Un algorithme peut-il prévenir le ruissellement mieux qu'un programmateur connecté ? Le rapport WaRPIC l'a testé sur le terrain
WaRPIC (Texas A&M, 2019) prédit par machine learning la durée d'arrosage maximale sans ruissellement : 2,6% de l'eau perdue par un programmateur connecté.
Le programmateur connecté ne suffit pas : le problème du ruissellement
Qui a installé un programmateur connecté (Rachio, Hunter Hydrawise, Rain Bird) pour l'arrosage suppose souvent que le problème du ruissellement (l'eau qui coule sur le trottoir au lieu d'être absorbée par le sol) est résolu : après tout, le programmateur connaît les prévisions météo et suspend l'arrosage en cas de pluie annoncée. Une équipe de chercheurs du Texas A&M (informatique et génie agricole) a mis cette hypothèse à l'épreuve. Selon leurs résultats, publiés à BuildSys 2019, la conférence ACM sur les systèmes pour bâtiments économes en énergie, un programmateur connecté du commerce cause encore du ruissellement, car ils font une hypothèse simplificatrice sur la capacité d'infiltration du sol qui, en réalité, change constamment.
Leur réponse s'appelle WaRPIC (Weather-aware Runoff Prevention Irrigation Control) : un module économique qui se greffe sur le programmateur que vous avez déjà, associé à un modèle de machine learning entraîné sur les données de votre jardin plutôt que sur une hypothèse valable pour 'tous les sols'.
Le rapport en bref
| Section | Contenu |
|---|---|
| 🎓 Paper | Murthy, A., Green, C., Stoleru, R., Bhunia, S., Swanson, C., Chaspari, T. (2019). Machine Learning-based Irrigation Control Optimization. Proceedings of BuildSys '19 (6th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation), 213-222 |
| ❓ Question | Est-il possible de prévenir le ruissellement d'arrosage plus précisément que les programmateurs connectés commerciaux, sans installer des capteurs d'humidité du sol coûteux (500 $+) dans chaque zone ? |
| 🔬 Ce qu'ils ont fait | Développement de WaRPIC : un module matériel économique qui se greffe sur les programmateurs existants via le port du capteur de pluie, associé à un modèle de machine learning entraîné avec 15-20 observations guidées par le propriétaire, qui apprend la durée maximale d'arrosage (MAR) avant ruissellement pour chaque zone individuelle |
| 📈 Ce qu'ils ont découvert | Un réseau de neurones entraîné sur des données augmentées par pseudo-labeling a prédit le MAR bien mieux que les modèles de régression classiques ; dans une comparaison directe, WaRPIC n'a gaspillé que 2,6% de l'eau perdue par un programmateur connecté commercial dans le même test (4,08 gallons contre 156,72) |
| 🌱 Ce que cela signifie pour votre jardin | Le ruissellement dépend aussi de l'eau que le sol a reçue durant les 7 jours précédents, pas seulement de la pluie du jour. Aucun programmateur à horaires fixes ne connaît cette donnée, et beaucoup de programmateurs 'connectés' ne l'estiment pas zone par zone |
| 🗺️ Lien avec SprinklerMap | Comme dans les deux premiers articles de cette série, le ruissellement dépend du site. SprinklerMap utilise une vitesse d'infiltration fixe par type de sol, la simplification même que critique l'étude, et se concentre sur ce qu'on peut vérifier à l'avance : pression, débit et couverture corrects par zone |
| 📚 Références | Voir la section Références en fin d'article |
La question : pourquoi même les programmateurs intelligents se trompent
Le ruissellement n'est pas qu'un gaspillage d'eau : il entraîne des sédiments, des produits chimiques issus des engrais et d'autres contaminants, causant ce que les spécialistes appellent la pollution diffuse (non-point source pollution) des cours d'eau. La solution standard pour le prévenir est la méthode cycle-and-soak (cycle et trempage) : au lieu d'arroser 20 minutes d'affilée, la durée est fractionnée en cycles plus courts séparés par des pauses qui permettent à l'eau d'être absorbée.
Le problème, expliquent les auteurs, est de calculer correctement combien de temps chaque cycle doit durer avant qu'une flaque visible ne se forme en surface, ce qu'on appelle la Maximum Allowable Runtime (MAR, durée maximale autorisée). Les programmateurs connectés du commerce estiment le MAR avec une formule qui suppose une capacité d'infiltration du sol constante dans le temps. Or des décennies de recherche en science du sol (citées dans le rapport) montrent que l'infiltration varie continuellement selon la saison, la pente et la composition du sol. La supposer constante est pratique à programmer mais faux, et c'est pour cela que même un programmateur 'connecté' bien configuré peut continuer à causer du ruissellement.
Ce qu'ils ont fait : un modèle qui apprend de votre jardin, pas d'une formule générique
Plutôt que de poursuivre une formule physique toujours plus complexe (une approche déjà tentée par des travaux antérieurs avec des équations différentielles, mais avec des coûts matériels trop élevés pour un usage résidentiel, avec un réseau de capteurs dédié pour chaque zone), les auteurs ont choisi une approche différente : transformer le problème en une tâche d'apprentissage supervisé, en utilisant l'observation humaine comme capteur.
Pendant une phase de collecte de données de 2 à 3 semaines, le propriétaire fait fonctionner les arroseurs de chaque zone et observe l'apparition d'une flaque visible en surface : ce moment est le MAR pour ces conditions. Ensuite, pour déterminer combien de temps le sol met à retrouver sa capacité d'absorption, de brefs tests de 10 secondes sont réalisés toutes les 5 minutes jusqu'à ce que l'eau soit à nouveau absorbée immédiatement. En répétant l'expérience 15 à 20 fois, à différents niveaux de saturation du sol, on obtient un jeu de données propre à ce jardin, avec trois variables d'entrée : évapotranspiration (ETO), eau appliquée les 7 jours précédents entre pluie et arrosages (AWA), et jours écoulés depuis le dernier arrosage (LWA).
Avec seulement 15 échantillons réels, le problème est trop restreint pour un réseau de neurones classique. Les auteurs ont résolu ce goulot d'étranglement avec le pseudo-labeling, une technique d'apprentissage semi-supervisé : un premier modèle (Ridge Regression, le meilleur en validation croisée sur les 15 échantillons d'origine) génère des prédictions sur 202 observations météo historiques non étiquetées (2015-2018), faisant passer le jeu d'entraînement à plus de 200 échantillons, assez pour entraîner un réseau de neurones.
Ce qu'ils ont découvert : les chiffres de la comparaison avec un vrai programmateur connecté
Sur les données augmentées, le réseau de neurones a nettement battu tous les modèles de régression classique testés : erreur quadratique moyenne (MSE) de 0,43 contre 0,63 pour Ridge Regression, la meilleure des alternatives traditionnelles, avec un coefficient de détermination R² de 0,63 contre 0,45.
Le test le plus parlant est la comparaison directe avec un vrai programmateur connecté commercial (configuré en mode 'Flex Monthly', qui ne suspend l'arrosage que s'il détecte une pluie récente et un sol saturé). Sur quatre essais expérimentaux, les prédictions de WaRPIC se sont révélées très proches du MAR réel mesuré sur le terrain, tandis que celles du programmateur connecté l'ont systématiquement surestimé. En convertissant la différence en eau gaspillée (à l'aide des tables de débit pour tuyaux PVC de 5/8 pouces), le résultat est net : 4,08 gallons perdus par WaRPIC contre 156,72 gallons perdus par le programmateur connecté sur le même ensemble d'essais : WaRPIC a donc gaspillé seulement 2,6% de ce qu'a perdu le programmateur commercial.
Les auteurs ont ensuite installé des modules WaRPIC dans les foyers de 12 familles d'une ville du Texas, en mode basique. À partir des recommandations d'arrosage de mai à octobre 2019, ils ont estimé une économie moyenne de 38 826 gallons d'eau (environ 147 000 litres) et 192,53 $ par foyer sur la saison d'arrosage, avec une fourchette de 8 640 à 111 780 gallons selon la taille et les caractéristiques du jardin.
Ce que cela signifie concrètement pour votre jardin
Au-delà des chiffres, le rapport montre que le ruissellement dépend aussi de la quantité d'eau que le sol a déjà accumulée les jours précédents entre pluie et arrosages, et pas seulement de la pluie du jour. Deux journées identiques côté météo actuelle peuvent avoir un MAR très différent si l'une suit une semaine sèche et l'autre des jours de pluie. Un programme à horaires fixes l'ignore complètement, et les programmateurs commerciaux 'basés sur la météo' ne la prennent en compte qu'en partie.
En pratique, cela se traduit par un conseil applicable même sans aucun matériel connecté : après plusieurs jours de pluie, le sol est déjà gorgé d'eau et les flaques arrivent plus vite : raccourcissez les cycles ou sautez l'arrosage jusqu'à ce qu'il ait séché. Le cycle-and-soak (cycles courts avec pauses entre eux) reste le moyen le plus simple de prévenir le ruissellement même sans modèle prédictif, en fractionnant manuellement l'arrosage au lieu de le délivrer en une seule longue séance.
Le lien avec SprinklerMap
Comme les deux premiers articles de cette série, ce rapport montre que le ruissellement et le besoin en eau dépendent de variables propres au site (pente, type de sol, historique récent d'arrosage) qu'aucune formule ni aucun programmateur générique ne connaît à l'avance. Il faut des données collectées sur ce terrain, comme le fait WaRPIC avec les observations du propriétaire.
SprinklerMap n'estime pas le MAR avec un modèle comme WaRPIC. Pour chaque sol, il utilise une vitesse d'infiltration fixe (50 mm/h pour le sable, 25 pour un sol limoneux, 12 pour l'argile) et, si la pluviométrie des arroseurs la dépasse, découpe la durée en plusieurs cycles avec pause : c'est la simplification même que critique l'étude, à prendre comme point de départ en raccourcissant les cycles si des flaques apparaissent avant la fin. L'outil s'occupe surtout de ce dont tout cycle d'arrosage a besoin pour avoir un sens : une couverture uniforme et une pression correcte par zone. Une installation mal conçue peut causer une flaque à un endroit même avec un MAR parfaitement calculé, si elle délivre deux fois plus d'eau à cet endroit que dans le reste de la zone. Pour la planification des cycles cycle-and-soak selon votre propre sol, voir Calculer les temps d'arrosage selon le type de sol.
En résumé
Même un programmateur connecté bien configuré peut continuer à gaspiller de l'eau par ruissellement, car il suppose une capacité d'infiltration du sol constante, alors qu'elle varie. WaRPIC démontre qu'un modèle entraîné sur les données spécifiques d'un seul jardin, avec le minimum indispensable d'observation humaine à la place de capteurs coûteux, peut réduire le gaspillage d'eau par ruissellement à une fraction (2,6%) de celui d'un programmateur connecté commercial avancé. Même sans jamais utiliser un tel système, on peut retenir que le ruissellement dépend de l'historique récent de pluie et d'arrosage de votre propre sol, pas seulement de la météo du jour.
Références
Murthy, A., Green, C., Stoleru, R., Bhunia, S., Swanson, C., Chaspari, T. (2019). Machine Learning-based Irrigation Control Optimization. Proceedings of the 6th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation (BuildSys '19), 213-222. doi.org/10.1145/3360322.3360854
Premier article de cette série : Pourquoi l'évapotranspiration est la base de l'arrosage moderne : /fr/blog/evapotranspiration-base-arrosage-moderne-fao56
Deuxième article de cette série : La méthode FAO-56 est-elle fiable ? : /fr/blog/fiabilite-methode-fao56-revision-2015
Questions fréquentes
Peut-on acheter WaRPIC comme produit ?
Non : c'est un prototype de recherche académique décrit dans un article de 2019 (Murthy et ses collègues, Texas A&M, présenté à la conférence BuildSys), pas un appareil en vente. L'idée reste reproductible : un module économique qui se greffe sur le programmateur que vous avez déjà, via le port du capteur de pluie. On peut en retenir dès aujourd'hui le constat : la durée pendant laquelle le sol absorbe l'eau avant qu'elle ne ruisselle varie avec la quantité d'eau reçue les sept jours précédents, entre pluie et arrosages, et pas seulement avec la pluie du jour. C'est un critère applicable à la main sur la programmation de votre propre programmateur, sans rien acheter.
Faut-il installer des capteurs d'humidité du sol pour utiliser cette approche ?
Non, et c'est justement le point de départ de l'étude. Les auteurs ont testé des capteurs d'humidité du sol bon marché et les ont trouvés trop imprécis en extérieur, tandis que les modèles fiables coûtent 500 dollars ou plus par zone, un montant qui rend l'approche impraticable sur une installation résidentielle de quatre ou cinq zones. WaRPIC est né précisément pour contourner cet obstacle, car le modèle n'utilise que des données météo et l'historique des arrosages déjà effectués, sans rien enterrer dans le sol. Dans la comparaison directe décrite par l'étude, le système n'a gaspillé que 2,6 % de l'eau gaspillée par le programmateur connecté commercial.
La méthode fonctionne-t-elle avec n'importe quel programmateur existant ?
Avec presque tous, mais pas tous, et les auteurs le disent ouvertement. Le module se branche sur le port du capteur de pluie, présent sur la plupart des programmateurs résidentiels comme Hunter et Rachio, et c'est aussi pour cela que l'approche reste bon marché : nul besoin de remplacer le programmateur existant. La limite réelle, c'est que certains fabricants n'utilisent pas le mécanisme à résistance sur lequel le module s'appuie, et dans ce cas le branchement ne fonctionne pas. Avant de juger l'idée reproductible sur une installation précise, vérifiez donc comment est construite l'entrée du capteur de pluie de votre programmateur : c'est elle qui décide si le système est applicable.
Combien de temps faut-il avant que le système fonctionne bien ?
Dans les essais décrits, 2-3 semaines ont suffi, avec 15-20 expériences d'observation assistées par le propriétaire, pour entraîner un modèle précis sur une seule zone. Ce détail compte car il relativise l'idée que l'apprentissage automatique exigerait forcément des mois de données : ici le modèle part de quelques observations guidées, ensuite élargies par une technique de pseudo-étiquetage qui permet au réseau de neurones d'exploiter aussi les données non étiquetées. C'est précisément ce réseau qui a prédit le ruissellement bien mieux que les modèles de régression classiques utilisés en comparaison. Le coût du démarrage tient donc moins au temps qu'à la coopération demandée à celui qui utilise l'installation pendant ces premières semaines : sans ces observations, le système n'a rien pour apprendre.
Note technique : Cet article présente de façon accessible les résultats d'une étude scientifique publiée, en simplifiant nécessairement la méthodologie originale pour la rendre lisible. Pour l'analyse statistique complète, les limites signalées par les auteurs eux-mêmes et les détails expérimentaux, reportez-vous toujours à l'article original, dont le lien figure dans les références en bas de page : les résultats d'une étude ne doivent pas être automatiquement généralisés à votre cas particulier.