ÉcoForage : Solution intelligente pour la gestion durable des systèmes fourragers

Les cultures fourragères occupent le 3e rang au Canada en termes de superficie cultivée, alimentant plus d’un million de bovins laitiers, quatre millions de bovins de boucherie [1] et 500 000 moutons [2]. Cependant, ils figurent également parmi les principales sources d’émissions de gaz à effet de serre (GES) dans le secteur agricole. Par exemple, l’ensilage de maïs contribue à 1,44 % (1,02 MT CO2 eq/an) [3] de toutes les émissions agricoles, tandis que le foin cultivé représente 6,3 % (4,47 MT CO2 eq/an) [3]. Les animaux consommant ces fourrages génèrent des émissions de méthane entérique (CH4), qui représentent 38 % (22,8 MT CO2 eq/an) des émissions agricoles totales [4]. Les systèmes fourragers se composent de plusieurs sous-systèmes : sol, plante, récolte, entreposage et alimentation. Une gestion sous-optimale de ces sous-systèmes peut non seulement accroître les émissions de GES, mais aussi nuire à la rentabilité des exploitations agricoles. Il est crucial de gérer ces systèmes de manière intégré pour éviter que les améliorations dans un sous-système n’entraînent des impacts négatifs dans un autre. Bien que certaines pratiques existent pour réduire les émissions de GES, telles que l’amélioration de la digestibilité des fibres (réduction de 13 %) ou l’incorporation de plantes riches en tannins (réduction de 18 %) [5], les producteurs et les agronomes rencontrent des difficultés à les mettre en oeuvre en raison du manque d’outils adaptés. L’intelligence artificielle (IA) a le potentiel d’aider les producteurs et agronomes dans cette tâche, mais son utilisation dans les systèmes fourragers est limitée par le coût élevé de la collecte de données nécessaires. Pour résoudre ce problème, le projet propose de développer un système expert utilisant des Modèles de Langage de Grande Taille (LLM) pour générer efficacement et exhaustif une base de connaissances et servir de moteur d’inférence. Les modèles agronomiques déterministes existants, comme Holos et STICS, seront également utilisés pour générer des données supplémentaires. Ces modèles seront utilisés dans un cadre probabiliste pour estimer les émissions de GES et la croissance des plantes. De plus, un module d’optimisation multiobjectif sera développé pour maximiser simultanément la rentabilité des fermes et la réduction des émissions de GES. Le tout sera intégré dans un prototype au sein de l’outil d’aide à la décision (OAD) de MSF. Cet OAD permettra d’identifier les meilleures pratiques (choix des espèces fourragères, qualité de conservation des ensilages, moments de coupe, etc.) et de proposer des stratégies adaptées pour réduire les émissions de CH4 tout en préservant la rentabilité économique. Chaque recommandation sera personnalisée selon les conditions spécifiques de l’exploitation, facilitant ainsi l’adoption de stratégies de réduction des GES tout en tenant compte des contraintes économiques et environnementales des producteurs.