L'agriculture moderne est en pleine transformation grâce à l'intégration de technologies telles que l'intelligence artificielle et la vision par ordinateur. Au cœur de cette révolution se trouvent les datasets en agriculture, indispensables pour entraîner les modèles et développer des solutions innovantes. Voici une sélection des 15 meilleurs datasets qui peuvent contribuer à faire avancer la recherche et l'application technologique dans le domaine agricole.

Types de Dataset en Agriculture

‍

1. Images de Cultures et de Maladies

Ces datasets contiennent des images de plantes saines et malades, permettant aux modèles de vision par ordinateur de détecter et diagnostiquer les maladies des cultures. Par exemple, le PlantVillage Dataset offre une vaste collection d'images pour diverses cultures et maladies.

‍

2. Données du Sol

Incluant des informations sur la composition, la texture et la fertilité du sol, ces datasets aident à optimiser l'utilisation des engrais et à améliorer la gestion des terres.

‍

3. Données Météorologiques

Les données climatiques historiques et en temps réel sont importantes car elles peuvent être utilisées pour prévoir les rendements des cultures et planifier les activités agricoles.

‍

4. Imagerie Satellite

Les 🔗 images satellites fournissent une vue d'ensemble des champs, aidant à surveiller la santé des cultures, la couverture végétale et la détection des anomalies.

‍

5. Données de Rendement

Ces données permettent d'analyser la productivité des cultures en fonction de différents facteurs comme les pratiques agricoles, les conditions du sol et le climat.

‍

Notre top 15 des meilleurs datasets pour l'agriculture

1. PlantVillage Dataset

Description : Un des plus grands datasets d'images de feuilles de plantes saines et malades, couvrant 38 classes de maladies sur 14 cultures différentes.

Utilisation : Détection et classification des maladies des plantes à l'aide de la vision par ordinateur.

‍

Lien : 🔗 PlantVillage

‍

2. Agriculture-Vision Dataset

Description : Comprend plus de 94 000 images aériennes annotées de champs agricoles avec diverses anomalies telles que les mauvaises herbes, les zones sèches et les dégâts causés par les insectes.

Utilisation : Détection des anomalies dans les cultures pour améliorer la surveillance agricole.

‍

Lien : 🔗 Agriculture-Vision

‍

3. Open Images Dataset for Agriculture

Description : Un sous-ensemble du Open Images Dataset spécialement annoté pour les objets agricoles, y compris les machines, les animaux de ferme et les cultures.

Utilisation : Reconnaissance et 🔗 détection d'objets spécifiques à l'agriculture dans les images.

‍

Lien : 🔗 Open Images

‍

4. Sentinel-2 Satellite Imagery

Description : Jeu de données d’imagerie satellitaire multispectrale à haute résolution fourni par l’Agence Spatiale Européenne, couvrant l’ensemble du globe.

Utilisation : Surveillance des cultures, analyse de la santé des plantes, création d'une carte pour la cartographie thématique des sols et des cultures.

‍

Lien : 🔗 ESA Sentinel-2

‍

5. Soil Moisture Active Passive (SMAP) Dataset

Description : Données satellitaires fournissant des mesures précises de l'humidité du sol à l'échelle mondiale.

Utilisation : Gestion de l'irrigation, prévision des sécheresses, modélisation climatique.

‍

Lien : 🔗 NASA SMAP

‍

6. FAO Statistical Database (FAOSTAT)

Description : La base de données statistiques mondiale de la FAO sur l’agriculture, y compris la production, le commerce, les prix et l’utilisation des terres.

Utilisation : Analyse des tendances agricoles mondiales, recherche économique, et évaluation de l'impact de la politique agricole commune sur les pratiques agricoles et l'utilisation des sols.

‍

Lien : 🔗 FAOSTAT

‍

7. USDA National Agricultural Statistics Service (NASS)

Description : Données détaillées sur l’agriculture aux États-Unis, incluant les rendements, les pratiques culturales et les statistiques économiques. L'USDA NASS fournit des services essentiels en collectant et en diffusant ces données agricoles.

Utilisation : Études de marché, planification agricole, analyse des politiques.

‍

Lien : 🔗 USDA NASS

‍

8. DeepWeeds Dataset

Description : Un dataset de plus de 17 000 images annotées de mauvaises herbes communes dans les environnements agricoles australiens.

Utilisation : Développement de systèmes de détection automatique des mauvaises herbes.

‍

Lien : 🔗 DeepWeeds

‍

9. European Soil Database (ESDB)

Description : Une base de données détaillée sur les caractéristiques des sols européens, y compris la texture, la composition chimique et les propriétés physiques.

Utilisation : Gestion durable des sols, planification de l'utilisation des terres.

‍

Lien : 🔗 ESDAC

‍

10. Radiant MLHub Agriculture Datasets

Description : Une plateforme offrant des datasets ouverts pour l’apprentissage automatique en observation de la Terre, axés sur l’agriculture. Radiant MLHub propose des open data pour des applications de machine learning, notamment en agriculture.

Utilisation : Classification des cultures, détection des changements, analyse de la santé des plantes.

‍

Lien : 🔗 Radiant MLHub

‍

11. Crop Yield Prediction Dataset (Kaggle)

Description : Données comprenant les rendements historiques des cultures, les conditions météorologiques et les caractéristiques du sol.

Utilisation : Modélisation et prédiction des rendements des cultures.

‍

Lien : 🔗 Kaggle Crop Yield Prediction

‍

12. Global Food Prices Database

Description : Données sur les prix mondiaux des denrées alimentaires, collectées par le Programme Alimentaire Mondial. Le dataset inclut des données sur la part de différents articles alimentaires dans les prix mondiaux des denrées.

Utilisation : Analyse économique, étude de la sécurité alimentaire.

‍

Lien : 🔗 WFP Data

‍

13. CropDeep Dataset

Description : Une collection d'images pour la reconnaissance des cultures et la détection des maladies, couvrant plusieurs espèces végétales.

Utilisation : Classification des cultures, diagnostic des maladies.

‍

Lien : 🔗 CropDeep

‍

14. CGIAR Big Data Platform

Description : Datasets ouverts sur l'agriculture dans les pays en développement, couvrant les cultures, le climat, le sol et plus encore.

Utilisation : Recherche en agriculture durable, adaptation au changement climatique.

‍

Lien : 🔗 CGIAR Platform

‍

15. UCI Machine Learning Repository - Mushroom Dataset

Description : Données détaillées sur les caractéristiques physiques de différentes espèces de champignons.

Utilisation : Classification des espèces, études toxicologiques.

‍

Lien : 🔗 UCI Mushroom Dataset

‍

Où Trouver des Datasets pour l'agriculture ?

‍

Trouver le bon dataset pour vos projets agricoles peut être un défi. Voici quelques sources et plateformes où vous pouvez accéder à une variété de datasets en agriculture :

‍

Plateformes Spécialisées

• Kaggle : Une plateforme en ligne qui héberge une multitude de datasets publics, y compris ceux liés à l'agriculture. Vous pouvez y trouver des données pour la vision par ordinateur, l'analyse prédictive et plus encore.

‍

Lien : 🔗 Kaggle datasets

‍

• Radiant MLHub : Fournit des datasets ouverts pour l'apprentissage automatique en observation de la Terre, axés sur l'agriculture et la durabilité environnementale.

‍

Lien : 🔗 Radiant MLHub

‍

Institutions de Recherche et Universités

• CGIAR : Le Consortium international pour la recherche agricole offre une plateforme de données ouverte qui facilite l'accès à une multitude de datasets agricoles, notamment dans les pays en développement.

‍

Lien : 🔗 CGIAR Big Data Platform

‍

• INRAE : L'Institut national de recherche pour l'agriculture, l'alimentation et l'environnement en France publie des données et des ressources pour la recherche agricole.

‍

Lien : 🔗 INRAE Data

‍

Organisations Gouvernementales et Internationales

• FAO : L’Organisation des Nations unies pour l’alimentation et l’agriculture fournit une variété de jeux de données statistiques mondiales sur l’agriculture via sa base de données FAOSTAT.

‍

Lien : 🔗 FAOSTAT

‍

• USDA : Le Département de l’Agriculture des États-Unis propose des jeux de données détaillées sur l’agriculture américaine, utiles pour des analyses comparatives ou des études de marché.

‍

Lien : 🔗 USDA NASS

‍

‍

Communautés en en ligne et réseaux sociaux

• GitHub : De nombreux chercheurs et développeurs partagent leurs datasets et leurs codes sources sur GitHub, ce qui peut être une excellente ressource pour trouver des données spécifiques.

‍

Lien : 🔗 GitHub

‍

• Forums spécialisés : Des plateformes comme Stack Overflow, Reddit ou des groupes LinkedIn peuvent être utiles pour demander des recommandations de datasets ou partager des ressources avec la communauté.

‍  

Conclusion

‍

L'accès à des datasets de haute qualité est déterminant pour stimuler l'innovation dans l'agriculture. Les datasets en agriculture que nous vous avons présenté dans cet article offrent des ressources précieuses pour la recherche et le développement de solutions technologiques visant à améliorer la productivité, la durabilité et l'efficacité du secteur agricole. En exploitant ces données, les leaders de l'agroalimentaire et les startups innovantes contribuent à relever les défis mondiaux liés à la sécurité alimentaire et au changement climatique.