L’agriculture verticale urbaine se transforme grâce aux capteurs intelligents et à l’IA. Cet article montre comment les capteurs environnementaux et de croissance, malgré certaines limites techniques et opérationnelles, ouvrent la voie à des systèmes auto-ajustables capables d’adapter les paramètres en temps réel. L’IA optimise ensuite les cycles de culture, anticipe les fenêtres idéales de récolte et automatise les décisions. Enfin, son rôle en sélection variétale est illustré par une étude de cas menée à Chengdu, révélant son potentiel à accroître les rendements, la stabilité et la résilience des environnements contrôlés.
LAROUCHE, M., OUELLET-PLAMONDON, C., & GODBOUT, S. (2026). L’ intelligence artificielle pour optimiser les cycles de croissances en serres intelligentes contrôlés. Innovations Agronomiques, (111). Consulté à l’adresse https://ojs.ptl.ovh/index.php/iag/article/view/186
L’intelligence artificielle pour optimiser les cycles de croissances en serres intelligentes contrôlés
1. Introduction
L’agriculture représente un secteur clé de l’économie mondiale et elle est confrontée à des défis croissants liés à l’augmentation de la population mondiale, au changement climatique et à la nécessité d’une production alimentaire durable en pleine évolution. Les serres intelligentes, qui combinent des technologies avancées pour optimiser les conditions de croissance, offrent des solutions prometteuses pour répondre à ces enjeux. Cependant, la gestion des cycles de croissance dans ces environnements contrôlés demeure complexe, nécessitant des approches innovantes pour maximiser l’efficacité et minimiser les impacts environnementaux.
L’intelligence artificielle (IA), entendue comme « un système fondé sur des machines capables de formuler des prédictions, recommandations ou décisions selon des objectifs définis » (OCDE, 2021), joue un rôle crucial dans cette transformation, offrant des outils puissants pour analyser de vastes quantités de données en temps réel, prédire les besoins des cultures et automatiser les processus de gestion. Les systèmes d’IA intégrés aux structures des serres intelligentes permettent d’optimiser des paramètres clés tels que la température, l’humidité, la lumière et les nutriments, permettant ainsi des conditions idéales pour la croissance des plantes. Toutefois, malgré ces avancées, plusieurs défis subsistent. La complexité des interactions entre les différents paramètres de croissance, les besoins spécifiques des plantes et les variations climatiques locales exigent des solutions encore plus performantes et adaptées. Dans ce contexte, cet article s’intéresse à l’application de l’intelligence artificielle pour optimiser les cycles de croissance en serres intelligentes contrôlées. Plus spécifiquement, il vise à répondre à la problématique suivante ; comment l’intégration des systèmes d’IA peut aider à dynamiser et fournir un soutien aux conditions changeantes d’une serre et permettre d’optimiser les cycles de croissance en fonction des besoins spécifiques des plantes ?
Les avancées récentes dans le domaine, telles que celles présentées par Cao et al., démontrent « l’efficacité de l’IA pour le contrôle autonome des serres en utilisant des processus de décision de Markov et des simulateurs basés sur des réseaux neuronaux » (Cao et al, 2021). De manière similaire, les travaux d’Alhnaity, B., Pearson, S., & Kollias, mettent en lumière « l’utilisation de l’apprentissage pour prédire la croissance des plantes et le rendement dans des environnements contrôlés » (d’Alhnaity, B., Pearson, S., & Kollias,2019). Ces études illustrent le potentiel des technologies basées sur l’IA pour résoudre les défis de la gestion en temps réel et de l’optimisation des paramètres de croissance. Il est important de souligner, l’importance de l’intégration de l’Internet des objets et de l’apprentissage automatique pour surveiller et ajuster de façon dynamique et en temps réel les paramètres environnementaux. (Wang et al. 2024) De plus, les interactions complexes entre technologies, environnement et efficacité des ressources, renforçant ainsi les perspectives de l’IA dans l’agriculture urbaine et durable.
Les articles de recherche qui ont été étudiés et publiés dans ce travail ont mis en évidence les avancées technologiques dans le domaine des serres intelligentes et les limites des approches traditionnelles. Elles ont également souligné le potentiel de l’IA à adresser ces lacunes en combinant analyse prédictive, automatisation et gestion en temps réel. En articulant les résultats obtenus avec les perspectives théoriques et pratiques, cet article contribue au démarrage des réflexions sur l’avenir de l’agriculture intelligente et durable.
2. Intégration des capteurs de contrôle en agriculture et serres verticales contrôlées
L’agriculture de précision est une approche moderne qui utilise des technologies numériques pour optimiser les processus de production agricole. L’importance des capteurs de contrôle dans cette industrie joue un rôle central en fournissant des données précises sur divers paramètres environnementaux et agronomiques. Cela permet une gestion plus efficace des ressources.
Par exemple, des capteurs embarqués sur les équipements agricoles, associés à des systèmes de positionnement par GPS, permettent de générer des cartes de rendement détaillées, facilitant l’application ciblée d’intrants tels que les engrais et les pesticides. (Dominique Buffer, R. Oger, 2000) Dans ce contexte, il est essentiel de distinguer les capteurs traditionnels des capteurs intelligents. Un capteur intelligent est un dispositif qui combine un élément de mesure avec des capacités de traitement embarquées lui permettant d’interpréter les données, de s’adapter aux variations et d’ajuster automatiquement son comportement sans intervention humaine. Cette définition souligne que l’IoT n’est pas une forme d’intelligence, mais plutôt une technologie de communication permettant aux capteurs de transmettre ses données à distance. La photo 1 illustre un système de capteurs et de contrôle en serre verticale de Aqua verti Farms.
À gauche, on observe l’intérieur d’une serre verticale appartenant à Aqua Verti Farms. Des structures métalliques supportent plusieurs niveaux d’étagères de culture superposées, sur lesquelles poussent des plantes cultivées hors-sol.
À droite, une tablette fixée au mur affiche une interface numérique de suivi et de contrôle.
Cette convergence permet une surveillance en temps réel permettant l’optimisant de la gestion des cultures et promouvant la durabilité dans le secteur agricole. Dans les serres intelligentes, l’utilisation de l’IA ne se limite pas à vérifier que les paramètres environnementaux restent dans une certaine plage. Elle sert plutôt à comprendre comment ces paramètres réagissent ensemble d’un moment à l’autre. L’IA observe ces variations en continu et ajuste les conditions au fur et à mesure, ce que les anciens systèmes à seuils fixes ne pouvaient pas vraiment faire. Cette capacité à lire la situation en temps réel permet aussi d’anticiper ce qui s’en vient. Par exemple, certains modèles d’apprentissage automatique sont capables de repérer des signes précurseurs d’un stress physiologique, bien avant que les symptômes ne soient visibles à l’œil nu. Ils peuvent faire des recommandations tel qu’un changement dans la lumière, de réaliser une fertilisation et même d’aider à mieux répartir l’énergie selon le stade de développement des cultures (Benos et al., 2021). Même dans un environnement contrôlé, cette approche améliore la stabilité des rendements et rend les opérations globalement plus efficaces et plus durables.
Le contexte spécifique des serres verticales contrôlées représente une évolution innovante dans le domaine de l’agriculture urbaine, permettant de cultiver des plantes en couches superposées dans des environnements contrôlés. Cette méthode optimise l’utilisation de l’espace et des ressources, tout en augmentant le rendement des cultures. L’intégration de capteurs dans ces systèmes est essentielle pour surveiller et réguler des paramètres critiques tels que la température, l’humidité, le CO₂, le pH et la conductivité électrique des solutions nutritives. Par exemple, l’utilisation de capteurs pour mesurer ces variables permet d’assurer un environnement optimal pour la croissance des plantes, améliorant ainsi la qualité et la quantité des récoltes. (Vaisala, 2023) De plus, les serres verticales utilisent souvent des systèmes hydroponiques ou aéroponiques, où les plantes sont cultivées sans sol, nécessitant une surveillance précise des nutriments et des conditions environnementales. Les capteurs jouent un rôle crucial dans la surveillance continue et la régulation de ces paramètres, garantissant une croissance optimale des plantes et une utilisation efficace des ressources. (Creativ-serres.fr, 2024)
Même lorsqu’on contrôle l’ensemble des paramètres, les serres verticales présentent une variabilité interne qui reste parfois difficile à éviter. Le fait d’empiler les cultures sur plusieurs niveaux peut créer des microclimats différents. Par exemple, la lumière ne se répartit pas de manière uniforme, la chaleur s’accumule parfois davantage à certains endroits, l’humidité varie d’un étage à l’autre et la circulation d’air n’est jamais parfaitement égale. À cela s’ajoutent des facteurs liés aux plantes elles-mêmes, comme la densité de feuillage, les différences entre les stades de croissance ou encore les besoins changeants en nutriments. Les interactions entre la photopériode, le CO₂ et la température compliquent davantage la situation. (Beacham et al., 2019). C’est précisément pour cette raison que l’utilisation de l’IA devient pertinente. Elle permet de saisir ces interactions complexes, d’ajuster automatiquement les paramètres lorsqu’un écart se manifeste, et d’optimiser la croissance de manière continue plutôt que ponctuelle
2.1. Typologie des capteurs utilisés
Les capteurs environnementaux sont essentiels pour surveiller et réguler les conditions climatiques à l’intérieur des serres verticales. Les capteurs environnementaux contrôlent plusieurs paramètres, tout d’abord, le contrôle de la température. Les capteurs de température permettent de maintenir un climat optimal pour la croissance des plantes. Une température inappropriée peut ralentir la photosynthèse et affecter le développement des cultures. Par la suite, les capteurs d’humidité relative mesurent la teneur en vapeur d’eau dans l’air. Une humidité excessive peut favoriser le développement de maladies fongiques, tandis qu’une humidité insuffisante peut entraîner un stress hydrique pour les plantes. Il est également important d’utiliser des capteurs de CO₂ qui surveillent les niveaux de ce gaz, essentiel à la photosynthèse. Une concentration adéquate de CO₂ peut améliorer le rendement des cultures. Toute culture a besoin d’une bonne dose de luminosité, les capteurs de lumière mesurent l’intensité lumineuse, garantissant que les plantes reçoivent la quantité appropriée de lumière pour la photosynthèse. (Novagric, 2025)
Dans les systèmes de culture en substrat ou hydroponique, la surveillance du milieu de culture est cruciale. Il faut donc penser à introduire des capteurs de substrats pouvant mesurer l’humidité du substrat. Ces capteurs mesurent la teneur en eau du substrat, garantissant que les plantes disposent d’une hydratation adéquate sans excès. Les capteurs de pH surveillent l’acidité ou l’alcalinité du substrat ou de la solution nutritive, des facteurs qui influencent l’absorption des nutriments par les plantes. Il est possible d’ajouter des capteurs spécifiques pouvant détecter les concentrations de nutriments essentiels dans la solution nutritive, assurant un apport équilibré pour une croissance optimale. Afin d’évaluer la croissance, des caméras multispectrales et des capteurs de biomasse peuvent évaluer la santé et le développement des plantes. Les caméras multispectrales, des images à différentes longueurs d’onde, permettant d’analyser des indicateurs tels que l’indice de végétation par différence normalisée (NDVI), qui reflète la vigueur et la santé des plantes. Les capteurs de biomasse, quant à eux, estiment la masse végétale en mesurant des paramètres comme la réflectance de la canopée, fournissant des informations sur la croissance et le rendement potentiel.
L’intégration de l’Internet des objets (IoT) dans les serres verticales permet une gestion centralisée et automatisée des données. Les capteurs connectés sans fil transmettent des données en temps réel à une unité centrale, éliminant le besoin de câblage complexe et facilitant l’installation et la maintenance. Les systèmes « Cloud computing » collectent des données qui seront entreposées et analysées sur des plateformes cloud (nuage), offrant des capacités de traitement avancées et un accès à distance pour la surveillance et le contrôle. (Hello Future, 2024)
2.2. Émergence des capteurs intelligents autoajustables
Les capteurs intelligents autoajustables occupent aujourd’hui une place centrale dans l’évolution des serres verticales contrôlées. Ces environnements, organisés en étages et très densément plantés, créent naturellement une multitude de petits microclimats qui changent rapidement. Il faut mentionner par exemple les variations de lumière entre les niveaux, l’humidité changeante, les écarts de température autour des panneaux D.E.L. ou encore la fluctuation de CO₂ selon la circulation d’air. Ce type de variabilité est beaucoup plus marqué que dans les serres traditionnelles ou en agriculture en sol, ce qui oblige à suivre de près ce qui se passe à l’intérieur des systèmes.
Pour arriver à capter cette dynamique fine, on utilise de plus en plus des capteurs issus de la microtechnologie et de la nanotechnologie, des MEMS, ou encore de l’électronique flexible. Cette dernière renvoie à des dispositifs électroniques déposés sur des matériaux souples, légers et minces, capables d’épouser la forme des feuilles ou des tiges sans nuire à leur croissance. Par exemple, certains capteurs nanofilms peuvent mesurer directement la transpiration ou la température foliaire. Il existe également d’autres produits, basés sur des microfluides, qui suivent en continu le pH, les nutriments ou l’électroconductivité dans les réseaux hydroponiques. Cela répond à un besoin important pour les serres verticales où l’eau circule rapidement et où les variations sont fréquentes. On trouve aussi des capteurs intégrés aux modules d’éclairage, qui ajustent automatiquement le spectre ou l’intensité lumineuse, ainsi que des nanocapteurs capables de détecter très tôt certains composés organiques volatils liés au stress ou aux maladies.
Ce qui rend ces capteurs essentiels, c’est qu’ils génèrent des données riches et continues, suffisamment détaillées pour être interprétées par des modèles d’intelligence artificielle. Dans un contexte où les conditions peuvent changer en quelques minutes, l’IA devient un outil indispensable pour repérer des tendances, anticiper un stress physiologique ou ajuster automatiquement l’irrigation et la lumière avant même que des symptômes apparaissent. (Kim et al., 2024) Grâce à ces technologies autoajustables, il devient enfin possible de gérer les serres verticales non pas comme un espace homogène, mais comme un environnement vivant et dynamique, dont les paramètres doivent être ajustés en continu (Zhang et al., 2025 ; Rogers et al., 2023).
2.2.1 Nouvelles solutions de stockage et d’analyse des données
L’utilisation croissante de capteurs intelligents dans les serres verticales génère une bonne quantité de données. Beaucoup plus importante que ce que les systèmes agricoles traditionnels devaient traiter. Ces capteurs alimentent en continu des plateformes d’acquisition qui regroupent les mesures environnementales, physiologiques et opérationnelles provenant de chaque étage et de chaque zone de culture. Comme ces données s’accumulent rapidement, il devient nécessaire de disposer de stratégies et d’outils pour les entreposer, les organiser et les rendre accessibles. Les infrastructures souvent basées sur l’IoT et sur les plateformes informatiques en nuage « Cloud computing » sont robustes et très performantes. La figure 1 représente le cycle de gestion des données collecté à la culture jusqu’à la prise décisionnelle vers l’intervention.
La figure présente un schéma conceptuel organisé en une succession d’étapes reliées entre elles, formant une boucle.
La première étape, située à gauche, correspond à la culture, représentée par une icône de plante, les cultures sont observées grâce à des capteurs. Ces données sont transmises à une plateforme, illustrée par un pictogramme de tracteur.
La plateforme alimente ensuite une étape de gestion des données, représentée par un pictogramme d’écran d’ordinateur. Les données collectées sont traitées par intelligence artificielle. À partir de ces données, une phase de décision intervient, soutenue par des outils.
Les décisions prises conduisent ensuite à une phase d’intervention, symbolisée par un pictogramme de calendrier. Enfin, les interventions réalisées influencent à nouveau l’état des cultures, ce qui alimente un nouveau cycle de collecte d’informations par les capteurs.
Là où l’intelligence artificielle devient essentielle, c’est dans l’exploitation de ces bases de données volumineuses. Les modèles d’IA ne se contentent pas d’analyser des valeurs isolées ; ils examinent les liens entre les multiples variables enregistrées simultanément. Ils peuvent repérer des tendances qui ne seraient pas visibles autrement, détecter des changements subtils dans le comportement des plantes ou dans les conditions de culture, et proposer des ajustements avant même que le problème n’apparaisse. Dans plusieurs systèmes déjà en déploiement, l’IA traite les données issues des capteurs pour formuler des recommandations en temps réel, ce qui aide les producteurs à prendre des décisions plus éclairées et à améliorer l’efficacité générale des opérations (FAO, 2020).
2.2.2 Impact des avancées en nanotechnologie et en bio-capteurs
Avec l’arrivée des nanotechnologies, les capteurs sont devenus plus sensibles que ceux utilisés jusqu’à récemment en agriculture. Il faut mentionner les nanobiosenseurs qui, actuellement, occupent une place importante. Ils peuvent réagir à des signaux biologiques très faibles, bien avant que les plantes ne montrent des signes visibles de stress. Puisque les conditions dans les serres verticales changent rapidement d’un étage à l’autre, cette sensibilité devient particulièrement utile. Certains nanocapteurs à base de nanoparticules métalliques ou de nanofils peuvent détecter la libération de composés organiques volatils associés à l’infection par un pathogène, parfois plusieurs heures avant l’apparition des premiers symptômes. D’autres dispositifs, intégrés directement dans les systèmes hydroponiques, réagissent à de légères variations dans les ions nutritifs et permettent d’ajuster rapidement les solutions fertilisantes. (Singh P. et al., 2025)
Les systèmes d’IA peuvent donc plus facilement exploiter ces données pour identifier des tendances subtiles. Les modèles prédictifs deviennent alors capables de distinguer un simple ajustement physiologique d’un stress émergent, ce qui aide à intervenir au bon moment plutôt que trop tard (Miguel-Rojas & Pérez-de-Luque, 2023). Au-delà de la détection précoce, ces nanobiosenseurs contribuent surtout à une gestion plus réactive des cultures, particulièrement dans des environnements denses et modulaires comme les serres verticales, où les microvariations ont un impact direct sur la croissance.
Les outils d’imagerie multispectrale ou hyperspectrale sont utiles pour suivre l’état général des plantes, mais ils peinent souvent à distinguer clairement l’origine des stress. Une même variation de réflectance peut être causée par un manque d’eau, un excès de nutriments ou le début d’une infection, ce qui limite la capacité d’intervention précise. C’est pour dépasser cette difficulté que les nanobiosenseurs deviennent particulièrement intéressants. La figure 2 ci-dessous, illustre les éléments clés de ces dispositifs. Un biorecepteur spécifique à la molécule cible, une nanoparticule jouant le rôle de transducteur et un système de détection permettant de convertir cette interaction en un signal mesurable. Ce couplage direct entre la cible biologique et le signal produit permet d’obtenir une information beaucoup plus spécifique qu’avec les approches basées uniquement sur la réflectance, ce qui ouvre la voie à une détection précoce et mieux discriminée des stress biotiques et abiotiques.
La figure présente un schéma structuré en plusieurs niveaux.
À gauche, quatre étapes principales sont indiquées :
« Détection : dispositifs qui détectent et amplifient le signal du transducteur » ;
« Transducteur : transforme le signal chimique en signal physique » ;
« Bio récepteur : enzymes, anticorps, oligonucléotides… »
« Analyse : échantillon à détecter ».
2.2.3 Importance de coupler capteurs avec l’intelligence artificielle pour optimiser les serres verticales
L’intégration de capteurs intelligents dans les serres verticales constitue effectivement la base d’une boucle de régulation classique afin de mesurer un paramètre, d’ajuster la consigne et stabiliser le système. Cependant, l’apport de l’intelligence artificielle dépasse cette logique corrective. Dans les environnements très denses et à étages tels que l’agriculture verticale, les capteurs génèrent un volume de données difficile à interpréter en temps réel par un opérateur. L’IA permet alors d’identifier des tendances, d’anticiper des dérives avant qu’elles ne deviennent mesurables et d’ajuster les paramètres de manière proactive.
Concrètement, certains modèles prédictifs peuvent estimer l’évolution du microclimat selon la charge végétale ou le stade phénologique, tandis que des algorithmes d’apprentissage détectent des combinaisons de signaux tels que la variation lumineuse, la respiration foliaire et le stress hydrique. Cette capacité à apprendre du comportement réel des cultures et à optimiser les consignes en continu constitue la véritable valeur ajoutée de l’IA dans les serres verticales.
Le système iGrow représente bien l’évolution des outils de contrôle utilisés en serre verticale. Il combine un réseau de capteurs (température, humidité, pH, CO₂) à des algorithmes d’apprentissage automatique capables d’ajuster le climat et les apports nutritifs. Ces approches contribuent à réduire les fluctuations microclimatiques qui persistent malgré les contrôles classiques, notamment en raison de la densité de plantation et de la superposition des étages, deux sources de variabilité propres aux serres verticales. (Xiaoyan Cao et al. 2021)
D’autres applications renforcent cette tendance. Certaines installations commerciales on recourent à la vision par ordinateur pour suivre l’état des plantes en continu, tandis que des modèles prédictifs sont utilisés pour anticiper la croissance selon le stade phénologique. (Dhanya et al. 2022) Ces outils d’IA sont surtout pertinents lorsqu’il devient difficile pour un opérateur humain de traiter le volume et la fréquence des données générées par ces environnements hautement instrumentés. Dans ce contexte, l’IA ne remplace pas les systèmes de contrôle existants. Elle intervient plutôt pour gérer la variabilité résiduelle et soutenir les ajustements plus précis ce qui permet d’offrir des améliorations mesurables en stabilité, en rendement et en efficacité énergétique. (Zou et al. 2023)
3. L’intelligence artificielle, optimisez les temps de cycles en temps réel
Comme présenté jusqu’à présent, l’agriculture moderne est confrontée à des défis croissants, notamment la variabilité climatique, la gestion optimale des ressources et la nécessité d’accroître les rendements pour répondre à une demande alimentaire mondiale en constante augmentation. Si ces enjeux concernent l’ensemble des systèmes agricoles, l’émergence des technologies numériques et de l’intelligence artificielle (IA) ouvre de nouvelles perspectives pour l’optimisation dynamique des cycles de production, en particulier dans les environnements agricoles fortement instrumentés.
En agriculture contrôlée, et plus spécifiquement dans les serres verticales, les cycles de production englobent une succession de phases étroitement interconnectées, allant de la préparation des installations à la récolte, en passant par la croissance des cultures et la gestion continue des paramètres environnementaux. Contrairement à l’agriculture en plein champ, ces systèmes reposent sur un contrôle presque intégral des conditions de culture (lumière, température, humidité, nutriments, CO₂), générant une forte densité de données et une variabilité intra-système persistante liée aux interactions complexes entre les paramètres.
En serres verticales, l’IA permet maintenant d’affiner cette planification en analysant des données en temps réel telles que les conditions et les paramètres de croissances. Optimiser les temps de cycles signifie réduire les périodes improductives et synchroniser les différentes étapes de la production pour tirer le meilleur parti des ressources disponibles. L’IA joue un rôle crucial en fournissant des analyses prédictives et des recommandations en temps réel, permettant aux agriculteurs de prendre des décisions éclairées. Par exemple, des systèmes de gestion des cultures intégrant l’IA et des capteurs peuvent ajuster automatiquement les conditions environnementales dans les serres pour favoriser une croissance optimale, améliorant ainsi les rendements et la rentabilité.
3.1 Le rôle de l’IA dans l’optimisation des cycles et récolte des serres verticales
L’essor des serres verticales repose sur l’intégration de technologies avancées permettant d’optimiser les cycles de culture et d’améliorer la productivité. Bien que la mesure et le pilotage de paramètres tels que l’irrigation, la lumière ou la fertilisation existent déjà en agriculture, les serres verticales se distinguent par un niveau élevé de complexité systémique et par l’interdépendance étroite de multiples variables environnementales et biologiques. L’intelligence artificielle (IA) joue alors un rôle central en exploitant les données issues des capteurs environnementaux permettant ainsi de maximiser l’efficacité des ressources (eau, énergie, nutriments) tout en réduisant les pertes et en garantissant des récoltes optimales.
Dans les serres verticales, l’intégration de capteurs IoT (Internet des Objets) permet à l’intelligence artificielle (IA) de jouer un rôle clé non pas uniquement dans l’automatisation, mais dans la capacité à analyser en continu de grandes quantités de données issues des capteurs IoT afin d’anticiper les variations, d’analyser des objectifs parfois contradictoires (rendement, qualité, consommation énergétique) et de soutenir une prise de décision autonome en temps réel. Cette approche permet de dépasser des stratégies de contrôle statiques ou basées sur des seuils fixes, en adaptant dynamiquement les cycles de culture aux réponses physiologiques des plantes et aux conditions internes du système.
L’application d’algorithmes de « machine learning » sur les données collectées permet de développer des modèles prédictifs capables d’anticiper les besoins des cultures. Ces modèles peuvent prévoir des variables telles que la croissance des plantes, les besoins en nutriments, ou l’apparition potentielle de maladies, en se basant sur des tendances historiques et des conditions actuelles. Dans ce contexte, le pilotage des serres verticales peut être formalisé comme un processus de décision markovien, dans lequel l’état du système (conditions environnementales et physiologiques des plantes) évolue en fonction des actions de contrôle appliquées (irrigation, éclairage, fertilisation) et génère une récompense associée à la performance du système. Cette modélisation est particulièrement adaptée aux serres verticales, où les décisions doivent être prises de manière séquentielle, sous incertitude, et en tenant compte d’interactions complexes entre variables. Par exemple, dans une étude intitulée « IGrow : A Smart Agriculture Solution to Autonomous Greenhouse Control »Sutton,n Cao. Et al. 2021) propose une solution d’agriculture intelligente pour le contrôle autonome des serres. Les auteurs de cet article formulent le problème du contrôle autonome des serres comme un processus de décision markovien et conçoivent un simulateur basé sur un réseau neuronal pour optimiser les stratégies de contrôle. Les résultats montrent une augmentation significative du rendement des cultures et du profit net grâce à cette approche basée sur l’IA.
3.2 Méthodes d’optimisation des cycles de croissance par l’IA pour les serres verticales
La modélisation des cycles de croissance consiste à créer des modèles prédictifs permettant d’identifier les phases optimales de développement des cultures. Ces modèles se basent sur des données climatiques, nutritionnelles et de croissance pour ajuster dynamiquement les paramètres de culture et maximiser le rendement. Dans ce contexte, l’apprentissage automatique supervisé repose sur l’utilisation de données étiquetées, pour lesquelles une expertise ou une validation extérieure définit les résultats attendus. Les modèles sont ainsi entraînés à reproduire une solution prédéfinie, par exemple en prédisant des besoins nutritionnels ou des rendements cibles. À l’inverse, l’apprentissage non supervisé s’appuie sur des données non étiquetées, des schémas cachés dans les données et permet d’ajuster les stratégies de culture de manière plus flexible et autonome. Les solutions auxquelles converge le modèle ne sont donc pas nécessairement anticipées, ce qui permet d’explorer des dynamiques de croissance ou des interactions encore peu connues (IBM, 2025).
Si les approches supervisées et non supervisées permettent d’analyser et de modéliser les dynamiques de croissance des cultures, la mise en œuvre opérationnelle de ces connaissances pose un autre défi. Il faut déterminer, parmi un grand nombre de paramètres interdépendants, les combinaisons de réglages les plus performantes. Dans les serres verticales, cette problématique est particulièrement marquée en raison des cycles de culture, qui doivent concilier rendement, qualité des plantes et efficacité énergétique. Les algorithmes génétiques et l’optimisation par essaim de particules (PSO) sont des techniques bio-inspirées utilisées pour rechercher les combinaisons optimales de paramètres de culture. Les algorithmes génétiques imitent le processus de sélection naturelle en générant des solutions possibles et les affinent au fil des générations via des mécanismes tels que la mutation et le croisement. (Chagra Bassem, 2016) La figure 3 démontre l’application de l’algorithme PSO et le lien avec le cycle de culture optimisé. Ces approches sont particulièrement efficaces pour optimiser des paramètres tels que l’irrigation, l’intensité lumineuse et la concentration en nutriments. L’optimisation par essaim de particules (PSO) repose sur le comportement collectif des agents simulés, appelés particules, qui interagissent pour explorer l’espace de recherche. Chaque particule ajuste sa position en fonction de sa propre expérience et de celle des autres particules, ce qui permet une convergence rapide vers les solutions optimales. Par exemple, il a été démontré que l’utilisation combinée de ces deux méthodes permettait d’améliorer considérablement l’efficacité énergétique et la gestion des ressources en serre. (Hasni, A., & Taibi, R. 2011)
Le schéma de gauche présente un schéma décrivant le fonctionnement général de l’algorithme d’optimisation par essaim de particules (PSO, Particle Swarm Optimization). Le processus débute par une phase d’initialisation. Les positions et vitesses des particules sont ensuite mises à jour. Une étape d’évaluation suivi ensuite d’une condition de terminaison vérifiant si le critère d’arrêt est atteint. Si ce n’est pas le cas, l’algorithme poursuit le processus en identifiant la meilleure position atteinte par chaque particule ainsi que la meilleure position globale du groupe, puis répète le cycle d’optimisation. Si la condition de fin est remplie, l’algorithme s’arrête.
Le schéma de droite illustre l’application de ce modèle d’optimisation à un cycle de production agricole. Le cycle comprend plusieurs étapes : la préparation du sol, la plantation et la phase de cultivation. Il prend en compte différents paramètres, notamment les conditions environnementales, les pratiques agricoles et l’allocation des ressources, afin d’optimiser les décisions tout au long du cycle de culture.
De plus, dans un mémoire publié intitulé « Analyse des données d’infiltration par les techniques de l’intelligence artificielle », l’auteur utilise des algorithmes génétiques pour améliorer la valeur de l’erreur absolue obtenue par la méthode des réseaux de neurones convolutifs (CNN), démontrant ainsi l’efficacité de cette approche pour l’optimisation des paramètres. (Donia Toumi, 2023) Dans cette étude, les CNN sont utilisées dans un cadre d’apprentissage supervisé, où les données d’entrée sont associées à des valeurs de référence afin d’entraîner le modèle. Les résultats démontrent que la combinaison d’un modèle supervisé avec des techniques d’optimisation bio-inspirées permet d’améliorer significativement la performance prédictive, illustrant ainsi l’intérêt de ces approches hybrides pour l’optimisation des paramètres.
Les serres verticales optimisées par l’IA sont donc prometteuses. Les avancées technologiques promettent de nouvelles améliorations. L’évolution rapide des capacités de calcul, des capteurs intelligents et des algorithmes d’apprentissage ouvre la voie à des innovations de rupture. Ces innovations visent non seulement à améliorer la productivité, mais aussi à renforcer la durabilité et la résilience des systèmes agricoles face aux défis climatiques et environnementaux. Le tableau 1 propose quelques tendances et les perspectives d’innovation pour les serres verticales intégrant ces méthodes d’optimisation par l’IA. Les tendances présentées dans ce tableau sont issues d’une synthèse de la littérature scientifique et de rapports portant sur l’agriculture contrôlée, les serres verticales et l’intégration de l’intelligence artificielle. (Shi, W. et al. 2016) (Gubbi, J. et all 2013) (Laikos, K. G. et al. 2018).
Tendances et les perspectives d’innovation pour les serres verticales intégrant ces méthodes d’optimisation par l’IA
Explications
Informatique de pointe « Edge Computing »
Traite les données localement, plutôt que de les envoyer systématiquement vers un serveur central. Réduction de latence et améliore la réactivité des systèmes de gestion des serres verticales. Diminution de la consommation d’énergie liée au transfert de données et assure une meilleure autonomie des systèmes agricoles intelligents
Capteurs autoadaptatifs
Ajuste les paramètres de collecte en fonction des conditions environnementales et des besoins des plantes. Par exemple, un capteur d’humidité pourrait modifier sa fréquence de mesure en fonction des cycles d’arrosage, optimisant ainsi la collecte de données sans surcharger les réseaux de communication.
IA autoapprenante
Adaptabilité continue sans intervention humaine. Ils peuvent ajuster leurs modèles en fonction des nouvelles données collectées, ce qui permet une optimisation dynamique des conditions de croissance et une amélioration constante des rendements des serres verticales.
La section précédente met en évidence le rôle central de l’intelligence artificielle dans l’optimisation en temps réel des cycles de croissance en serres verticales. L’utilisation des données issues de capteurs et sur des méthodes d’optimisation telles que la PSO, permet à l’IA d’ajuster les paramètres de culture afin de réduire les temps de cycles tout en maintenant la productivité et la qualité des récoltes. L’approche présentée illustre comment l’IA dépasse une simple fonction de contrôle pour devenir un outil décisionnel capable de soutenir des stratégies de production plus efficaces, reproductibles et adaptées à la variabilité des systèmes de culture contrôlés.
4. Collecte de données par l’intelligence artifice afin de sélectionner les meilleures génétiques
L’agriculture contrôlée, comme présentée jusqu’à présent, repose sur des pratiques optimisées visant à maximiser le rendement des cultures. Parmi ces pratiques, la sélection variétale joue un rôle essentiel en permettant d’identifier et de cultiver les variétés génétiques les plus performantes selon des critères spécifiques tels que la résistance aux maladies, l’efficacité hydrique et la productivité. Traditionnellement, cette sélection repose sur des expérimentations en conditions réelles, un processus long et coûteux nécessitant des années d’essais avant d’obtenir des résultats concluants. Cependant, avec l’essor des technologies numériques et de l’intelligence artificielle (IA), de nouvelles approches émergent pour accélérer et affiner ce processus. L’IA permet d’analyser d’énormes volumes de données agronomiques issues de capteurs, d’images satellites, de bases de données génétiques et d’expérimentations en laboratoire. Grâce à des algorithmes avancés de « machine learning », il devient possible de prédire avec précision quelles variétés génétiques seront les mieux adaptées à un environnement donné.
La problématique centrale de cette étude est donc la suivante : comment identifier les variétés génétiques les plus performantes en fonction des conditions environnementales spécifiques ? Pour y répondre, cette partie explore le rôle fondamental de l’IA dans la collecte et l’analyse massive de données agricoles, en mettant en évidence les avantages de l’automatisation et de l’optimisation des processus de sélection génétique. Cette approche pourrait non seulement accélérer l’innovation en amélioration variétale, mais aussi favoriser une agriculture plus durable et résiliente face aux défis climatiques.
4.1 Sources de données pour la sélection génétique
La sélection génétique contribue aux avancements et à l’augmentation des performances pour les systèmes de production en serres verticales contrôlées. Cette sélection génétique repose sur l’exploitation conjointe de plusieurs sources de données, collectées en continu et intégrées dans des modèles d’analyse avancés. Ces données aide à identifier des génotypes mieux adaptés aux contraintes spécifiques de ces environnements hautement instrumentés. Parmi ces sources, on trouve les données phénotypiques. Ces données concernent les caractéristiques observables des organismes, tels que la croissance, le rendement et la résistance aux maladies. Elles sont essentielles pour évaluer l’expression des gènes dans des conditions environnementales spécifiques telles que les serres verticales contrôlées. Par exemple, les informations sur les performances, la consommation alimentaire et la santé des animaux d’élevage constituent des données phénotypiques cruciales pour la sélection génétique. (Adventiel.fr, 2025)
Par la suite, il est possible d’ajouter les données génomiques, issues du séquençage de l’ADN et de l’identification de marqueurs génétiques associés à des traits d’intérêt. Dans un contexte de production intensive et répétable comme celui des serres verticales, ces données permettent de relier directement les performances observées à des signatures génétiques spécifiques. Des projets innovants se concentrent sur le développement d’outils de phénotypage et de marqueurs pour améliorer la prédiction génomique. (Abgi-France, 2025) De plus, les données environnementales qui touchent les facteurs environnementaux, tel que la température, l’humidité, la lumière et l’apport nutritif influencent significativement l’expression des traits génétiques. La collecte de ces données est essentielle pour comprendre les interactions génotype-environnement et adapter les stratégies de sélection en conséquence. Par exemple, les informations sur les conditions de croissance des plantes comme la température et l’humidité permettent d’évaluer l’adaptation des variétés à différents environnements. (Adventiel.fr, 2025)
Il est également pertinent de parler des images et vidéos disponibles pour la prise de décisions. Les capteurs multispectraux et les drones peuvent capturer des images et des vidéos détaillées des organismes, offrant des informations sur leurs caractéristiques morphologiques. Ces technologies facilitent le suivi en temps réel de la croissance et du développement, améliorant par le fait même la précision des évaluations phénotypiques. (Abgi-France, 2025) L’intelligence artificielle (IA) joue un rôle croissant dans l’analyse des données génétiques. Des algorithmes d’apprentissage automatique peuvent être utilisés pour détecter et classer rapidement les variants génétiques à partir des données de séquençage, améliorant ainsi la précision et l’efficacité de la sélection. Il est donc possible, par exemple, d’utiliser l’IA afin de détecter et de classer rapidement les variants génétiques, y compris les mutations rares, à partir des données de séquençage (Biomanda, 2019).
L’intégration de ces diverses sources de données, combinée aux avancées en intelligence artificielle, améliore la sélection génétique en permettant des analyses plus complètes et des décisions plus éclairées.
4.2 Processus de sélection génétique assistée par l’IA pour les serres verticales
L’intégration de l’intelligence artificielle (IA) dans la sélection génétique améliore les méthodes traditionnelles en serres verticales. Ces environnements sont entièrement instrumentés et contrôlés. L’utilisation de capteurs et de caméras intelligentes permet une collecte automatisée, en temps réel, de données phénotypiques sur les cultures. Ces données peuvent, entre autres, offrir de l’information la vitesse de croissance, la surface foliaire ou la réponse des plantes aux spectres lumineux. Par exemple, le robot TerraSentia, illustré dans la photo 2 ci-dessous, développé par KWS est équipé de caméras et utilise l’IA pour analyser des caractéristiques telles que la hauteur des plantes et le stade de développement des épis, facilitant ainsi le travail des sélectionneurs. KWS a su sélectionner plus d’une vingtaine de cultures optimale, dont les betteraves à sucre, le blé, le colza et plus encore. Chaque année, les experts testent plus d’un million de plantes sur des dizaines de milliers de zones sur leurs champs. (KWS, 2025) À l’image de technologies comme le robot TerraSentia utilisé par KWS en champs, les serres intelligentes permettent d’observer automatiquement des milliers de plants, mais dans un milieu fermé où température, humidité et éclairage peuvent être ajustés pour tester différents scénarios génétiques.
La photographie montre un petit robot agricole autonome TerraSentia positionné dans une parcelle cultivée.
Cette capacité d’expérimentation rapide favorise l’identification de variétés mieux adaptées aux contraintes propres aux systèmes verticaux, notamment la densité élevée et l’éclairage artificiel. Grâce aux données générées par les serres intelligentes, l’analyse et la modélisation permettent désormais d’identifier des combinaisons génétiques particulièrement performantes, spécifiquement adaptées à la variabilité réelle des conditions propres aux serres verticales.)
4.2.1 Analyse et modélisation : identification des combinaisons génétiques les plus adaptées aux conditions spécifiques en serres verticales.
L’intégration de l’intelligence artificielle (IA) et de l’apprentissage automatique dans la sélection génétique permet d’optimiser la productivité des serres verticales en établissant des liens entre génotypes et paramètres du milieu contrôlé. En analysant de vastes ensembles de données génomiques et environnementales issus des serres intelligentes, ces approches facilitent l’identification des combinaisons génétiques les plus performantes pour la culture intérieure. L’IA y examine en continu des variables comme l’éclairage artificiel, l’humidité, la température ou le CO₂ et en mesure l’effet direct sur la croissance observée. Les forêts aléatoires constituent à cet égard une technique reposant sur un ensemble d’arbres de décision entraînés sur des échantillons variés des données. L’agrégation des prédictions renforce la précision et la stabilité des résultats. Les réseaux de neurones profonds sont des modèles composés de multiples couches de neurones artificiels capables d’apprendre des relations complexes et non linéaires entre informations de capteurs IoT, images végétales et profils génétiques. (Yumda, 2023),
Par exemple, en modélisant l’interaction entre différents génotypes horticoles et un éclairage DEL ajustable propre aux serres intelligentes, il devient possible de repérer des variétés offrant une meilleure conversion énergétique et une croissance rapide sous forte densité. Des travaux menés à la TH Köln ont illustré le potentiel d’un système d’éclairage intelligent pour l’agriculture verticale en intérieur, démontrant qu’une analyse contextualisée en serre permet de réduire la consommation d’énergie tout en améliorant les performances végétales (Yumda, 2023). D’autres recherches rapportent également des gains d’efficacité nutritionnelle grâce à l’étude de la génomique fonctionnelle en environnement hydroponique optimisé (Yumda, 2023 ; Hal, 2024), confirmant que la sélection génétique assistée par l’IA doit être pensée en étroite complémentarité avec les serres intelligentes.
4.2.2 Approches d’apprentissage profond pour la modélisation génétique en serre verticale
Les serres verticales, en tant que composantes clés de l’agriculture urbaine en environnement contrôlé, offrent un cadre idéal pour l’application de techniques d’apprentissage profond. Les réseaux neuronaux convolutifs (CNN) et les réseaux de neurones récurrents (RNN) sont particulièrement efficaces pour traiter des données multimodales provenant de ces environnements, intégrant des informations génétiques, climatiques et physiologiques des plantes. En exploitant des architectures neuronales avancées, les chercheurs peuvent prédire les performances des variétés sur plusieurs cycles de croissance, en tenant compte de facteurs tels que la régulation de la lumière et l’humidité relative. Par exemple, l’étude « Deep learning-empowered crop breeding: intelligent, efficient and promising » démontre et explique l’application de l’apprentissage profond pour améliorer et optimiser le processus de sélection des cultures, conduisant à une amélioration de la précision des prédictions de rendement. (Frontiersin, 2023) L’intelligence artificielle peut suggérer des combinaisons génétiques spécifiques aux systèmes hydroponiques et aéroponiques, en mettant l’accent sur des traits tels que la croissance rapide, la résistance aux pathogènes et l’absorption efficace des nutriments.
De plus, l’intégration de l’apprentissage profond dans les systèmes de serres verticales permet une surveillance en temps réel de la croissance des plantes, l’identification précoce des stress biotiques et abiotiques, et l’ajustement dynamique des conditions environnementales pour optimiser les rendements. Par exemple, une étude récente a développé une approche automatique basée sur l’apprentissage profond pour prédire la maturité des fraises et surveiller leur croissance en serre verticale, démontrant le potentiel de ces techniques pour améliorer la gestion précise des cultures. (ISHS, 2023) Ces approches illustrent le potentiel de l’apprentissage profond pour transformer la modélisation génétique en serres verticales, en améliorant la précision des prédictions et en optimisant les pratiques de sélection pour des environnements de culture contrôlés.
5. Cas d’applications : l’IA et la sélection génétique pour la culture verticale de légumes-feuilles à la ferme verticale Chengdu
Afin d’illustrer concrètement l’impact de l’intelligence artificielle dans l’optimisation de l’agriculture verticale, voici un cas d’étude pertinent. L’application de l’IA dans le domaine de la sélection génétique pour la culture de légumes-feuilles en environnement contrôlé à ferme vertical Chengdu. Cette approche vise à identifier les caractéristiques génétiques optimales permettant de maximiser la croissance, la résistance et la qualité nutritionnelle des végétaux en culture verticale. Ce cas permet de mettre en lumière la diversité des usages de l’IA en agriculture verticale, tout en soulignant son rôle stratégique dans le développement de solutions durables, précises et hautement performantes.
Dans le cadre de la culture en fermes verticales (ex. laitues, basilic, fraises), des réseaux neuronaux génératifs (GANs) sont testés pour simuler et optimiser l’expression génétique de certaines variétés sous éclairage D.E.L. Des recherches en cours visent à développer des lignées de plantes adaptées aux spectres lumineux spécifiques de ces environnements, améliorant ainsi le rendement et la qualité nutritionnelle des productions. Bien que les spectres lumineux D.E.L. des serres intelligentes soient déjà ajustés aux cultures, ces réglages reposent sur des variétés d’abord conçues pour le soleil et la culture en sol. Or, les fermes verticales utilisent une lumière artificielle répartie sur plusieurs étages, avec des zones d’ombre, des réflexions et des cycles modulables qui modifient la façon dont la plante capte son énergie. Le besoin de faire « l’inverse » vise donc à repérer des génotypes capables de mieux exploiter une lumière directionnelle et discontinue propre aux systèmes verticaux, plutôt qu’à remplacer l’optimisation existante. L’IA et les GANs servent à simuler cette réponse spécifique pour identifier des lignées de légumes-feuilles offrant des gains difficiles à observer en champs ouverts. Cette démarche permet de dépasser les paramètres actuels et de penser des variétés adaptées dès le départ aux cycles des serres verticales intelligentes. Avec l’urbanisation croissante et la nécessité de produire des aliments localement tout en réduisant l’empreinte environnementale, les serres verticales émergent comme une solution clé pour l’agriculture du futur. En Chine, où la population urbaine est en forte augmentation, l’innovation en agriculture verticale est devenue une priorité. L’une des fermes verticales les plus avancées a récemment vu le jour à Chengdu, entièrement automatisée et pilotée par l’intelligence artificielle. (Leclaireur.fnac, 2023)
Cette ferme de 20 niveaux est située en milieu urbain. Elle représente une installation moderne conçue pour maximiser la production de légumes-feuilles tout en minimisant la consommation de ressources naturelles. Elle est capable de produire des salades en seulement 35 jours, soit une accélération significative par rapport aux méthodes traditionnelles. Cette rapidité est obtenue dans un cadre où l’éclairage D.E.L. Les nutriments et l’eau sont dosés de façon intensive, mais très précise, avec une consommation hydrique inférieure à celle du champ grâce au circuit fermé. Comparativement aux serres conventionnelles, l’installation utilise davantage d’énergie lumineuse par plant, tout en réduisant nettement les pertes de nutriments et l’usage d’eau par kilogramme produit.
L’IA joue un rôle central dans l’optimisation des conditions de croissance en surveillant en temps réel grâce à des capteurs mesurent l’humidité, la température, le taux de CO₂ et la concentration en nutriments. (CGTN, 2023) L’IA ajuste les paramètres en fonction des besoins des plantes. L’intégration d’algorithmes de « machine learning » permet d’analyser les données historiques pour prédire les rendements et ajuster les cycles de culture en conséquence. Des robots contrôlés par l’IA gèrent la plantation, l’arrosage et la récolte. L’autonomie des robots et des systèmes d’irrigation exige un pilotage par IA afin de coordonner des décisions rapides sur vingt étages où la moindre problématique se répercute immédiatement sur l’ensemble des lots. Sans cette supervision continue, la serre intelligente redeviendrait un simple équipement automatisé, incapable d’apprendre des saisons artificielles et d’ajuster les cycles à la variabilité réelle des plantes et des commandes urbaines.
Les D.E.L., soit des diodes électroluminescentes, offrent une source lumineuse programmable qui permet de tester la photosynthèse en culture verticale. Des travaux ont montré que des longueurs d’onde comme le rouge (660 nm) et le bleu (450 nm) influencent fortement la croissance, de façon nuancée, selon les espèces. Par exemple, une étude sur des fraises a rapporté qu’un éclairage rouge à 660 nm augmentait le taux instantané de photosynthèse par rapport au bleu à 450 nm, alors que les plants cultivés durablement sous bleu conservaient une capacité photosynthétique supérieure (Stapel, Oscar, 2015). La photo morphogenèse, c’est-à-dire l’ensemble des phénomènes par lesquels la lumière modifie la forme et la couleur des plantes, dépend également des phytochromes sensibles au rouge et des cryptochromes sensibles au bleu, qui régulent le développement végétal. (Liebers, M. et al.,2022)
Dans une serre verticale intelligente comme celle de Chengdu, photo 3 ci-dessous, le changement de longueurs d’onde ne peut être géré par des règles fixes, car chaque variété réagit différemment à l’intensité, à la durée et à la position des modules lumineux sur vingt niveaux. Le recours à l’IA permet donc de coordonner ces ajustements en temps réel à partir des données de capteurs et d’images, afin que l’éclairage apprenne des plantes plutôt que de leur imposer un scénario unique.
Photo d’une ferme verticale intérieure montrant des rangées de cultures superposées éclairées par des lampes LED roses.
Pour ce qui est de l’irrigation, l’installation s’appuie sur un système hydroponique avancé en substrats neutres, alimenté par une solution nutritive liquide dont l’eau est récupérée et filtrée en circuit fermé. Cette conception réduit d’environ 95 % la consommation hydrique par kilogramme produit et élimine presque totalement l’usage de pesticides, tout en limitant les risques de maladies grâce à l’absence de sol.
Pour ce qui est du contrôle du sol, un système hydroponique avancé permet le contrôle avec une plantation en substrats neutres avec un apport en nutriments optimisé par une solution nutritive liquide. Le système en circuit fermé récupère et filtre l’eau afin de réduire de 95 % de la consommation par rapport à l’agriculture traditionnelle. Cette absence de sol élimine le besoin de pesticides et réduit les risques de maladies.
Il y a de bons impacts sur les rendements avec la serre verticale de Chengdu. La ferme produit 3 à 4 fois plus qu’une exploitation en plein champ sur une même surface. La gestion optimisée de la lumière et des nutriments permet d’augmenter la concentration en vitamines et minéraux. Grâce à l’optimisation énergétique et à la culture locale, la ferme réduit la dépendance aux importations. Par exemple, en assurant directement une part importante de l’approvisionnement en légumes-feuilles pour une population urbaine dense, ce qui peut représenter une réduction des besoins d’importation de plusieurs centaines à milliers de tonnes de produits frais chaque année, selon la taille et la demande locale. Ce modèle de serres automatisé et supporté par l’intelligence artificielle pourrait s’intégrer dans tous les grands centres. L’intégration de réseaux neuronaux génératifs (GANs) pour modéliser et optimiser l’expression génétique des plantes pourrait aider la culture et la production des serres verticales déjà en production. La ferme verticale de Chengdu illustre comment l’IA, les D.E.L. et l’hydroponie peuvent transformer l’agriculture en milieu urbain. En combinant technologies avancées et gestion optimisée, ces infrastructures permettent une production durable, locale et hautement efficace. Ce modèle pourrait inspirer de nombreuses autres initiatives à travers le monde pour répondre aux défis alimentaires de demain.
D’autres exemples concrets viennent appuyer ces transformations. L’entreprise japonaise Spread Co., pionnière dans la culture automatisée de laitues, utilise des robots pour la transplantation et la récolte, combinés à des algorithmes d’IA pour gérer les ressources. Les résultats sont significatifs. Selon l’entreprise et leurs résultats, il est mentionné qu’il est possible d’augmenter de 30 % la production et de réduire de 98 % de la consommation d’eau (Spread, 2020). De plus, à l’échelle expérimentale, des études démontrent l’efficacité de ces technologies. Par exemple, une recherche publiée sur arXiv.org rapporte une amélioration moyenne de 10,15 % des rendements et une hausse de 92,70 % du profit net par rapport aux méthodes traditionnelles (Li et al., 2023). Ces données confirment le potentiel de l’IA dans l’optimisation des pratiques agricoles en milieu contrôlé. Les perspectives d’innovation dans ce domaine sont tout aussi encourageantes. La démocratisation des technologies de séquençage génétique permet désormais une analyse fine et à grande échelle de l’ADN des cultures, rendant accessibles des stratégies de sélection variétale autrefois réservées à la recherche de pointe. L’intégration de l’édition génomique assistée par IA, offre un potentiel immense pour modifier de manière ciblée des séquences génétiques afin de renforcer la résistance aux maladies ou améliorer la valeur nutritionnelle des plantes.
6. Conclusion et discussion
L’émergence des serres verticales intelligentes, appuyées par l’intelligence artificielle (IA), marque une avancée significative dans la transformation numérique du secteur agricole. En combinant technologies de culture en environnement contrôlé, outils d’analyse avancés et algorithmes prédictifs, cette approche permet non seulement d’optimiser les rendements, mais aussi de redéfinir les pratiques agricoles en les rendant plus durables, plus précises et plus résilientes face aux perturbations climatiques croissantes. Un des bénéfices les plus prometteurs de l’IA réside dans la sélection des meilleures génétiques. Grâce à l’analyse automatisée d’énormes ensembles de données génomiques, phénotypiques et environnementales, l’IA facilite grandement l’identification de traits génétiques bénéfiques avec une rapidité et une précision inégalée. Ce processus accélère considérablement la création de variétés plus performantes, mieux adaptées aux conditions spécifiques des serres verticales. En milieu contrôlé, où chaque paramètre peut être ajusté avec précision (température, humidité, lumière, CO₂), il devient possible de tirer pleinement parti du potentiel génétique des cultures, avec un impact direct sur la productivité. L’automatisation des processus, des semis à la récolte, via des robots couplés à des systèmes d’IA, permet également de réduire les interventions humaines, d’optimiser l’utilisation des ressources et de garantir une constance dans la qualité des produits.
Par ailleurs, le développement de biocapteurs de nouvelle génération, capables de détecter l’expression génique en temps réel, ouvre la voie à une agriculture ultra précise. Ces dispositifs, en interaction constante avec des algorithmes d’apprentissage automatique, permettent une surveillance continue de l’état physiologique des plantes, favorisant des interventions précoces et personnalisées. L’évolution vers des algorithmes autoapprenants, capables d’améliorer continuellement leurs recommandations à partir de l’accumulation de données, représente une autre rupture technologique majeure. En associant ces outils à des plateformes de simulation et de modélisation, il devient possible d’anticiper les réponses des cultures à différentes conditions, d’optimiser les cycles de production et de limiter les pertes.
Toutefois, pour tirer pleinement parti de ces innovations, une approche systémique intégrée est indispensable. Elle repose sur la synergie entre collecte de données en temps réel, modélisation agronomique, simulation environnementale et intelligence artificielle. Cette convergence constitue la clé pour maximiser les performances tout en limitant l’empreinte écologique des installations. Elle offre également une réponse concrète aux enjeux alimentaires mondiaux, en favorisant une agriculture plus locale, plus durable et moins vulnérable aux aléas climatiques. Les serres verticales intelligentes, soutenues par les avancées en IA et en biotechnologie, incarnent une vision moderne de l’agriculture, plus précise, résiliente, évolutive et responsable. Elles s’imposent progressivement comme des piliers de la sécurité alimentaire urbaine et des modèles agricoles du futur. À l’aube de bouleversements climatiques, économiques et sociaux sans précédent, l’avenir de l’agriculture passera par une alliance étroite entre intelligence artificielle, biotechnologie et ingénierie environnementale. Les serres verticales intelligentes, enrichies par les avancées en génomique, en traitement de données et en capteurs connectés, dessinent les contours d’un système alimentaire plus équitable, résilient et accessible à l’échelle mondiale. En poursuivant la recherche et l’innovation dans ce domaine, il devient envisageable de nourrir durablement une population croissante, tout en respectant les limites écologiques de notre planète.
Ethique
Les auteurs déclarent que les expérimentations ont été réalisées en conformité avec les réglementations nationales applicables.
Déclaration sur la disponibilité des données et des modèles
Les données qui étayent les résultats évoqués dans cet article sont accessibles sur demande auprès de l’auteur de correspondance de l’article.
Déclaration relative à l’Intelligence artificielle générative et aux technologies assistées par l’Intelligence artificielle dans le processus de rédaction
Les auteurs n’ont pas utilisé de technologies assistées par intelligence artificielle dans le processus de rédaction.
Contributions des auteurs
Conceptualisation, curation des données, analyse formelle, recherche, rédaction - version originelle, rédaction - révision et correction : Myriam Larouche-Tremblay
Administration du projet, supervision, validation : Claudiane Ouellet-Plamondon professeure, ing. M.Sc. Ph.D
Les auteurs déclarent ne pas travailler, ne pas conseiller, ne pas posséder de parts, ne pas recevoir de fonds d’une organisation qui pourrait tirer profit de cet article, et ne déclarent aucune autre affiliation que celles citées en début d’article.
Déclaration de soutien financier
CIRODD, programme de projets transformationnels
Remerciements
Je tiens à exprimer ma profonde gratitude à Claudiane Ouellet-Plamondon, professeure, ing. M.Sc. Ph.D., et à Stéphane Godbout, chercheur, ing., agr., Ph.D., pour leur précieuse collaboration et leurs conseils avisés tout au long de l’écriture de cet article. Leur expertise et leur engagement dans le domaine de l’innovation en agriculture ont grandement contribué à l’avancement de cette recherche.
Un immense merci également à l’entreprise AquaVerti Farms, qui nous a généreusement ouvert les portes de ses serres verticales afin de pouvoir comparer et mieux comprendre les enjeux. Leur accueil et leur transparence ont permis une immersion précieuse dans les réalités de l’agriculture en environnement contrôlé et ont enrichi considérablement la passation du savoir sur les technologies émergentes dans ce domaine. Leur contribution a été essentielle pour approfondir notre compréhension des défis et des opportunités liés aux serres verticales de nouvelle génération. Je termine en remerciant CIRODD et son programme de projets transformationnels pour le soutien et l’ouverture vers la recherche.
Abgi-France (2025) Innovation pour les systèmes alimentaires : l’apport des outils d’analyse du génome dans la sélection végétale ou animale https://abgi-france.com/selection-genetique
Beacham et al. (2019). Vertical farming: a summary of approaches to growing skywards. The Journal of Horticultural Science and Biotechnology, 94(3), 277–283. https://doi.org/10.1080/14620316.2019.1574212
Benos et al. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21(11), 3758. https://doi.org/10.3390/s21113758
Dhanya et al. (2022) Deep learning-based computer vision approaches for smart agricultural applications. Artificial Intelligence in Agriculture, 6, 211–229. https://doi.org/10.1016/j.aiia.2022.09.007
Donia Toumi (2023) Analyse des données d’infiltration par les techniques de l’intelligence Artificielle.
Gubbi, J. et al. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, 29(7), 1645–1660. https://doi.org/10.1016/j.future.2013.01.010
Kim et al. (2024) AI-driven environmental modulation in controlled-environment agriculture using flexible sensor networks. Smart Agricultural Systems, 12, 45–59. https://doi.org/10.1016/j.sags.2024.100234
Kozai, T. (2019). Towards sustainable plant factories with artificial lighting. International Journal of Agricultural and Biological Engineering, 12(5), 28–36. https://doi.org/10.25165/j.ijabe.20191205.5475
Liebers, M. et al. (2022) Blue and red light photoreceptors phytochrome and cryptochrome attune chloroplast functions to different light qualities. https://doi.org/10.3390/plants11233353
L’agriculture verticale urbaine se transforme grâce aux capteurs intelligents et à l’IA. Cet article montre comment les capteurs environnementaux et de croissance, malgré certaines limites techniques et opérationnelles, ouvrent la voie à des systèmes auto-ajustables capables d’adapter les paramètres en temps réel. L’IA optimise ensuite les cycles de culture, anticipe les fenêtres idéales de récolte et automatise les décisions. Enfin, son rôle en sélection variétale est illustré par une étude de cas menée à Chengdu, révélant son potentiel à accroître les rendements, la stabilité et la résilience des environnements contrôlés.
Serres verticalesAgriculture urbaineIntelligence artificielle en agricultureAgriculture verticale intelligenteCapteurs auto-ajustablesInnovation agrotechnologique
en
Artificial intelligence for optimizing growth cycles in controlled smart greenhouses
en
Urban vertical farming is rapidly evolving through the integration of smart sensors and AI. This article shows how environmental and crop-growth sensors, despite certain technical and operational limits, are paving the way for self-adjusting systems capable of adapting parameters in real time. AI then optimizes cultivation cycles, anticipates ideal harvest windows, and automates decision-making. Finally, its role in varietal selection is illustrated through a case study in Chengdu, highlighting its potential to enhance yields, stability, and resilience in controlled environments.
en
greenhousesUrban agricultureArtificial intelligence in agricultureSmart vertical farmingSelf-adjusting sensorsAgrotechnological innovation
