la proportion de la conductivité électrique de la zone racinaire dépassant le seuil de sécurité (_{T e}c>2,5dS/m, %).
2. Construisez un modèle de jeu stochastique, où trois agents sont impliqués : capteur (minimisant la probabilité de défaillance), attaquant (maximisant la possibilité de défaillance) et environnement (ajout de perturbations aléatoires) au modèle.
3. Définir les fonctions de gain et résoudre les équilibres de Nash pour identifier les limites de fiabilité. Effectuer une analyse de sensibilité globale en utilisant les indices Sobol pour classer les contributions des paramètres¹⁶.
4. La contribution des paramètres a été quantifiée à l’aide de la moyenne des effets élémentaires absolus (EE, indice de sensibilité de Morris), calculée à partir de trajectoires d’échantillonnage perturbées, et évaluée conjointement avec la variance de l’EE pour capturer la force d’interaction et la non-linéarité ; paramètres avec la moyenne la plus élevée|EE| et une variance EE élevée ont été identifiés comme contributeurs dominants et sélectionnés pour une optimisation ultérieure.

6. Stratégie d’optimisation

REMARQUE : Cette partie maximise les décisions de contrôle pour atteindre une productivité, un coût et une stabilité écologique optimaux, tout en permettant une adaptabilité rapide lors du changement de culture.

1. Spécifiez l’espace d’état, qui inclut l’indice de surface foliaire, l’humidité estimée du sol SPAC–EnKF, et le délai de contrôle enregistré au contrôleur de bord.
2. Établir l’espace d’action en définissant la quantité d’irrigation, le taux de fertilisation et la fréquence d’échantillonnage du capteur comme des actions de contrôle discrètes et bornées mises en œuvre au contrôleur de bord.
3. Construisez une fonction de récompense multi-objectifs en intégrant fiabilité, coût économique et performance environnementale grâce à une optimisation pondérée.
4. Observez les politiques Pareto-optimales à l’aide de l’algorithme NSGA-III (Tableau 3).
5. Imposer des limitations de sécurité avec des fonctions de barrière de contrôle (CBF) en appliquant des limites inférieures sur l’humidité des zones racinaires et des limites supérieures sur la salinité du sol afin de prévenir la sécheresse et le stress salin.
6. Fournir une condition de stabilité de Lyapunov en définissant une fonction de Lyapunov définie positive sur le vecteur d’état de croissance et en imposant que sa dérivée temporelle soit définie négative dans les bornes de fonctionnement sûres.
7. Utilisez le méta-apprentissage bayésien pour permettre une mise à jour rapide des paramètres en cas de changement de culture.
   REMARQUE : Après cette étape, le flux de travail peut être mis en pause pour valider les mises à jour du modèle hors ligne. Reprenez en rechargeant le dernier point de contrôle.
8. Adaptez-vous aux 7 derniers jours et j’ai un temps de rééducation inférieur à 5 minutes. Entraînez un modèle de renforcement compressé en appliquant l’élagage et la quantification post-entraînement, puis ajustez-le finement sur le dispositif de bord en utilisant des données d’interaction collectées localement.
9. Utilisez le mécanisme de rétrogradation chaque fois qu’il y a des problèmes de communication afin de garantir que la latence de contrôle reste inférieure à 30 s. Synchronisez les nuages de CV avec la récupération des communications.

Results

L’humidité du sol et le SNR ont la plus grande influence positive des explications additives SHAP (SHAP) sur les décisions d’irrigation, selon le graphique résumé SHAP (Figure 3). Une latence élevée oriente la politique vers des options de repli conservatrices, démontrant la conformité avec l’architecture de contrôle fiable. Le tableau 4 présente les instructions opérationnelles et les détails de configuration pour les modules de calcul

In...

Discussion

Les preuves expérimentales montrent que le cadre CPS proposé et les stratégies d’optimisation excellent dans les trois dimensions : fiabilité, sécurité et efficacité computationnelle. La modélisation par couplage inter-couches permet de surmonter avec succès la séparation historique entre les représentations physiques et réseau. En intégrant le SPAC et le SPN dans un cadre SHS unifié, le système a réduit l’erreur de prédiction du rendement de 32,7 % et raccourci les délais de 45 % sous d...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Caméra multispectrale	MicaSense	RedEdge-MX	Capture la réflectance de la canopée pour l’estimation de la LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Dispositif de périphérie pour l’inférence d’IA locale
Capteur d’humidité du sol	Dispositifs Decagon	EC-5	Mesure la teneur volumétrique en eau dans le sol
Station météorologique	Campbell Scientific	CR300	Records de température, d’humidité et de précipitations