Le Concept SoilCares

Pour une analyse des sols sur place et des recommendations d’intrants sur mesure.

Pour une simplification de l'analyse de sol

SoilCares a développé deux services, le Scanner et le Lab-in-a-Box, qui permettent de délivrer le savoir des analystes et agronomistes les plus éminents entre les mains des agriculteurs de manière rapide, simple et à prix raisonnable. Mais comment cela fonctionne-t-il?

A partir du moment ou un échantillon de sol est scanné par le Scanner ou le Lab-in-a-Box, le spectre produit par les spectromètres à l’interieur passe par une série d’étapes et de transformations avant d’être renvoyé à l’utilisateur sous la forme d’un rapport détaillé.

Tout commence avec le scan d’un échantillon par l’un des capteurs du Scanner ou du Lab-in-a-Box, qui va produire une image spectrale du sol. Mais la réelle intelligence de notre solution repose sur la Base de Données des Sols de SoilCares et ses algorithmes. C’est réellement par la création de modèles de régressions se basant sur le principe du Machine Learning que nous avons rendu possible la prédiction des propriétés d’un échantillon de sol à partir de son spectre.

En effet, nos modèles de régressions utilisent les différents aspects des spectres obtenues pour en déduire les données numériques qui sont retournées à l’utilisateur.

Obtenir les propriétés d’un sol à partir de son spectre

Nos modèles de régressions sont développés pays par pays par notre équipe d’experts. Ils déterminent d’abord la quantité d’échantillons requise pour couvrir la gamme spectrale du pays en entier ainsi que leurs localisations précises. Pour cela ils utilisent des données comme le type de terre, son utilisation, la gestion des engrais et des résidus de récolte, des images satellitaires, le climat et le relief.

Ces échantillons sont collectés, séchés et envoyés aux Pays-Bas en suivant un protocole très stricte. Ils sont ensuite analysés dans notre laboratoire d’abord par voie chimique traditionelle puis avec les spectromètres du Scanner (Proche Infra Rouges) et du Lab-in-a-Box (Moyen Infra Rouges et Rayons X).

Analyse d’échantillons avec le spectromètre a infrarouge moyen du Lab-in-a-Box.

Le principe du Machine Learning repose sur l’utilisation d’algorithmes pour reconnaitre dans de nouvelles données des caractéristiques significatives identifiées par apprentissage. 

Dans notre cas, les données obtenues par apprentissage sont celles déterminées par la voie chimique et les caractéristiques correspondantes sont celles reconnues dans les spectres produits par le Scanner et le Lab-in-a-Box. 

Par exemple, le pic significatif d’un spectre pourrait correspondre à une valeur élevée en potassium.

Spectre obtenu avec le spectromètre à infrarouge moyen du Lab-in-a-Box de Soilcares

Traduire ces données en recommendations d'intrants

Une fois toutes les propriétés du sol obtenues, elles sont envoyées au module des engrais ou la fertilité de chaque élément est caractérisée comme étant très basse, basse, adéquate, élevée ou trop élevée. Ces classes sont utilisées pour déterminer la quantité de nutriments (en kg/ha) qu’il est nécessaire d’ajouter pour atteindre un niveau de fertilité adéquate. En y ajoutant les niveaux d’absorption de nutriments locaux, le besoin total de la culture est calculé et convertit en des recommendations d’engrais spécifiques. Ces recommandations prennent également en compte des facteurs comme les pertes en nutriments suivant l’application et la liste des engrais disponibles au niveau local.

L’utilisateur reçoit à la fin un rapport complet sur la fertilité de l’échantillon analysé. Il comprend pour le Scanner un niveau pour le NPK, le pH et la matière organique et des valeurs précises des Macro et Micro nutriments pour le Lab-in-a-Box. Il comprend également des recommendations sur mesure pour un meilleur rendement.

Des recommendations d’engrais sur mesure pour des cultures de bonne qualité, de meilleurs rendements et une réduction de vos coûts de production grâce au Lab-in-a-Box et au Scanner.

Télécharger la brochure.