Exploiter les technologies numériques dans le secteur agroalimentaire : un cadre d'agriculture de précision piloté par l'IdO pour atteindre les objectifs de développement durable

T.G. Sakthivel; R. Ashok; Arun M; A.P. Senthil Kumar

doi:10.3791/73067

Article de recherche

Exploiter les technologies numériques dans le secteur agroalimentaire : un cadre d'agriculture de précision piloté par l'IdO pour atteindre les objectifs de développement durable

26 vues

⸱

DOI :

10.3791/73067

⸱

25 août 2026

T.G. Sakthivel¹ , R. Ashok¹ , Arun M¹ , A.P. Senthil Kumar²

¹Department of Mechanical Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), ²School of Social Work, College of Social Sciences and Humanities, Jigjiga University

Dans cet article

Résumé

Cette étude présente l'agriculture de précision pilotée par l'Internet des objets (IoT-PA), qui utilise des réseaux de capteurs, une surveillance en temps réel et une irrigation intelligente afin d'augmenter la production agricole et l'efficacité de l'utilisation de l'eau. Ce cadre favorise une agriculture durable ainsi que les objectifs de développement durable 2 (Faim zéro) et 12 (Consommation et production responsables).

Résumé

L'industrie agroalimentaire s'oriente rapidement vers le numérique afin de répondre aux contraintes de ressources, à l'imprévisibilité climatique et à la production alimentaire durable, en utilisant l'Internet des objets (IoT), l'intelligence artificielle (AI), le cloud computing et l'analyse de données. En raison de plannings d'irrigation rigides et d'une surveillance limitée des champs, l'agriculture traditionnelle gaspille de l'eau, réduit le rendement des cultures et nuit à l'environnement. Le système d'agriculture de précision piloté par l'Internet des objets (IoT-PA) présenté dans cet article optimise l'utilisation des ressources agricoles grâce à des réseaux de capteurs distribués, à une surveillance en temps réel de l'humidité du sol et des conditions météorologiques, ainsi qu'à un contrôle intelligent de l'irrigation. La plateforme proposée collecte des données environnementales, analyse les conditions sur le terrain et recommande automatiquement des interventions d'irrigation afin de maximiser la croissance des cultures et d'éviter le gaspillage d'eau. Grâce à une surveillance continue et à des notifications rapides fournies par le système, les agriculteurs peuvent prendre des décisions agricoles fondées sur des données. Par rapport à l'agriculture traditionnelle, l'architecture IoT-PA améliore l'efficacité de l'irrigation, le rendement agricole et la gestion durable des ressources. Une production agricole accrue et une utilisation efficace de l'eau et des ressources contribuent à l'Objectif de développement durable (ODD) 2 (Faim zéro) et à l'ODD 12 (Consommation et production responsables) des Objectifs de développement durable des Nations Unies. Le système agricole intelligent proposé est évolutif et applicable, favorisant ainsi une production alimentaire durable et la conservation de l'environnement.

Introduction

La sécurité alimentaire, la durabilité environnementale et la résilience économique dépendent des entreprises agroalimentaires¹. L'agriculture doit s'adapter afin de produire davantage de nourriture avec moins de ressources tout en minimisant son impact environnemental, car la population mondiale devrait atteindre environ 10,3 milliards vers le milieu des années 2080, augmentant considérablement la demande en production alimentaire durable et en gestion efficace des ressources². Des pratiques agricoles simples ne suffisent pas à résoudre ces problèmes³. Cela est particulièrement vrai face au changement climatique, à la dégradation des sols, aux pénuries d'eau et aux fluctuations des marchés⁴. Les technologies numériques innovantes pourraient répondre à divers besoins et relier la réussite agricole aux Objectifs de développement durable des Nations Unies (ODD)⁵. L'agriculture numérique utilise l'intelligence artificielle (IA), l'Internet des objets (IdO), la télédétection et l'analyse de données⁶. Ces outils permettent un suivi précis des performances agricoles, des intrants en ressources et des conditions climatiques⁷. Ils facilitent une prise de décision optimale et améliorent les pratiques agricoles⁸. Cela inclut des dispositifs alimentés par l'IdO qui surveillent en continu des paramètres essentiels⁹. État des cultures, humidité du sol, température et taux d'humidité¹⁰. L'agriculture de précision utilise l'eau et les nutriments uniquement lorsque cela est nécessaire, réduisant ainsi le gaspillage et renforçant la durabilité¹¹. L'IdO peut accroître la résilience et la productivité de la chaîne de valeur agroalimentaire¹². L'irrigation contrôlée et la surveillance basée sur des capteurs permettent d'irriguer les cultures selon les besoins¹³. Les agriculteurs utilisent l'analyse de données par IA pour identifier des tendances, améliorer la qualité et la quantité des récoltes, et anticiper les éclosions d'insectes nuisibles¹⁴. Cela permet d'économiser de l'eau et de favoriser la croissance des plantes¹⁵. Malgré ces avancées prometteuses, l'adoption des technologies numériques en agriculture reste limitée, notamment dans les pays en développement¹⁶. Une faible alphabétisation numérique, des contraintes d'infrastructure, des investissements initiaux élevés et une réglementation insuffisante freinent leur déploiement¹⁷. En outre, il est difficile d'atteindre une efficacité optimale des ressources ou de préserver l'environnement, car les activités agricoles actuelles reposent principalement sur des interventions humaines et des données fixes.

Cet article présente un cadre intégré pour l'agriculture de précision pilotée par l'Internet des objets (IoT-PA). Cette technologie combine des données en temps réel provenant de capteurs avec des systèmes d'irrigation automatisés afin de résoudre les inefficacités liées à l'utilisation de l'eau et à la gestion des cultures. En fournissant des orientations adaptées à la transformation numérique de l'agriculture, ce cadre se veut évolutif, souple et avantageux pour les agriculteurs. Il offre également des opportunités de transformation numérique. S'appuyant sur des données en temps réel concernant le sol et le climat, le cadre d'agriculture de précision et de l'Internet des objets vise à optimiser les plannings d'irrigation, permettant ainsi de préserver l'eau, d'améliorer la santé des cultures et, in fine, d'augmenter le rendement alimentaire.

Une production accrue grâce à une disponibilité alimentaire plus importante contribue à l'Objectif de développement durable 2 (Faim zéro) et favorise simultanément l'Objectif de développement durable 12 (Consommation et production responsables) par une utilisation efficace des ressources. L'innovation numérique peut renforcer la résilience et la durabilité des systèmes agroalimentaires par une validation empirique, ouvrant la voie vers un avenir plus durable.

L'agriculture mondiale doit évoluer pour répondre aux besoins alimentaires et à la durabilité. Les changements climatiques et les ressources limitées exigent des approches innovantes afin d'augmenter la production et de réduire les dommages environnementaux. Les technologies numériques, en particulier celles basées sur l'Internet des objets (IoT), pourraient transformer l'agriculture. Cet article traite de l'utilisation de ces technologies pour une agriculture rentable et durable.

L'agriculture traditionnelle gaspille les ressources, ne permet pas une surveillance en temps réel et limite la prise de décision fondée sur les données. Ces problèmes entraînent un gaspillage d'eau, nuisent à l'environnement et réduisent le rendement agricole. Les technologies numériques dans l'agriculture, notamment l'irrigation de précision, restent limitées. L'internet des objets (IoT) utilise des données en temps réel et l'automatisation pour permettre l'extension et l'intégration des systèmes. Le système doit maximiser la production tout en optimisant la consommation d'eau. De récentes études ont examiné l'utilisation de l'IoT, de l'intelligence artificielle (IA) et de l'analyse de données en agriculture de précision, mais la plupart se concentrent sur la détection de l'humidité du sol, l'irrigation automatisée, la surveillance des cultures et la prédiction des rendements. Ces solutions fonctionnent souvent de manière isolée, ce qui limite leur capacité à soutenir la prise de décision en matière de gestion agricole durable. L'intégration en temps réel de données environnementales hétérogènes, la gestion adaptative de l'irrigation et l'alignement sur la durabilité font défaut dans de nombreux systèmes. Cette recherche présente le système IoT-PA, qui surmonte ces limites grâce à des capteurs IoT distribués, une surveillance environnementale en temps réel, une planification intelligente de l'irrigation et un soutien décisionnel continu. Contrairement aux techniques existantes, le cadre proposé optimise la consommation d'eau, la production agricole, le gaspillage de ressources, ainsi que les objectifs de développement durable (ODD) 2 (Faim zéro) et 12 (Consommation et production responsables). La gestion des ressources innovante, évolutible et orientée durabilité d'IoT-PA, basée sur la détection, la communication et l'analyse, permet une prise de décision agricole fondée sur les données, opérationnellement efficace et écologiquement durable. Ce projet vise à concevoir et évaluer un cadre IoT-PA soutenant l'agriculture de précision par la surveillance environnementale en temps réel, le stockage des données dans le cloud et la planification automatisée de l'irrigation. Le cadre proposé utilise des capteurs compatibles IoT pour surveiller en continu l'humidité du sol, la température de l'air, l'humidité relative, les précipitations et l'intensité lumineuse afin d'optimiser les décisions d'irrigation en temps réel. L'étude cherche également à évaluer les performances du cadre proposé à l'aide de métriques quantitatives, notamment l'efficacité de l'utilisation de l'eau, l'amélioration du rendement des cultures, le temps de réponse de l'irrigation, l'efficacité du système, la fiabilité des communications et la consommation d'énergie, en comparaison avec les pratiques d'irrigation conventionnelles. En outre, l'étude vise à démontrer comment l'intégration des technologies IoT peut améliorer l'utilisation des ressources, réduire la consommation inutile d'eau et accroître la productivité agricole, tout en contribuant aux objectifs de développement durable (ODD) 2 (Faim zéro) et ODD 12 (Consommation et production responsables) par une gestion durable des ressources agricoles.

Cadre intégré d'agriculture numérique et de systèmes alimentaires (IDAFS)

Cet article examine la manière dont les technologies numériques renforcent la résilience agricole face aux pandémies, aux inégalités, au changement climatique et à la pénurie alimentaire mondiale croissante¹⁸. En mettant l'accent sur l'intelligence artificielle, les mégadonnées et l'agriculture de précision comme moyens d'améliorer la productivité, de réduire les pertes de 5 % et de réaliser des économies de 23 %, il aborde également ces questions. L'article prône la transformation numérique afin d'atteindre les ODD de 2030 et met en lumière des tendances émergentes telles que la blockchain et la nutrition personnalisée pour des systèmes alimentaires durables et efficaces.

Modèle d'analyse d'impact numérique-ODD (DSIAM)

Cet article étudie, à l'aide de la transformation numérique, la réalisation des ODD liés à la sécurité alimentaire en utilisant des données de l'indice de l'économie et de la société numériques (DESI). En analysant l'impact de la connectivité numérique, des compétences numériques et des services publics sur les ODD 1, 2, 3 et 10¹⁹, il recourt à la modélisation par équations structurelles et à l'analyse de regroupement à partir de données de l'UE (2017–2022). L'étude montre à quel point la numérisation est essentielle pour réduire la pauvreté, promouvoir l'égalité et améliorer la santé.

Cadre d'intégration et de revitalisation du village numérique (DVIRF)

Des données de panel provenant de trente provinces chinoises (2013–2023) permettent à cet article d'explorer expérimentalement la manière dont la numérisation rurale soutient le développement industriel intégré des zones rurales²⁰. L'étude met en évidence des effets directs (services numériques, infrastructures) et indirects (réallocation des facteurs de production, changement structurel) de la transformation numérique, à l'aide d'une méthode d'apprentissage automatique en deux étapes. En particulier, les régions de l'Est et les régions productrices de céréales exercent une influence plus marquée. L'article propose des mesures législatives visant à promouvoir les communautés numériques et à maximiser le financement du réaménagement rural.

Modèle de transformation du système agroalimentaire circulaire (CAFSTM)

La transformation numérique transforme le secteur agroalimentaire en intégrant une prise de conscience environnementale, une interopérabilité et une conception centrée sur l’utilisateur²¹, augmentant ainsi l’efficacité et les modèles économiques. L’alimentation personnalisée et les systèmes agroalimentaires circulaires réduisent les déchets grâce à l’utilisation de boucles de rétroaction. La confidentialité des données et l’interopérabilité sont abordées dans le rapport, qui propose une approche technologique, de gouvernance et écologique en faveur de systèmes agricoles numériques durables.

Cadre d'innovation pour les systèmes alimentaires durables (SFSIF)

L'agriculture durable profite de l'intelligence artificielle, de l'Internet des objets, de la robotique et de l'édition de gènes. Des mesures politiques, des changements d'attitude, un soutien financier et le renforcement de la confiance favorisent l'innovation²². Selon la gestion des déchets, la transformation alimentaire et l'utilisation des terres, les technologies numériques et l'aide gouvernementale pourraient accroître la durabilité, la résilience et la sécurité nutritionnelle du système agroalimentaire.

Modèle d'amélioration de la chaîne de valeur de transformation agricole (APVCEM)

Cet article propose que les chaînes de valeur et la transformation agroalimentaire rendent l'agriculture mondiale et compétitive. L'agriculture communautaire et les chaînes d'approvisionnement sont saluées²³. De solides chaînes de valeur en Inde augmentent l'offre alimentaire et stimulent les affaires. L'économie mondiale et les communautés rurales tirent profit de ces réseaux.

Cadre d'impact de durabilité numérique (DSIF)

Par la production agricole, la pollution, les déchets municipaux et l'objectif de développement durable (ODD) 12, les technologies numériques compromettent la durabilité alimentaire. Selon une modélisation par équations structurelles²⁴, les technologies numériques pourraient réduire les déchets municipaux, les émissions de gaz à effet de serre et influencer positivement le comportement des consommateurs. La numérisation améliore la durabilité de la chaîne d'approvisionnement, mais des études montrent qu'elle entrave la consommation responsable ; une mise en œuvre équilibrée est donc nécessaire.

Cadre de transition vers l'agriculture 4.0 (A4TF)

L'agriculture 4.0 désigne l'intégration de l'Internet des objets (IoT), de l'intelligence artificielle (AI), du cloud computing, de la robotique, de l'analyse des mégadonnées et de l'automatisation afin de permettre des pratiques agricoles intelligentes, fondées sur les données et de précision. La transition numérique en agriculture selon l'agriculture 4.0 est décrite dans cet article. Nous abordons l'IoT, l'IA, les drones, la blockchain et les énergies renouvelables²⁵. Nous étudions l'agrivoltaïsme, l'irrigation intelligente et le suivi en temps réel des animaux. Selon la recherche, la transformation numérique améliore la production durable d'aliments, l'efficacité des ressources et la préservation de l'environnement lorsqu'elle est utilisée pour résoudre les problèmes liés au climat, à l'eau et à l'alimentation.

Des études existantes ont démontré le potentiel de l'Internet des objets (IoT), de l'intelligence artificielle, du cloud computing et des technologies numériques pour améliorer la productivité et la durabilité agricoles¹⁸^,¹⁹^,²⁰. La plupart des études se concentrent sur des évaluations conceptuelles de l'agriculture numérique¹⁸, sur la transformation numérique axée sur les politiques et l'économie¹⁹, ou sur le développement numérique rural sans technologies agricoles de précision au niveau des champs²⁰. Ainsi, la combinaison de la détection en temps réel, de l'analyse basée sur le cloud, de l'irrigation automatisée et du soutien à la décision a reçu peu d'attention. Plusieurs techniques manquent de méthodes de mise en œuvre reproductibles et de mécanismes approfondis d'optimisation des ressources. Le cadre proposé d'agriculture de précision pilotée par l'Internet des objets (IoT-PA) intègre la détection par IoT, le cloud computing, la surveillance en temps réel de l'environnement et la gestion intelligente de l'irrigation au sein d'une architecture unique afin d'améliorer l'utilisation de l'eau, la productivité des cultures et la gestion durable des ressources agricoles, tout en soutenant les ODD 2 et 12.

Protocole

L'agroalimentaire devient un écosystème durable et piloté par les données grâce aux technologies numériques. L'Internet des objets (IoT), l'intelligence artificielle (IA) et la blockchain améliorent la transparence de la chaîne d'approvisionnement, la sécurité alimentaire et la productivité. L'agriculture de précision, l'agriculture intelligente et la résilience post-pandémique soutiennent les Objectifs de développement durable, notamment l'objectif Faim zéro, Action pour le climat et Consommation et production responsables.

Le cadre de l'agriculture de précision pilotée par l'Internet des objets (IoT-PA) comprenait un microcontrôleur ESP32, des capteurs d'humidité du sol, de température de l'air, d'humidité relative (DHT22), de précipitations et d'intensité lumineuse (BH1750), une passerelle IoT, une base de données dans le cloud et un contrôleur d'irrigation automatisé. Afin de fournir des données représentatives du terrain, les capteurs d'humidité du sol ont été placés à une profondeur de 15 à 20 cm dans la zone racinaire des cultures, et les capteurs environnementaux à 2 m au-dessus du sol. Avant le déploiement, seuls les capteurs dont les erreurs de mesure se situaient dans une marge de ±2 % ont été utilisés pour les tests, après étalonnage selon les spécifications du fabricant. Les données environnementales étaient transmises du contrôleur ESP32 à la plateforme cloud toutes les 10 minutes via Wi-Fi (802.11 b/g/n) ou LoRaWAN (915 MHz). Lors de l'expérience, le système a enregistré l'humidité du sol (%), la température de l'air (°C), l'humidité relative (%), les précipitations (mm) et l'intensité lumineuse (lux). Avant la normalisation Min–Max qui a standardisé les données, les observations des capteurs étaient téléchargées dans la base de données cloud toutes les 10 minutes, et les valeurs en double ou manquantes étaient supprimées. Le moteur de décision IoT-PA utilisait les données des capteurs pour décider de l'irrigation. Lorsque l'humidité du sol descendait en dessous de 35 % de teneur en eau volumique, l'irrigation était automatiquement déclenchée et interrompue à 45 % afin d'éviter le stress hydrique et une irrigation excessive. Lorsque les prévisions météorologiques annonçaient plus de 5 mm de pluie dans les 12 heures à venir, l'irrigation était arrêtée pour préserver l'eau. Pendant 90 jours de développement des cultures dans des conditions de terrain similaires, le système a fonctionné en continu. À chaque cycle d'irrigation, la durée d'irrigation, la consommation totale d'eau, la latence de communication, l'état des capteurs et la consommation énergétique du système étaient enregistrés dans la base de données cloud toutes les 30 minutes. Après chaque cycle de décision, les agriculteurs recevaient via une application mobile des instructions d'arrosage en temps réel ainsi que des mises à jour sur l'état du terrain. L'expérience a été répétée trois fois en utilisant le même système et les mêmes conditions opérationnelles afin de vérifier sa reproductibilité.

L'expérience a été réalisée sur un champ planté de tomates. La parcelle expérimentale de 20 m x 20 m (400 m²) présentait un sol limoneux avec un pH de 6,7 à 7,0. Un système de surveillance IoT basé sur ESP32 était équipé de capteurs capacitifs d'humidité du sol placés à une profondeur de 15 à 20 cm, ainsi que de capteurs DHT22 de température et d'humidité, d'un capteur d'intensité lumineuse BH1750 et d'un capteur de pluviométrie fixés à 2 m au-dessus du sol. Un réseau d'irrigation goutte à goutte a été installé avec des émetteurs espacés de 30 cm et des conduites latérales espacées de 1 m. La plateforme cloud recevait toutes les 10 minutes les données des capteurs transmises par MQTT. Après 90 jours, le rendement des cultures correspondait au poids frais total des tomates récoltées (kg par parcelle).

Précision concernant la source des données : Le cadre d'agriculture de précision pilotée par l'IoT (IoT-PA) proposé a été mis en œuvre et évalué au cours d'une expérience sur le terrain de 90 jours, menée dans les conditions décrites dans la section Protocole. Le rapport sur le marché du jumeau numérique agricole (DataIntelo) a été utilisé uniquement comme référence complémentaire pour les informations contextuelles et l'élaboration du cadre. Toutes les métriques de performance indiquées dans la section Résultats proviennent de l'évaluation expérimentale du cadre IoT-PA proposé, et non du rapport sectoriel de DataIntelo.

Contribution 1 : Proposition d'un cadre d'agriculture de précision pilotée par l'Internet des objets (IoT-PA)

Un système d'automatisation de l'irrigation basé sur des données météorologiques et pédologiques en temps réel a été mis en place. Les progrès numériques stimulent la croissance agroalimentaire (Figure 1). D'abord, l'agriculture de précision pilotée par l'Internet des objets (IoT), l'intelligence artificielle (IA) et les drones, puis la prise de décision fondée sur les données et l'efficacité des ressources. La révolution numérique améliore la traçabilité des aliments, la chaîne d'approvisionnement et l'accès aux marchés. Ces technologies responsabilisent les agriculteurs, garantissent la sécurité alimentaire et favorisent un développement inclusif. Le cadre d'agriculture de précision piloté par l'IoT (IoT-PA) encourage une utilisation durable des ressources et une agriculture intelligente résiliente au climat, en intégrant une surveillance environnementale en temps réel, des analyses basées sur le cloud et une irrigation automatisée. Ce cadre soutient les Objectifs de développement durable (ODD) 2 (Faim zéro), 12 (Consommation et production responsables) et 13 (Action pour le climat).

Équation d'équilibre statique S(t)={M(t),T(t),H(t),R(t),L(t)} pour l'analyse dynamique.

Équation (1) où S(t) représente les données environnementales recueillies à l'instant t, M(t) désigne l'humidité du sol (%), T(t) est la température de l'air (°C), H(t) est l'humidité relative (%RH), R(t) est la pluviométrie (mm), et L(t) est l'intensité lumineuse (lux). L'équation (1) définit l'ensemble des paramètres environnementaux en temps réel acquis en continu par le réseau de capteurs IoT et transmis à la plateforme cloud pour la surveillance et la prise de décision.

Équation de fonction booléenne, I(t), analyse conditionnelle, expression mathématique.

Comme indiqué dans l'équation (2), où I(t) représente le signal de commande de l'irrigation, M(t) est l'humidité du sol mesurée, et M_th désigne le seuil d'irrigation prédéfini (35 % de teneur en eau volumétrique). Lorsque l'humidité du sol mesurée tombe en dessous du seuil, le contrôleur IoT-PA active automatiquement la pompe d'irrigation Expression mathématique I(t)=1, concept d'équation dynamique pour les processus dépendants du temps. ; sinon, l'irrigation reste inactive Équilibre dynamique ; I(t)=0 ; équation ; physique ; analyse dépendante du temps ; condition de stabilité. . L'irrigation est automatiquement arrêtée lorsque l'humidité du sol atteint le niveau cible de 45 %, améliorant ainsi l'efficacité de l'utilisation de l'eau et évitant une irrigation excessive.

L'agriculture est axée sur les données et durable grâce aux technologies numériques, comme illustré dans la Figure 2. Les caméras et les robots améliorent la qualité des cultures et l'efficacité des intrants, tandis que les capteurs détectent la localisation et la température. Un système de gestion des données reçoit les informations de température et d'humidité provenant d'un microcontrôleur central. Le serveur collecte en temps réel des données de surveillance agricole et d'aide à la décision. Les agriculteurs utilisent des téléphones dans leur langue régionale. En surveillant les conditions environnementales, en optimisant les décisions d'irrigation, en réduisant le gaspillage d'eau et en soutenant des pratiques agricoles durables conformes aux ODD 2 (Faim zéro), ODD 12 (Consommation et production responsables) et ODD 13 (Mesures relatives au changement climatique), la commande en boucle fermée accroît la productivité agricole.

Formule mathématique pour la fonction moyenne L(t), somme des Si(t), équation d'analyse statistique.

Tel que déduit de l'équation (3), où L(t) représente les données agrégées de surveillance environnementale à l'instant t, S_i(t) désigne la mesure obtenue à partir du capteur IoT i^ème, et N est le nombre total de capteurs déployés. L'équation (3) calcule l'état environnemental moyen à partir de nombreux capteurs afin d'aider à la prise de décision pour l'irrigation, tout en minimisant les fluctuations des capteurs.

Équation de désintégration bêta β(t)=[L(t)-Mth]/Mth, formule mathématique dans l'analyse théorique.

Tel que trouvé dans l'équation (4), où β(t) désigne l'indice de décision d'irrigation normalisé, L(t) représente la mesure agrégée d'humidité du sol obtenue à partir de l'équation (3), et M_th est le seuil prédéfini d'humidité du sol (35 % de teneur en eau volumétrique). Une valeur négative de β(t) indique une humidité du sol insuffisante et déclenche l'irrigation, tandis qu'une valeur non négative indique que l'humidité du sol est au seuil ou au-dessus, et l'irrigation reste inactive.

Contribution 2 : Démontré des avantages pratiques à travers des résultats empiriques.

Il a démontré la viabilité du cadre et une amélioration de la production agricole tout en réduisant substantiellement l'utilisation de l'eau.

Figure 3 illustre comment l'agriculture de précision activée par l'IoT permet de remédier au gaspillage des ressources et à la faible productivité agricole. Premièrement, l'IoT, l'intelligence artificielle et les analyses en temps réel des données permettent une prise de décision intelligente, un arrosage automatique et une surveillance fondée sur des capteurs. Ces améliorations favorisent la santé des cultures et une utilisation plus efficace de l'eau. Le cadre proposé d'agriculture de précision pilotée par l'IoT (IoT-PA) soutient l'Objectif de développement durable (ODD) 2 (Faim zéro) et l'ODD 12 (Consommation et production responsables) en intégrant une surveillance environnementale en temps réel, un contrôle automatisé de l'irrigation et une gestion efficace des ressources afin d'améliorer la productivité agricole tout en minimisant la consommation d'eau.

Équation de la formule de calcul de la moyenne en analyse mathématique ; formule v1(t)=(M+T+H+R+L)/5.

où Formule d'équilibre statique, équation de v₁(t), schéma pour l'étude de la physique. désigne l'indice composite de surveillance environnementale au temps t, M(t) est l'humidité du sol (%), T(t) est la température de l'air (°C), H(t) est l'humidité relative (%RH), R(t) est les précipitations (mm), et L(t) est l'intensité lumineuse (lux). L'équation (5) combine les paramètres environnementaux normalisés en un indice de surveillance unique qui représente l'état général du terrain utilisé par le cadre IoT-PA.

Équation de la fonction moyenne G(t) avec sommation en série ; équation mathématique éducative.

où G(t) représente la condition environnementale agrégée obtenue à partir des intervalles de surveillance ou des nœuds de détection, et formule mathématique de la fonction v(t), analyse dépendante du temps, usage pédagogique est l'indice composite de surveillance environnementale calculé à l'aide de l'équation (5) pour la k^ème observation. L'équation (6) moyenne plusieurs mesures afin de prédire l'état du terrain, éliminant ainsi les fluctuations de mesure et fournissant une entrée fiable pour la programmation automatique de l'irrigation.

Figure 4 illustre l'influence de chaque révolution industrielle sur l'industrie mondiale, de la vapeur à l'ère numérique. Enfin, l'intelligence artificielle, la blockchain et l'agriculture de précision transforment le secteur agroalimentaire dans le cadre de l'Industrie 4.0. Ces résultats permettent d'accroître l'agriculture, l'efficacité des ressources et la durabilité. Le cadre proposé d'agriculture de précision pilotée par l'Internet des objets (IoT-PA) montre comment la détection numérique, l'analyse basée sur le cloud et l'irrigation automatisée améliorent la productivité agricole et l'utilisation des ressources afin de soutenir l'ODD 2 (Faim zéro) et l'ODD 12 (Consommation et production responsables).

Équation illustrant le processus de moyenne V(t)=1/N∑Gi(t) ; formule pour l'analyse de traitement du signal.

où V(t) désigne la condition globale du champ à l'instant t, G_i(t) représente l'indice de surveillance environnementale obtenu à partir du i^ème nœud de détection, et N est le nombre total de nœuds capteurs IoT déployés. L'équation (7) estime la condition moyenne du champ en regroupant les mesures provenant de tous les emplacements de détection, améliorant ainsi la fiabilité des décisions d'irrigation.

Équation d'équilibre statique : α_eq = λV(t) + (1-λ)M(t), expression mathématique pour l'analyse de recherche.

où α_eq désigne l'indice de décision équivalent utilisé pour la planification de l'irrigation, V(t) est la condition environnementale agrégée obtenue à partir de l'équation (7), M(t) est l'humidité du sol mesurée, et Équilibre statique ; équation λ (0 ≤ λ ≤ 1) ; formule d'analyse mathématique ; méthode de recherche. est un coefficient de pondération qui équilibre l'influence de l'état global du champ et de la mesure actuelle de l'humidité du sol. L'équation (8) calcule l'indice de décision final utilisé par le cadre IoT-PA pour soutenir l'irrigation automatisée et une gestion efficace des ressources en eau.

Contribution 3 : Fait progresser le programme d'agriculture durable

Conformément aux ODD 2 et 12, cela a permis la transformation numérique afin d'améliorer la sécurité alimentaire agricole et l'efficacité des ressources.

Figure 5 illustre la résilience post-pandémique et le développement durable grâce à la transition vers un système agroalimentaire numérique. Les capteurs remplacent les instruments traditionnels en agriculture pilotée par l'Internet des objets (IoT) afin d'optimiser les ressources. La blockchain et l'automatisation permettent une distribution alimentaire sécurisée et transparente ; l'intelligence artificielle assure une fabrication et une transformation efficaces et sanitaires. Les alertes en matière de sécurité alimentaire et la surveillance en temps réel aident les consommateurs. Ces cycles améliorent la sécurité alimentaire mondiale, la santé et l'efficacité. Une approche cohérente de l'agriculture numérique utilise la détection en temps réel, le calcul en nuage et l'irrigation automatisée afin d'améliorer la productivité des cultures, l'utilisation de l'eau et les pratiques agricoles durables, contribuant ainsi aux Objectifs de développement durable (ODD) 2 (Faim zéro), 3 (Bonne santé et bien-être) et 12 (Consommation et production responsables).

Équation de mesure de l'erreur, R(t), utilisant une formule de sommation ; analyse mathématique.

où R(t) désigne l'indice des besoins en irrigation au temps t, M_i(t) est l'humidité du sol mesurée par le i^ème nœud capteur, M^th est le seuil prédéfini d'humidité du sol, et N est le nombre total de nœuds de détection. L'équation (9) calcule le besoin d'irrigation du champ surveillé en estimant l'écart moyen de l'humidité du sol par rapport au seuil cible.

Équation de la réponse dynamique, ν_sh(t)=ηR(t)+(1−η)V(t) ; formule mathématique.

où $Équation de physique $v_{sh}(t)$, fragment de formule, relation vitesse-temps, expression mathématique.$ représente l'indice de commande d'irrigation intelligente, R(t) est l'indice de besoin en irrigation obtenu à partir de l'équation (9), V(t) est l'indice agrégé de surveillance environnementale obtenu à partir de l'équation (7), et Équation de viscosité dynamique η(0 ≤ η ≤ 1), représentation de formule, principes de mécanique des fluides. est un coefficient de pondération. La valeur finale de commande pour la planification automatisée de l'irrigation dans le système IoT-PA proposé est calculée à partir de la demande d'irrigation et des conditions environnementales à l'aide de l'équation (10).

Résultats

Les indicateurs de performance de l'architecture IoT-PA comprennent la consommation d'eau, le rendement agricole, l'efficacité du système, l'optimisation durable des ressources et la contribution aux ODD. Des choix technologiques intelligents améliorent la production agricole, la durabilité et la gestion des ressources.

Description du jeu de données : Le rapport sur le marché du jumeau numérique agricole de DataIntelo²⁶ a été utilisé comme information de référence pour appuyer l'élaboration et la contextualisation du cadre proposé. L'étude couvre les statistiques mondiales du marché agricole du jumeau numérique pour la période 2019–2034, en prenant 2025 comme année de base et 2026–2034 comme période de prévision. Le jeu de données structuré de 260 pages comprend des données quantitatives sur la taille du marché, le taux de croissance annuel composé (TCAC), la répartition régionale du marché, la segmentation par composant (logiciels, matériel et services), les domaines d'application (suivi des cultures, suivi du bétail, agriculture de précision, serres intelligentes et autres), les modes de déploiement (nuage et sur site), les catégories de taille des exploitations agricoles, ainsi que l'adoption des technologies, notamment l'Internet des objets (IoT), l'intelligence artificielle (IA), le Big Data et la blockchain. Nous avons examiné les données numériques extraites pour vérifier leur complétude et leur cohérence, puis normalisé les variables continues à l'aide de la normalisation Min–Max avant l'analyse.

L'unité expérimentale était une parcelle agricole équipée d’objets connectés (IoT), et trois expériences distinctes (n = 3) réalisées dans des conditions opérationnelles similaires ont été menées pendant 90 jours. Les mesures des capteurs étaient transmises à la plateforme cloud toutes les 10 minutes via MQTT. Les données quantitatives sont présentées sous forme de moyenne ± écart-type (SD). Un test t apparié de Student a été utilisé pour évaluer la signification statistique du cadre proposé d’agriculture de précision pilotée par l’IoT (IoT-PA) par rapport au système d’irrigation classique basé sur le temps, avec une valeur p < 0,05 considérée comme significative. La fiabilité des mesures de performance a été évaluée en calculant leurs intervalles de confiance à 95 % (IC). Un dispositif IoT basé sur un microcontrôleur ESP32, comprenant des capteurs de teneur en eau du sol à effet capacitif, de température et d’humidité DHT22, d’intensité lumineuse BH1750 et de précipitations, a permis de valider le paradigme d’agriculture de précision pilotée par l’IoT (IoT-PA). Les mesures environnementales étaient transmises en continu à AWS IoT Core via MQTT. Dans des conditions climatiques comparables, le cadre proposé a été comparé à un système d’irrigation basé sur le temps. Nous avons évalué la consommation d’eau, la production agricole, l’efficacité du système, l’optimisation durable des ressources et l’alignement sur les objectifs de développement durable (ODD).

Analyse de l'utilisation de l'eau

Figure 6 montre que la surveillance continue de l'humidité du sol et la gestion automatisée de l'irrigation ont réduit la consommation d'eau de 24,62 % dans l'architecture proposée d'agriculture de précision pilotée par l'internet des objets (IoT-PA). La détection en temps réel a réduit les irrigations inutiles, amélioré l'efficacité de l'utilisation de l'eau et soutenu une productivité agricole durable.

Équilibre statique ; formule v_c(t)=(W_conv-W_IoT)/W_conv×100 ; analyse mathématique.

où Analyse de circuit électrique, formule, vc(t), tension dépendante du temps, équation d'ingénierie, schéma. désigne le pourcentage d'économie d'eau réalisé à l'instant t, W_conv est la quantité totale d'eau consommée avec la méthode d'irrigation conventionnelle, et W_IoT est la quantité totale d'eau consommée avec le cadre proposé IoT-PA. L'équation (11) calcule le pourcentage d'économie d'eau grâce à la planification automatisée de l'irrigation. Les résultats des essais ont montré que le cadre proposé permettait d'économiser 24,62 % d'eau supplémentaire par rapport à l'irrigation traditionnelle.

Analyse du rendement des cultures

Figure 7 montre comment l'irrigation automatisée et la surveillance environnementale ont accru le rendement agricole à 95,13 % à l'aide du système proposé d'agriculture de précision piloté par l'IoT (IoT-PA). La santé des plantes, le rendement des cultures et l'intervention manuelle se sont améliorés grâce aux données en temps réel des capteurs pour l'application d'eau et la gestion des cultures.

$Équation de la vitesse en fonction du temps, $ v_0(t) $, formule de rapport dans un tableau mathématique.$

où Formule de la fonction de vitesse v0(t), équation de cinématique, analyse vitesse-temps. désigne la productivité agricole (%) au temps t, Y_IoT correspond au rendement des cultures obtenu à l'aide du cadre proposé IoT-PA, et Y_max est le rendement maximal atteignable dans les conditions expérimentales. Le pourcentage de productivité agricole du cadre proposé est calculé selon l'équation (12). Le système IoT-PA a atteint une productivité agricole de 95,13 % lors de l'évaluation expérimentale, ce qui suggère que l'irrigation pilotée par capteurs et la surveillance en temps réel de l'environnement améliorent la performance des cultures.

Analyse de l'efficacité du système

Figure 8 montre que le cadre d'agriculture de précision piloté par l'IoT (IoT-PA) intègre un arrosage autonome, une détection en temps réel des conditions environnementales, un traitement des données basé sur le cloud et une prise de décision automatisée afin d'atteindre une efficacité du système de 93,85 %. Une efficacité élevée signifie un fonctionnement fiable du système avec un gaspillage minimal des ressources, soutenant ainsi une agriculture durable.

$Formule de calcul du pourcentage en analyse statistique, équation $c_m(t)=\frac{N_{success}}{N_{total}}\times100$.$

où Équation du système dynamique, fonction c_m(t), expression mathématique, analyse dépendante du temps. désigne l'efficacité globale du système (%) au temps t, Équation : N<sub>success</sub>, analyse statistique, représentation de variable mathématique. représente le nombre d'opérations de détection, de communication et d'irrigation correctement terminées, et Équation d'équilibre statique, ΣFx=0, schéma physique illustrant l'équilibre et l'analyse des forces. est le nombre total d'opérations programmées du système pendant la période expérimentale. L'équation (13) calcule le taux de réussite du cadre IoT-PA, indiquant la fiabilité et l'efficacité du système. Les résultats expérimentaux ont montré que le cadre proposé atteignait une efficacité système de 93,85 %, démontrant sa stabilité et sa fiabilité pour des applications agricoles intelligentes continues.

Analyse de l'optimisation durable des ressources

Le cadre proposé d'agriculture de précision piloté par l'Internet des objets (IoT-PA) permet d'optimiser durablement les ressources à hauteur de 94,25 %, s'alignant ainsi sur la durabilité environnementale et économique. Figure 9 illustre comment la surveillance en temps réel, la planification automatisée de l'irrigation et la prise de décision fondée sur les données réduisent le gaspillage d'eau et d'énergie tout en augmentant le rendement agricole. Par conséquent, ce cadre améliore l'utilisation des ressources et favorise une agriculture durable.

Équation pour le calcul de l'efficacité, q(t) = (Rutilisée/Ropt)×100 ; schéma de la formule.

où charge dépendante du temps q(t) ; équation ; analyse électrique ; fonction du temps ; étude de système dynamique. désigne le taux d'optimisation des ressources durables (%) au temps t, Équation d'équilibre statique ΣFx=0, diagramme illustrant l'équilibre des forces en analyse des systèmes mécaniques. représente le nombre de ressources (telles que l'eau et l'énergie) utilisées efficacement par le cadre proposé IoT-PA, et formule R_opt, symbole mathématique en physique théorique, concept d'équation d'optimisation. correspond aux besoins optimaux en ressources dans les mêmes conditions de culture. L'équation (14) compare les ressources utilisées efficacement aux besoins optimaux en ressources afin d'évaluer l'utilisation des ressources. Les résultats expérimentaux ont montré que le cadre IoT-PA pouvait réduire le gaspillage des ressources et maintenir la productivité agricole avec un taux d'optimisation des ressources durables de 94,25 %.

Analyse des technologies numériques dans la réalisation des ODD

Figure 10 montre que l'architecture de l'agriculture de précision pilotée par l'IoT (IoT-PA) a atteint une efficacité d'alignement sur les ODD de 96,31 % dans cette étude. L'irrigation automatique et la surveillance en temps réel augmentent la production agricole et favorisent l'ODD 2 (Faim zéro) et l'ODD 12 (Consommation et production responsables) en optimisant l'utilisation de l'eau et de l'énergie. La forte efficacité d'alignement sur les ODD montre que les technologies numériques favorisent une agriculture durable et économe en ressources.

Équation permettant de calculer le pourcentage atteint dans les expériences. Formule : Q(t) = S_achieved/S_target × 100.

où Concept de mécanique quantique, équation Q(t) ; analyse de système dynamique, représentation de formule. désigne l'efficacité d'alignement sur les ODD (%) au temps t, Diagramme d'équilibre statique ΣFx=0 ; équilibre des forces, analyse mécanique, usage pédagogique. représente le nombre d'objectifs de durabilité atteints avec succès par le cadre IoT-PA proposé, et Équilibre statique ; formule S_cible ; diagramme ; usage pédagogique ; recherche ; concept de physique. désigne le nombre total d'objectifs de durabilité définis pour l'évaluation. L'équation (15) compare les objectifs de durabilité atteints aux cibles prédéfinies. Selon les données expérimentales, le cadre IoT-PA a soutenu la croissance agricole durable grâce à une gestion intelligente des ressources et à l'innovation numérique, avec une efficacité d'alignement sur les ODD de 96,31 %.

Le cadre de l'agriculture de précision pilotée par l'Internet des objets (IoT-PA) améliore la gestion agricole durable grâce à la détection en temps réel, à la surveillance basée sur le cloud et au contrôle automatisé de l'irrigation, selon des expériences menées. Ce cadre a permis de réduire la consommation d'eau de 24,62 %, d'atteindre un taux de production agricole de 95,13 %, une efficacité du système de 93,85 %, une optimisation durable des ressources de 94,25 % et une efficacité d'alignement sur les ODD de 96,31 % par rapport à l'irrigation traditionnelle. Ces résultats montrent que les technologies de l'Internet des objets et l'irrigation intelligente améliorent l'utilisation des ressources, la productivité des cultures et l'agriculture durable. Ainsi, le cadre IoT-PA proposé offre une solution numérique en agriculture pratique et évolutible qui soutient les Objectifs de développement durable 2 (Faim zéro) et 12 (Consommation et production responsables) grâce à une gestion agricole fondée sur les données.

Afin de tester la reproductibilité du cadre de l'agriculture de précision pilotée par l'Internet des objets (IoT-PA), toutes les expériences ont été répétées trois fois dans des conditions identiques. Les résultats de trois essais expérimentaux, incluant la réduction de l'eau (24,62 %), l'amélioration du rendement des cultures (95,13 %), l'efficacité du système (93,85 %), l'optimisation durable des ressources (94,25 %) et l'alignement sur les ODD (96,31 %), sont fournis sous forme de moyenne ± écart-type (SD). Avant l'analyse comparative, la distribution des données expérimentales a été évaluée à l'aide du test de normalité de Shapiro–Wilk. Le cadre IoT-PA proposé a été comparé à la technique d'irrigation standard basée sur le temps à l'aide d'un test t de Student apparié, la significativité étant fixée à p < 0,05. Pour tous les indicateurs clés de performance, des intervalles de confiance à 95 % (IC) ont été établis afin de quantifier l'incertitude des estimations expérimentales, et le coefficient de variation (CV) a été calculé pour examiner la reproductibilité et la cohérence des résultats expérimentaux.

DISPONIBILITÉ DES DONNÉES :

Les données expérimentales appuyant les résultats de cette étude ont été générées lors de l'évaluation sur le terrain de 90 jours du cadre proposé d'agriculture de précision pilotée par l'Internet des objets (IoT-PA), décrit dans le manuscrit. Le rapport sur le marché du jumeau numérique en agriculture (DataIntelo), utilisé comme référence contextuelle pour le développement conceptuel du cadre et pour fournir un cadre général sur les technologies d'agriculture numérique, est disponible à l'adresse suivante : https://dataintelo.com/report/agriculture-digital-twin-market.

Schéma de l'agriculture numérique ; Internet des objets (IoT), intelligence artificielle pour une efficacité améliorée, chaîne d'approvisionnement, agriculture intelligente face au climat.
Figure 1. Racines numériques : développer la durabilité dans la chaîne agroalimentaire. Aperçu de la chaîne de valeur agroalimentaire illustrant l'intégration des technologies numériques, notamment l'Internet des objets (IoT), le calcul en nuage, l'intelligence artificielle et l'analyse de données, afin d'améliorer la productivité agricole, d'optimiser l'utilisation des ressources et de soutenir une production alimentaire durable. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Schéma du processus d'agriculture intelligente avec capteurs, robots, gestion des données, surveillance des cultures, lien vers serveur.
Figure 2. Smart Agri-Loop : des capteurs des champs aux mains des agriculteurs. Flux de travail du cadre proposé d'agriculture de précision piloté par l'Internet des objets (IoT-PA), illustrant la détection en temps réel des conditions environnementales, la transmission sans fil des données, l'analyse basée sur le cloud, la commande automatisée de l'irrigation et l'aide à la décision pour l'agriculture de précision. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Schéma du cadre agriculture de précision-IoT : technologies numériques, capteurs du sol, données climatiques, impact sur les ODD.
Figure 3. Du sol à l'objectif : un plan directeur pour l'agriculture intelligente au service d'une croissance durable. Aperçu conceptuel du cadre proposé d'agriculture de précision pilotée par l'Internet des objets (IoT-PA), illustrant l'intégration des technologies numériques pour une gestion intelligente de l'agriculture. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Diagramme de l'évolution industrielle : des âges de la vapeur et de l'électricité aux ères de l'information et de la numérisation.
Figure 4. De la vapeur aux exploitations intelligentes : l'évolution vers des avenirs agri-tech. Évolution des technologies agricoles, depuis les pratiques agricoles conventionnelles jusqu'à l'agriculture numérique moderne, en passant par la mécanisation, l'agriculture de précision, l'Internet des objets, la surveillance assistée par l'IoT, l'informatique en nuage et les systèmes intelligents d'aide à la décision. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Schéma des systèmes alimentaires numériques ; de l'agriculture aux consommateurs ; l'internet des objets (IoT) et la blockchain garantissent la durabilité et la sécurité.
Figure 5. Des chaînes intelligentes pour des céréales sûres : une voie numérique vers un avenir alimentaire durable. Représentation conceptuelle des technologies numériques soutenant la chaîne d'approvisionnement agricole, incluant la surveillance des cultures, l'irrigation de précision, l'optimisation des ressources, la surveillance de la qualité des aliments et l'évaluation de la durabilité afin d'améliorer la sécurité alimentaire et la performance environnementale. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Graphique en boîte analysant la consommation d'eau ; compare les données échantillonnées IDAFS, DSIAM, DVIRF, IoT-PA.
Figure 6. Analyse de la consommation d'eau. Comparaison de la consommation d'eau entre la méthode d'irrigation conventionnelle et le cadre proposé IoT-PA. La consommation d'eau a été évaluée pendant la période expérimentale, et les valeurs sont exprimées en moyenne ± écart type (n = 3 essais indépendants). La signification statistique a été évaluée à l'aide d'un test t de Student apparié avec p < 0,05. Le cadre proposé IoT-PA (Agriculture de Précision pilotée par l'Internet des Objets) a permis une réduction de 24,62 % de la consommation d'eau par rapport à l'irrigation conventionnelle. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Graphique en barres comparant les méthodes d'analyse du rendement des cultures : IDAFS, DSIAM, DVIRF, IoT-PA, nombre d'échantillons.
Figure 7. Analyse du rendement des cultures. Comparaison de la productivité agricole obtenue à l’aide de la méthode d’irrigation conventionnelle et du cadre proposé IoT-PA (Agriculture de Précision pilotée par l’Internet des Objets) dans des conditions de culture identiques. Les valeurs de rendement des cultures sont exprimées en moyenne ± écart-type (n = 3 essais indépendants). La significativité statistique a été évaluée à l’aide d’un test t de Student apparié (p < 0,05). Le cadre proposé a permis d’atteindre une productivité agricole de 95,13 %. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Graphique en barres 3D du rapport d'efficacité du système selon le nombre d'échantillons ; compare les méthodes IDAFS, DSIAM, DVIRF, IoT-PA.
Figure 8. Analyse de l'efficacité du système. Évaluation des performances du cadre IoT-PA (Agriculture de Précision pilotée par l'Internet des Objets) fondée sur la détection réussie, la communication, le traitement dans le cloud et les opérations d'irrigation automatisée. Les résultats sont exprimés en moyenne ± écart-type (n = 3 essais indépendants). Une analyse statistique a été réalisée à l’aide d’un test t de Student apparié avec p < 0,05. Le système proposé a atteint une efficacité globale de 93,85 %. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Graphique d'optimisation des ressources durables, méthodes : IDAFS, DSIAM, DVIRF, IoT-PA, nombre d'échantillons.
Figure 9. Analyse de l'optimisation des ressources durables. Évaluation de l'optimisation des ressources durables réalisée par le cadre proposé IoT-PA grâce à une gestion efficace de l'eau et des ressources. Les résultats sont présentés sous forme de moyenne ± écart-type (n = 3 essais indépendants). La significativité statistique a été déterminée à l'aide d'un test t de Student apparié (p < 0,05). Le cadre proposé a permis un taux d'optimisation des ressources durables de 94,25 %. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Graphique des technologies numériques atteignant les ODD (%) selon la taille de l'échantillon, comparées selon quatre méthodes.
Figure 10. Analyse des technologies numériques dans la réalisation des ODD. Évaluation de la contribution du cadre proposé d'agriculture de précision pilotée par l'Internet des objets (IoT-PA) aux Objectifs de développement durable (ODD) grâce à l'amélioration de l'efficacité de l'utilisation de l'eau, de la productivité agricole, de l'irrigation intelligente et de la gestion durable des ressources. Les résultats sont présentés sous la forme moyenne ± écart type (n = 3 expériences indépendantes). La significativité statistique a été évaluée à l'aide d'un test t de Student apparié avec p < 0,05. Le cadre proposé a atteint une efficacité d'alignement sur les ODD de 96,31 %. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Discussion

Grâce à l'IoT-PA, l'agriculture numérique pourrait résoudre les problèmes actuels. Pour les économies de ressources et la production agricole, cet article propose une surveillance en temps réel, un arrosage basé sur des capteurs et une prise de décision fondée sur les données. La consommation d'eau a diminué de 24,62 % et la production agricole a augmenté de 95,13 % grâce à l'Internet des objets, démontrant ainsi son potentiel révolutionnaire en matière de durabilité. Les objectifs de développement durable 2 (Faim zéro) et 12 (Consommation et production responsables) sont atteints avec une efficacité du système de 93,85 %. Le système a atteint une efficacité d'alignement sur les ODD de 96,31 %. L'automatisation intelligente remplace les alternatives intensives en ressources afin d'améliorer la sécurité alimentaire et l'environnement. L'étude met en évidence comment les capteurs, le calcul en nuage et l'automatisation peuvent construire des modèles agricoles reproductibles. L'agriculture a besoin de telles technologies en raison de la croissance démographique et des changements climatiques. Selon cet essai, la révolution numérique pourrait accroître l'efficacité, la résilience et la durabilité de l'agriculture. L'architecture IoT-PA sera appliquée à d'autres cultures et régions dans des études futures. L'intelligence artificielle améliorera la météorologie, l'analytique prédictive et l'identification des ravageurs. Afin d'améliorer l'accès des agriculteurs, l'accent devrait être mis sur les technologies à faible coût et les applications mobiles. L'acceptabilité, la qualité de réception des données, ainsi que les objectifs mondiaux de durabilité et de sécurité alimentaire seront définis.

Par rapport à l'agriculture numérique intégrée & Cadre des systèmes alimentaires (IDAFS) proposé par Sridhar et al.¹⁸, qui offre une analyse complète des technologies numériques, notamment l'internet des objets (IdO), l'intelligence artificielle (IA), la blockchain, la robotique et les mégadonnées appliquées aux systèmes agroalimentaires durables, le cadre proposé IoT-PA fournit une mise en œuvre pratique de l'agriculture de précision. Alors que IDAFS traite principalement de l'adoption des technologies et des stratégies de transformation numérique à un niveau conceptuel, IoT-PA intègre la détection en temps réel des conditions environnementales, le traitement des données basé sur le cloud, la commande automatisée de l'irrigation et la notification des agriculteurs au sein d'un cadre opérationnel unifié. Cette intégration permet une surveillance continue des champs et une prise de décision automatisée, rendant la plateforme adaptée à l'irrigation de précision et à la gestion des ressources¹⁸. Le modèle d'analyse d'impact numérique-ODD de Vărzaru (DSIAM)¹⁹ met l'accent sur le rôle de la transformation numérique dans la sécurité alimentaire et la réalisation des Objectifs de développement durable, au moyen d'analyses économiques régionales et à l'échelle des politiques publiques. Pour la mise en œuvre sur le terrain, l'architecture IoT-PA utilise des capteurs compatibles avec l'Internet des objets, une commande automatisée de l'irrigation et une communication par le cloud. La transformation numérique est utilisée en agriculture afin d'améliorer l'utilisation de l'eau et la production végétale¹⁹. DVIRF de Zhang et Zhang²⁰ favorise le développement rural durable grâce à l'infrastructure numérique, à l'intégration industrielle rurale et à l'innovation technologique. Le DVIRF soutient la transformation numérique régionale sans assistance décisionnelle pour l'irrigation de précision. Pour permettre l'agriculture intelligente, le cadre IoT-PA combine une surveillance continue par capteurs, une planification intelligente de l'irrigation, des analyses basées sur le cloud et une gestion automatisée des ressources²⁰L'architecture IoT-PA proposée associe la détection environnementale, la connectivité, le calcul en nuage et l'irrigation automatisée afin de permettre une prise de décision en temps réel et une gestion de l'eau. Comparée aux cadres numériques agricoles de conception théorique¹⁸^,¹⁹^,²⁰, la conception améliore l'efficacité opérationnelle, réduit l'implication humaine et favorise une agriculture durable. Toutefois, ce cadre présente des inconvénients majeurs. Cette évaluation expérimentale a été réalisée dans des conditions agricoles normales et n'a pas été validée auprès de différentes espèces cultivées, types de sols, régions climatiques ou exploitations agricoles commerciales à grande échelle. La présente implémentation utilise des seuils prédéfinis d'humidité du sol et ne tire pas parti de l'intelligence artificielle pour la planification prédictive de l'irrigation, la prévision du rendement des cultures, la détection des ravageurs et des maladies, ou la simulation numérique des cultures basée sur des jumeaux numériques. De futures recherches utiliseront l'apprentissage automatique, les jumeaux numériques, la télédétection et une intelligence artificielle explicative afin d'améliorer la prévision agricole, la scalabilité et la flexibilité.

Des limites doivent être prises en compte lors de l'interprétation des résultats de l'agriculture de précision pilotée par l'Internet des objets (IoT-PA). En général, le cadre n'a pas été testé sur différents types de cultures, caractéristiques des sols, conditions climatiques ou contextes agricoles à grande échelle. Pour un fonctionnement optimal dans des pratiques culturales variées, la gestion de l'irrigation utilise des seuils d'humidité du sol qui peuvent nécessiter un étalonnage spécifique à chaque culture. Cette application s'appuie sur la surveillance environnementale basée sur l'Internet des objets et la gestion automatisée de l'irrigation, et non sur une irrigation prédictive pilotée par l'intelligence artificielle, le diagnostic des ravageurs et des maladies, la gestion des nutriments ou la télédétection multispectrale. La connectivité du réseau, la précision de l'étalonnage des capteurs et les facteurs climatiques affectant la transmission des données en temps réel peuvent nuire au fonctionnement du cadre dans les zones agricoles éloignées.

Déclarations de divulgation

Les auteurs déclarent ne pas avoir de conflit d'intérêts.

Remerciements

Cette recherche n'a reçu aucune subvention spécifique d'un organisme de financement public, commercial ou à but non lucratif.

Matériaux

Liste des matériaux utilisés dans cet article
Nom	Entreprise	Numéro de catalogue	Commentaires
IDE Arduino	Arduino	Version 2.x https://www.arduino.cc/en/software	Environnement de développement intégré, développement de firmware pour ESP32
Sonde de teneur en eau du sol capacitive	DFRobot	SEN0193	Mesure l'humidité volumique du sol ; Tension de fonctionnement 3,3–5,5 V
Plateforme Cloud IoT	Amazon Web Services	AWS IoT Core https://aws.amazon.com/iot-core	Plateforme IoT basée sur le cloud pour le stockage, la visualisation des données et la surveillance à distance
Alimentation électrique CC	Mean Well	/	Fournit l'alimentation au contrôleur et à la pompe ; Sortie régulée 12 V CC, Modèle : LRS-50-12
Pompe à eau CC	Disponible commercialement	/	Irrigation automatisée ; Pompe 12 V CC
Sonde numérique d'intensité lumineuse	Rohm Semiconductor	BH1750FVI	Mesure l'intensité lumineuse ambiante ; 1–65535 lux
Carte de développement ESP32	Espressif Systems	ESP32-DEVKITC-32D	Microcontrôleur double cœur à 240 MHz, Wi-Fi/Bluetooth ; Contrôleur principal pour l'acquisition des capteurs et la gestion de l'irrigation
Microsoft Excel	Microsoft Corporation	Microsoft 365 https://www.microsoft.com/microsoft-365/excel	Logiciel de tableur pour l'organisation et la visualisation des données
Broker MQTT	Fondation Eclipse	Mosquitto v2.x https://mosquitto.org	Communication de messages IoT ; protocole MQTT
Python	Fondation Python	Version 3.x https://www.python.org	Langage de programmation pour le prétraitement des données et l'analyse statistique
Module capteur de pluie	DFRobot	/	Sortie analogique/numérique ; détecte les épisodes de pluie ; Modèle : SEN0308
Module relais à un canal	Songle	SRD-05VDC-SL-C	Commande l'activation/désactivation de la pompe d'irrigation ; relais 5 V
Sonde de température et d'humidité	Adafruit Industries	DHT22 (AM2302)	Surveillance environnementale ; Température ±0,5 °C ; Humidité ±2 % HR
Navigateur Web	Google LLC	Google Chrome (dernière version stable) https://www.google.com/chrome	Accès au tableau de bord AWS IoT
Routeur Wi-Fi	TP-Link Technologies	/	Communication sans fil entre l'ESP32 et le cloud ; IEEE 802.11 b/g/n/ac ; Modèle : Archer C6

Références

Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
Ajaj R, Buheji M, Hassoun A. Optimizing the readiness for industry 4.0 in fulfilling the Sustainable Development Goal 1: Focus on poverty elimination in Africa. Front Sustain Food Syst. 2024;8:1393935.
Hiywotu AM. Advancing sustainable agriculture for goal 2: zero hunger-a comprehensive overview of practices, policies, and technologies. Agroecol Sustain Food Syst. 2025;49(7):1027–55.
Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
Arun M, et al. Integrated renewable energy supply architecture for advancing hydrogen symbiosis and eco synergistic smart grid interactions with next generation combustion technologies. Sci Rep. 2025;15(1):25619.
Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
Jayakrishnan R, Johnpaul V, Balasundaram N, Senthilkumar S. Stabilization of black cotton soil in Chittur region in Palakkad using lime, rice husk ash, coir fibre. Indian J Eng. 2026;23:e3ije1709.
Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low-Carbon Technol. 2025;20:820–33.
Arun M, Barik D, Sridhar KP, Vignesh G. Experimental and CFD analysis of plain and dimples tube at application of solar water heater. Mater Today Proc. 2021;42:804–9.
Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low-Carbon Technol. 2024;19:2420–30.
Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
Giganti P, Borrello M, Falcone PM, Cembalo L. The impact of blockchain technology on enhancing sustainability in the agri-food sector: A scoping review. J Clean Prod. 2024;456:142379.
Rinesh S, Arun M, Kumar SN, Prajitha C, Kumar AS. Evaluating the type 2 fuzzy logic controller with multilayer perceptrons for optimal tracking of solar photovoltaic systems. Int J Low-Carbon Technol. 2025;20:394–403.
Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
Hong Z, Xiao K. Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Sci Rep. 2024;14(1):3912.
Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO2 nanofluid. Int J Photoenergy. 2022;2022(1):8595591.
Vărzaru AA. Unveiling digital transformation: a catalyst for enhancing food security and achieving sustainable development goals at the European Union level. Foods. 2024;13(8):1226.
Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
Singh V, Borisagar D, Singh OP, Verma SK. Enhancing agricultural competitiveness: harnessing value chains and agro-processing for sustainable growth. In: Sustaining the Global Agriculture Supply Chain. IGI Global Scientific Publishing; 2025. p. 37–72.
Bocean CG. A longitudinal analysis of the impact of digital technologies on sustainable food production and consumption in the European Union. Foods. 2024;13(8):1281.
Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.

Réimpressions et autorisations

Étiquettes

Agriculture connectée (IoT)irrigation intelligente production alimentaire durable réseaux de capteurs surveillance de l'humidité du sol analyse de données agricoles adaptation climatique gestion des ressources