Par Nikos Kalatzis | Directeur technologique | GreenSupplyChain DIH
Parmi les objectifs centraux du projet STELLA Horizon figure le développement d’un Pest Surveillance System (PSS), une infrastructure numérique holistique dédiée à l’alerte précoce et à la détection des organismes nuisibles de quarantaine et réglementés non de quarantaine. Le système STELLA PSS représente une initiative ambitieuse et innovante visant à transformer la surveillance, la détection et la gestion des ravageurs et des maladies en agriculture et en foresterie. Conçu comme un hub numérique centralisé, il intègre des technologies avancées : des dispositifs IoT, de la télédétection et des capteurs proximaux, des modèles d’intelligence artificielle et des outils de science participative. Ces technologies permettent la mise en place d’un système d’alerte précoce, d’une détection précise, et d'outils d’aide à la décision ciblés. En soutenant l’ensemble des acteurs allant des agriculteurs et des agronomes aux décideurs publics et aux chercheurs, la plateforme vise non seulement à améliorer la prise de décision opérationnelle, mais aussi à renforcer la collaboration, réduire la dépendance aux pesticides chimiques et améliorer la durabilité des systèmes agricoles.
Sous cette architecture sophistiquée se cache un défi majeur auquel le projet STELLA doit faire face : la fragmentation des données agricoles. La plateforme STELLA PSS est initialement testée via les cas d’usage pilotes du projet , bien que son architecture soit conçue pour être générique et facilement utilisable pour la gestion d’autres systèmes agricoles, couvrant des régions et des ravageurs différents. L’harmonisation des données de la plateforme est pensée et assurée par la GreenSupplyChain Digital Innovation Hub (GSC DIH), en privilégiant des standards de modélisation des données comme principal mécanisme d’intégration. Toutefois, les modèles prédictifs, systèmes satellitaires, capteurs proximaux, applications de science citoyenne et stations IoT produisent des jeux de données hétérogènes, souvent incompatibles en termes de formats, de classifications, de terminologies, de références spatiales et de descripteurs. Sans une stratégie robuste d’harmonisation, il serait impossible de produire des analyses unifiées, des visualisations inter-systèmes ou des services interopérables.
Gérer des données issues de systèmes divers : pourquoi l’interopérabilité est essentielle
La surveillance moderne des ravageurs repose sur des technologies complémentaires : l’imagerie satellitaire, qui permet la détection d’anomalies à grande échelle, les capteurs proximaux qui fournissent des diagnostics à haute résolution, les stations IoT qui génèrent des données microclimatiques en temps réel, et des modèles prédictifs qui reposent sur les données climatiques, les seuils biologiques et les indices phénologiques. Chaque système possède ses propres structures de données, formats, unités et hypothèses. Par exemple :
- L’imagerie satellite produit des données matricielles (raster) avec des résolutions spatiales spécifiques, un système de coordonnées et des combinaisons de bandes spectrales déterminées.
- Les stations météo IoT génèrent des données avec une grande précision temporelle.
- Les algorithmes de détection fondés sur l’intelligence artificielle fournissent des scores de confiance, des polygones géolocalisés et des attributs de classification.
- Les modèles d’alerte précoce basés sur la phénologie s’appuient sur des codes BBCH spécifiques aux cultures ou sur des calculs de degrés-jours fondés sur des seuils.
Cette diversité de données est une force mais constitue également un défi : elle améliore la robustesse de l’analyse, mais crée intrinsèquement des silos de données, empêchant leur exploitation combinée, et laissant inévitablement des jeux de données sous-exploités. Sans harmonisation, chaque sous-système pourrait fonctionner efficacement seul, mais leur valeur combinée – des détections validées via diverses technologies, des analyses multimodales, des recommandations basées sur l’analyse de données – resterait impossible.
La problématique s’accentue d’autant plus au sein d’un projet multinational comme STELLA, couvrant divers pays, contextes agronomiques et écosystèmes technologiques. Les données collectées en France, Grèce, Italie, Belgique ou encore en Nouvelle-Zélande doivent être intégrées en continu pour permettre à la plateforme de centraliser les services afin de garantir la fiabilité de son fonctionnement. Par conséquent, l’interopérabilité n’est pas facultative ; elle constitue un fondement essentiel de la conception et du fonctionnement de la plateforme.
L’approche STELLA : interopérabilité sémantique via des modèles normalisés
Pour briser ces silos, le STELLA PSS adopte une stratégie multicouche pour assurer l’interopérabilité technique et sémantique. En alignant toutes les bases de données avec des standards agronomiques et géospatiaux largement reconnus, STELLA assure que les données générées par les différentes technologies peuvent être comprises, comparées et combinées sans ambiguïté.
Trois piliers fondent cette approche :
1. Codes EPPO – Cohérence biologique
L’European and Mediterranean Plant Protection Organization (EPPO) fournit un système normalisé de codification des ravageurs, pathogènes et plantes hôtes. L’utilisation de ces codes garantit que tous les sous-systèmes se réfèrent aux organismes de manière cohérente et non ambiguë, quelle que soit la langue, le pays ou la source des données.
Au lieu d’utiliser des désignations textuelles libres (ex. mouche de l’olive ou Bactrocera oleae), les systèmes enregistrent un code EPPO canonique qui peut être compris universellement. Cela permet d’éviter les incohérences, les fautes de frappe et les erreurs de correspondance, ce qui est essentiel pour le traitement automatisé et l’analyse croisée des jeux de données.
2. GeoJSON – Cohérence géospatiale
Étant donné que la surveillance des ravageurs est intrinsèquement spatiale, assurer l’interopérabilité géospatiale est essentiel. GeoJSON est un format simple et largement utilisé pour représenter des données géographiques. Il permet d’enregistrer des coordonnées (points sur une carte), des polygones (zones délimitées), des boîtes englobantes (zones rectangulaires) ainsi que des ensembles d’éléments géographiques regroupés dans une même structure.
En exigeant que les systèmes de détection (par exemple, la détection d’anomalies par satellite) et les modèles de prédiction expriment leurs résultats en GeoJSON, STELLA garantit :
- une gestion cohérente des coordonnées
- une intégration harmonieuse avec les outils de cartographie en ligne
- une compatibilité avec INSPIRE, l’OGC et les chaînes de traitement SIG modernes
GeoJSON prend également en charge des attributs sémantiques supplémentaires, permettant d’intégrer directement aux entités spatiales des scores de confiance, des dates et des stades phénologiques.
3. Codes BBCH – Alignement phénologique
Le stade de développement des cultures est une variable critique dans la surveillance des ravageurs. L’échelle BBCH fournit un système de codage universel décrivant les stades phénologiques des cultures agricoles. En intégrant les métadonnées BBCH, STELLA garantit que les résultats de détection et de prédiction peuvent être interprétés dans le bon contexte agronomique — par exemple, en distinguant les risques d’infection précoce pendant la floraison des symptômes survenant en fin de saison.
En combinant EPPO, GeoJSON et BBCH, la plateforme crée une structure sémantique partagée entre les systèmes, éliminant toute ambiguïté et permettant aux chaînes de traitement automatisées d’interpréter et de corréler les données de manière fluide.
Utilisation des métadonnées DCAT pour faciliter le traitement automatisé des données
Alors que les sémantiques standardisées assurent la cohérence au sein des jeux de données, les métadonnées sont essentielles pour permettre leur interopérabilité. STELLA adopte le vocabulaire W3C DCAT (Data Catalog Vocabulary) pour décrire les jeux de données de manière structurée, lisible par machine et consultable.
Les métadonnées DCAT fournissent :
- le titre du jeu de données, sa description, son créateur et sa provenance
- l’étendue spatiale et temporelle
- les contraintes de licence et d’accès
- les liens vers les fichiers de données eux-mêmes
- les classifications thématiques et les mots-clés
- les références aux codes EPPO, aux stades BBCH ou aux technologies de détection
En enrichissant chaque jeu de données avec des métadonnées conformes à DCAT, la plateforme permet des flux de travail automatisés tels que :
- la découverte de jeux de données dans des catalogues
- les contrôles d’intégrité et de validation
- la mise en relation de jeux de données liés
- l’indexation spatiotemporelle
- la connexion automatique entre systèmes via API
- l’ingestion automatisée par les chaînes de traitement analytiques
Cette architecture centrée sur les métadonnées soutient les principes FAIR – Findable, Accessible, Interoperable, Reusable (trouvables, accessibles, interopérables, réutilisables) – garantissant que les jeux de données ne sont pas simplement stockés, mais peuvent être réutilisés de manière significative au sein des sous-systèmes de la plateforme et par des services tiers.
Un référentiel de données robuste : CKAN comme pilier de la gestion des métadonnées et des jeux de données
Pour mettre en œuvre cette approche centrée sur les métadonnées, STELLA utilise un référentiel de gestion conçu spécifiquement pour le catalogage des jeux de données et l’interopérabilité : CKAN.
CKAN est une plateforme open source largement utilisée dans les portails de données ouvertes européens et internationaux. Elle est compatible avec DCAT, ce qui en fait une colonne vertébrale idéale pour le référentiel centralisé de STELLA. CKAN permet :
- l’hébergement et la gestion des versions des jeux de données et de leurs métadonnées
- la compatibilité complète avec DCAT et DCAT-AP
- la découverte et la récupération de données via API
- le contrôle d’accès basé sur les profils utilisateurs pour les différents acteurs
- l’intégration avec des applications tierces et des moteurs analytiques
Grâce à CKAN, STELLA dispose d’un environnement évolutif et interopérable où les données issues de modèles d’IA appliqués à l’imagerie satellitaires, de stations météorologiques IoT, de capteurs proximaux et de systèmes d’alerte précoce peuvent coexister harmonieusement. Le catalogue de métadonnées de CKAN garantit que chaque jeu de données – quelle que soit son origine – est trouvable, interprétable et exploitable par les modules d’analyse, les tableaux de bord de visualisation et les moteurs d’aide à la décision de la plateforme.
Conclusion
Briser les silos de données est fondamental pour le succès du STELLA PSS. Cette plateforme est conçue pour faciliter la surveillance des ravageurs dans divers contextes agricoles, avec pour objectif d’être générique et facilement extensible afin de surveiller d’autres régions géographiques et d’autres types de maladies. Pour atteindre cet objectif et permettre l’intégration de systèmes numériques de surveillance variés au sein du STELLA PSS, des standards largement acceptés (EPPO, BBCH et GeoJSON) sont utilisés, et les jeux de données sont fournis via le référentiel basé sur CKAN. Le résultat est une infrastructure numérique robuste, interopérable et pérenne, permettant une surveillance précise des ravageurs, favorisant la collaboration entre parties prenantes et soutenant la prise de décision éclairée dans les secteurs agricole et forestier.
Nous serons heureux de partager davantage de détails techniques et d’en discuter. Vous pouvez nous contacter par e-mail : .
