En complément des valeurs de bilan digestif, l’estimation de la cinétique de la digestion est importante pour les nutritionnistes afin de mieux décrire et prévoir les processus de la digestion. La cinétique de la digestion est estimée généralement par la procédure in situ par l’incubation, directement dans le rumen, d’échantillons enfermés dans des sachets poreux. Cette méthode est appliquée à la cinétique de disparition de la matière sèche et des matières azotées et dans une moindre mesure des parois cellulaires. Comme pour l’estimation de la dMO, la lourdeur de la technique in situ ne permet pas son application à un très grand nombre d’échantillons et la SPIR peut alors être utilisée de plusieurs manières.

Dans une première approche, la SPIR peut permettre de simplifier la partie analytique des essais en prévoyant la composition chimique des résidus de sachets (MO, MAT et/ou NDF) ce qui présente un intérêt pour les équipes de recherche (Berzaghi et al., 1997).

Par ailleurs, certains auteurs ont essayé d’utiliser la SPIR pour estimer les paramètres qui caractérisent la cinétique de dégradation et en particulier le paramètre de la dégradabilité. Pour la dégradabilité de la MO, les valeurs de SEC rapportées sont comprises entre 2 et 3 %, avec des R²_cal supérieurs à 0,90 (De la Roza et al., 1998 ; Foskolos et al., 2015) tandis que pour la dégradabilité de la MAT les R²_cal sont parfois peu élevés (0,65 chez Waters et Givens, 1992), mais la plupart des auteurs reportent des valeurs de R²_cal supérieures à 0,90 pour cette détermination (De Boever et al., 1998 ; De la Roza et al., 1998). Foskolos et al. (2015) proposent des modèles SPIR pour l’estimation de la dégradabilité des parois en utilisant une large gamme de fourrages. Ils rapportent des valeurs de R²_val par validation croisée de 0,90 (SECV = 4 %) et des valeurs de R²_val de validation externe de 0,89 (SEP = 5 %). Ces auteurs concluent que la SPIR peut être utilisée pour une prévision de la dégradabilité (de la MS, de la MAT et des parois).

La quantité d’aliment ingérée par des animaux est un paramètre clé dans l’étude de l’alimentation car c’est le déterminant principal de l’énergie nette ingérée et in fine des performances. Si la détermination des quantités ingérées est simple en station expérimentale avec des aliments distribués à l’auge, elle est néanmoins assez longue à réaliser, et devient très compliquée pour des mesures au pâturage ce qui a amené plusieurs auteurs à essayer d’utiliser la SPIR pour essayer de l’estimer rapidement (Decruyenaere et al., 2009 ; Landau et al., 2006 ; Kneebone et Dryden, 2015).

Une caractéristique importante de la mesure des quantités ingérées des ruminants qui conditionne très largement la précision des résultats obtenus par la SPIR est la variabilité de la mesure entre animaux consommant le même fourrage. Selon Andueza et al., (2011a) l’erreur de la mesure des quantités ingérées de la matière sèche pour un fourrage offert à six animaux peut atteindre 5,35 g/kg PV^0,75. Par ailleurs, les modèles SPIR obtenus pour la prédiction des quantités ingérées donnent des valeurs de R²_val comprises entre 0,05 et 0,62 et des SEP compris entre 5,44 et 10,37 indiquant que ces modèles ne sont pas utilisables pour une prédiction précise de cette détermination. Cependant Andueza et al. (2011a) sur des fourrages tempérés montrent que la principale source d’erreur des modèles SPIR est l’erreur de détermination in vivo.

Quand des valeurs de référence in vivo sont disponibles sur de nombreux échantillons, un étalonnage SPIR de la valeur énergétique peut être réalisé. Cette approche a été implémentée chez de nombreux fabricants d’aliments, essentiellement pour l’Énergie Métabolisable (EM) chez la volaille, mais les résultats ne sont généralement pas publiés. Valdes et Leeson (1992a) ont obtenu un SEP de l’EM de 60 kcal/kg avec un étalonnage réalisé sur 80 échantillons d’aliments. Cependant dans ce cas les résultats doivent être considérés avec précaution car la valeur énergétique variait essentiellement par la teneur en matière grasse des aliments, celle-ci étant très bien prédite par SPIR. Les mêmes auteurs (Valdes et Leeson, 1992b) ont également étalonné la valeur d’EM de matières premières, mais avec une base assez restreinte (49 échantillons) ce qui n’était pas assez robuste pour permettre une utilisation en routine.

Chez le porc, quelques travaux ont été publiés sur la prédiction de la valeur énergétique (Energie digestible, ED) par SPIR (Zijstra et al., 2011 ; Li et al., 2016). Cependant ces études ont été réalisées sur des jeux de données assez restreint et la méthode ne peut actuellement pas être considérée comme validée (Święch, 2017). Chez le lapin, Meineri et al., (2009) ont trouvé un SECV de 2,31 % dans la prédiction de la digestibilité de l’énergie, soit 66 kcal/kg d’ED.

Il y a peu de publications relatives aux étalonnages de la digestibilité des nutriments dans des aliments complets. Sur la base de travaux menés sur la digestibilité chez la volaille (Coulibaly et al., 2013), il apparaît que la digestibilité des protéines ou de l’amidon était assez mal prédite par SPIR (SECV de 2,7 et 3,4 %, respectivement) malgré des bases d’étalonnage assez conséquentes. Ceci tend à prouver que le spectre de l’aliment contient peu d’informations sur la manière dont celui-ci va être digéré.

Si la prédiction de la digestibilité des nutriments dans l’aliment complet est difficile, dans le cas d’ingrédients (céréales, sons, tourteaux…) au contraire il peut y avoir des prédictions plus précises car certains facteurs de variation particuliers (chimiques ou physiques) peuvent exister et avoir une trace spectrale importante. C’est le cas notamment quand des traitements technologiques sont appliqués. Le cas le plus emblématique est celui du tourteau de soja, dont le degré de cuisson influe directement sur la digestibilité et la valeur nutritive. D’autres matières premières comme les drêches de distillerie ont également une valeur dépendant du traitement technologique. Dans ces cas la SPIR peut prédire la digestibilité des protéines ou des AA car celles-ci sont liées à l’intensité des traitements thermiques (couleur, propriété physico-chimiques des protéines, présence de réaction de Maillard…), comme l’ont montré Cozannet et al. (2010) sur les drêches.

Van Kempen (1996) a comparé plusieurs stratégies pour la prédiction de la teneur en Acides Aminés digestibles (AAd) : soit d’après une valeur fixe (table d’alimentation), soit par régression sur la teneur en azote, soit directement par SPIR. Dans la plupart des cas les performances de la SPIR sont au moins égales – et souvent supérieures – à celles des autres méthodes. La mise en œuvre est par ailleurs plus simple puisqu'elle n’implique pas l’analyse au laboratoire de l’azote ou d’autres prédicteurs.

Comme pour l’estimation de la composition chimique des ressources, la SPIR est un outil rapide et facile à utiliser pour prédire à moindre coût la composition chimique des fèces. Cette prédiction directe de la composition des fèces peut être intéressante pour faciliter les estimations des quantités ingérées et de la digestibilité in vivo mais également elle a déjà montré son intérêt dans des études sur le comportement alimentaire (Maillard et al., 2005) ou de dynamique des populations notamment chez des animaux sauvages (Gaidet, 2005).

Dans le cas de l’estimation indirecte des quantités ingérées, les estimations de l’excrétion totale de fèces et de la digestibilité sont nécessaires. L’utilisation de marqueurs internes ou externes est souvent mise en place pour faciliter cette estimation car leur utilisation permet d’éviter la collecte totale de fèces. Ceci permet de pouvoir estimer les quantités ingérées sur un plus grand nombre d’animaux ou de pouvoir réaliser cette estimation sur des animaux au pâturage. De nombreuses études ont montré la capacité de la SPIR à doser directement certains de ces marqueurs dans les fèces tels que la lignine, les fibres indigestibles (I-NDF), les n-alcanes ou le polyéthylène glycol (Garnsworthy et Unal, 2004 ; Hellwing et al., 2015 ; Hassoun et al., 2016) en facilitant leur dosage chimique qui est souvent long, coûteux et laborieux.

Les fèces sont constituées de résidus d’aliments, de tissus cellulaires des plantes et de composants d’origine microbienne et animale qui sont le produit de la dégradation et de la synthèse des processus digestifs ainsi que des produits d’origine endogène (Demarquilly et al., 1995). Les spectres des fèces contiennent donc des informations sur les quantités et les caractéristiques des régimes ingérés et des essais de prédiction des quantités ingérées ont été réalisés soit à partir des spectres d’échantillons de fourrages soit à partir des spectres d’échantillons de fèces.

L’estimation indirecte de la composition des régimes, des quantités ingérées ou de la digestibilité par l’analyse des spectres des fèces, appelée SPIR fécale, a été initié par les travaux de Lyons et Stuth (1992). Depuis, de nombreux travaux ont été réalisés en utilisant la SPIR fécale chez différentes espèces, essentiellement chez les ruminants domestiques et sauvages, mais également plus récemment chez les monogastriques.

Chez les ruminants la SPIR sur les fèces a été testée pour estimer les quantités ingérées ou la qualité de l’ingéré (Boval et al., 2004 ; Tran et al., 2010 ; Landau et al., 2016 chez les bovins ; Landau et al., 2005, 2008 chez les caprins ; Coleman et al., 1999 chez les ovins…). Aux États-Unis des laboratoires commerciaux proposent en routine l’estimation de la valeur des rations des ruminants par l’analyse de leurs fèces (« Nutritional Balance System », GANLAB, 2018). Les principaux paramètres à estimer par la SPIR sont la MAT et la dMO. Pour la prédiction de la MAT, les valeurs rapportées par les différents auteurs varient respectivement pour les SEC et R²cal chez les ovins de 0,3 à 1,5 % et de 0,87 à 0,99 % et chez les bovins de 0,3 à 1,3 % et de 0,70 à 0,98 %. De même, les valeurs rapportées pour la dMO varient respectivement pour les SEC et R²cal chez les ovins de 1,5 à 3,2 % et de 0,81 à 0,92 % et chez les bovins de 1,7 à 3,4 % et de 0,71 à 0,89 %. En ce qui concerne les quantités ingérées, quand on compare les résultats obtenus à partir des spectres des fourrages (Andueza et al., 2011a) et ceux obtenus à partir des spectres des fèces (Andueza et al., 2017), on observe des résultats similaires avec un léger avantage pour les fèces quand les modèles SPIR sont basés sur de larges bases de données ou en appliquant la méthode « Local ».

Particulièrement intéressante dans le cas de suivi d’animaux en libre pâture, l’application de la SPIR fécale, une fois les étalonnages établis, ne nécessite que la collecte d’échantillons de fèces. Au pâturage, la collecte d’échantillon de fèces va dans la plupart des cas être réalisée directement au sol ce qui peut entraîner une contamination des échantillons par du sol et donc comme pour la prédiction de la matière organique des aliments et des fourrages être une source potentielle d’erreur lors des prédictions.

Afin d’améliorer les performances des étalonnages obtenus avec les spectres de fèces pour la prédiction de l’ingestion ou de la digestibilité, une approche qui consiste à utiliser conjointement les spectres des fèces et des aliments a été testée pour exploiter la complémentarité des informations. Cette approche ne peut évidemment être utilisée que lorsque l’on a accès à des échantillons représentatifs de l’aliment. Decruyenaere et al., (2009) rapportent une amélioration respectivement de 10 et 9 % du SEC de la matière organique volontairement ingérée et de la dMO par rapport à la seule utilisation des spectres des fèces.

L’information spectrale contenue dans les fèces permet également d’identifier des constituants botaniques des régimes (Dixon et Coates, 2009 chez les bovins ; Glasser et al., 2008 ; Landau et al., 2005 chez les caprins). De nombreux travaux rapportent la capacité de la SPIR fécale à prédire la composition botanique de l’ingéré. Ces différentes approches peuvent consister à prédire les proportions de différentes espèces végétales dans un mélange ou le pourcentage de concentré (Landau et al., 2008 ; Núñez-Sánchez et al., 2016) ou encore les proportions entre différentes classes de végétaux (Coates et Dixon, 2008). La constitution d’étalonnages pour la prédiction qualitative de l’ingéré pose toutefois un problème méthodologique, car les essais sont en général réalisés avec des animaux confinés, alimentés avec un régime ne correspondant pas forcément aux choix alimentaires qu’auraient réalisé les animaux sur parcours (Landau et al., 2006). De fait, même si les précisions des modèles de prédiction sont bonnes dans la phase d’étalonnage, ils ne sont généralement pas assez robustes pour prédire la diversité des espèces végétales des parcours lorsqu’ils sont testés en validation externe (Landau et al., 2006 ; Glasser et al., 2008 ; Núñez-Sánchez et al., 2016).

Si des étalonnages ont été réalisés pour caractériser la composition chimique des effluents de volailles (Reeves, 2001) ou de porcs (Saeys et al., 2004), peu de travaux ont été publiés sur la possibilité de prédire la digestibilité d’après les fèces. L’application pratique est en effet moins évidente que chez les ruminants sur parcours, sauf à vouloir développer un outil de diagnostic en élevage (Bouvarel et al., 2015). Dans le domaine de la recherche la possibilité d’une prédiction directe de la digestibilité par analyse SPIR des fèces est une perspective permettant d’alléger considérablement les expérimentations in vivo, notamment en s’affranchissant d’une collecte totale des fèces dans les expériences de bilan digestif. L’approche a été testée chez le lapin (Meineri et al., 2009), chez la volaille (Coulibaly et al., 2013) et chez le porc (Bastianelli et al., 2015 ; Schiborra et al., 2015).

Les rares étalonnages expérimentaux de prédiction de la valeur énergétique des aliments à partir des spectres des fèces montrent que ceux-ci contiennent une information non négligeable, avec des SECV de l’ordre de 50 kcal ED/kg chez le porc, avec une base assez restreinte (Bastianelli et al., 2015), et de l’ordre de 117 kcal EM/kg chez la volaille (Coulibaly et al., 2013) dans une base assez variée. Dans ce dernier cas l’erreur de prédiction peut être comparée à celle obtenue à partir des spectres des aliments, qui était du même ordre de grandeur (SECV de 127 kcal EM/kg). Chez le lapin (Meineri et al., 2009) le SECV sur l’ED était de l’ordre de 45 kcal/kg alors qu’elle était de 65 kcal/kg avec les spectres des aliments.

Concernant la digestibilité des nutriments, les résultats sont très différents selon les espèces animales et surtout les paramètres mesurés. La digestibilité des protéines est généralement prédite avec une erreur SECV de 2,5 % (Meineri et al., 2009 ; Coulibaly et al., 2013 ; Schiborra et al., 2015). Le SECV est seulement de 1,2 % chez le porc (Bastianelli et al., 2015), sur une base de données ne variant que par les animaux et non l’aliment : la SPIR fécale détecte donc apparemment mieux les variations dues à l’animal que celles dues à l’aliment. La digestibilité des fibres est plus difficile à prédire, avec des SECV de 3 % chez le lapin (Meineri et al., 2009), et jusqu’à 8 à 10 % chez le porc (Schiborra et al., 2015). La digestibilité de l’amidon chez la volaille était par contre prédite de façon très précise (Coulibaly et al., 2013) avec un SECV de 0,74 % seulement : en effet la présence d’amidon dans les fientes est facile à étalonner (Bastianelli et al., 2010) et comme il n’y a pas de source endogène d’amidon sa digestibilité est très fortement corrélée à la teneur fécale.

Comme chez les ruminants, on peut également utiliser conjointement les spectres des aliments et des fèces pour prédire la digestibilité. Chez la volaille, la complémentarité des deux informations spectrales pour la prédiction des paramètres agrégatifs comme l’EM ou la digestibilité de la MS est particulièrement efficace avec des erreurs SECV divisées par deux (tableau 2). Par contre l’apport de cette stratégie est moins évident pour des paramètres comme la digestibilité des protéines ou de l’amidon dont l’essentiel de l'information semble contenu dans le spectre des fientes (Coulibaly et al., 2013).

Table

titre du tableau
Paramètre	Nombre d’échantillons	Spectres aliments	Spectresfientes	Spectres aliments+ fientes
dMS (%)	937	2,82	2,26	1,35
EMA (kcal/kg MS)	916	127	117	57
dAMI (%)	270	2,76	0,74	0,68
dPROT (%)	525	3,47	2,47	2,50

dMS : digestibilité de la MS ; EMA : Énergie Métabolisable Apparente ; dAMI : Digestibilité de l’amidon ; dPROT : Digestibilité des protéines

Chez le lapin, de la même manière, Meineri et al., (2009) ont montré que les sources de données étaient complémentaires pour certains paramètres (digestibilité des lipides, des protéines) mais pas pour d’autres (digestibilité de l’énergie, des fibres). Dans les deux cas l’analyse de la prédiction à partir des deux spectres permet de réfléchir sur le contenu en information des aliments et des fèces, et par conséquent sur l’origine des facteurs de variation de la digestibilité. La relativement mauvaise prédiction des paramètres de digestibilité par le spectre des aliments montre en effet que la digestibilité réellement observée est très liée à l’interaction de l’aliment avec l’animal.

Comme toute technique analytique, la SPIR nécessite de bonnes pratiques au laboratoire, basées sur des procédures rigoureuses et un contrôle continu des résultats produits. Dans le domaine de l’alimentation animale, il existe des normes pour définir les conditions de mise en œuvre de la SPIR (NF EN ISO 12099 ; Méthode 39.00-01 ; AACC, 2009). Toutefois cela n’en fait pas une méthode de référence. La SPIR étant une mesure indirecte, le statut du résultat produit (prédiction) peut poser question car il n’est pas issu de l’application des méthodes de référence normées et faisant foi pour des relations contractuelles. Dans un certain nombre de cas précis le résultat analytique SPIR est accepté comme référence, mais ces cas sont relativement rares. L’AACC (« American Association of Cereal Chemists ») a approuvé des méthodes SPIR pour un nombre limité d’analyses, notamment la détermination de protéines et de lipides dans le soja (Méthode 39.20-01, AACC, 2009).

Au-delà de l’application de procédures adéquates, un certain nombre de choix méthodologiques peuvent influer sur la mise en œuvre de la SPIR, voire sur les résultats produits :

Comme le spectre d’un produit est conditionné par l’ensemble des paramètres de composition chimique et des caractéristiques physiques de l’échantillon, il synthétise de manière unique celui-ci. Des échantillons semblables ont des spectres proches, tandis que des échantillons très différents ont des spectres éloignés. La SPIR peut donc être utilisée pour des applications qualitatives et servir à discriminer des échantillons.

La première approche est de transformer les catégories en variables quantitatives : le premier exemple ci-dessous concernera ainsi la prédiction des proportions de catégories de plantes dans un couvert. Mais les spectres peuvent aussi être directement utilisés pour classifier ou discriminer des échantillons sans avoir à passer par la prédiction de leur composition chimique. L’affectation à une classe est alors immédiate, et peut prendre en compte des propriétés du produit qui ne seraient pas décrites par une analyse proximale classique.

Les techniques spectroscopiques d’absorption moléculaire sont très répandues dans les méthodes d’analyses des ressources alimentaires. Basées sur l’excitation de l’espèce chimique par l’absorption de photons elles vont permettre d’obtenir des informations qualitatives et quantitatives sur des molécules organiques et inorganiques dans la région visible et ultraviolette du spectre électromagnétique. Ces techniques permettent par exemple le dosage de minéraux tels que le calcium ou le phosphore, ou encore le dosage des tannins dans les ressources fourragères.

Lors du retour de l’état excité à l’état fondamental des espèces chimiques, certaines d’entre elles vont être capable d’émettre des photons fluorescents. Les techniques de fluorescence sont beaucoup plus sensibles que celles d’absorption et de plus elles présentent des plages de linéarité plus importantes. Cependant, la fluorescence est moins utilisée que les méthodes d’absorption moléculaire à cause du nombre limité des systèmes chimiques qui peuvent produire de la fluorescence. Dans les aliments du bétail, la grande sensibilité de la fluorescence pourrait être mise à contribution dans les méthodes de détermination de contaminants tels que les mycotoxines ou les antibiotiques.

L’analyse dans l’infrarouge moyen (MIR) est basée sur le même principe que la SPIR, i.e. l’absorption de la lumière par les vibrations des liaisons chimiques à des longueurs d’onde comprises entre 2 500 et 25 000 nm. Cette technique n’a pas suivi le même développement que la SPIR à cause des fortes absorptions dans cette gamme spectrale qui obligeait initialement la dilution de l’échantillon dans du KBr afin de diminuer cette l’absorption. Grâce au développement d’approches telles que la réflexion diffuse ou la réflexion totale atténuée (ATR) qui ont permis de fortement diminuer la préparation des échantillons pour l’acquisition spectrale, l’analyse MIR a connu un très fort développement ces dernières années. L’infrarouge moyen est fréquemment utilisée pour l’analyse des sols (Reeves et al., 2001) et plus particulièrement pour l’analyse du carbone du sol (Bellon-Maurel et McBratney, 2011) mais aussi pour l’analyse de produits alimentaires tels que par exemple le lait dans lequel outre la composition classique on peut effectuer le dosage des acides gras (Ferrand-Calmels et al., 2014). Les spécificités du MIR en font une technique d’analyse complémentaire de la SPIR dans la caractérisation des ressources alimentaires.

La spectrométrie Raman est basée sur la modification de la fréquence des rayonnements lors de leur interaction avec l’échantillon. Elle consiste à envoyer sur l’échantillon une lumière monochromatique puissante (laser) et à recueillir le spectre de diffusion généré. Cette technique, initialement assez lourde en équipement, devient maintenant plus accessible grâce à des matériels plus légers et moins onéreux. Elle nécessite une faible quantité d’échantillon et peut être faite avec très peu de préparation. En outre la présence d’eau dans l’échantillon analysé n’est pas problématique. Utilisée de manière croissante dans des applications pharmaceutiques ou dans l’industrie des polymères, la spectroscopie Raman pourrait à l’avenir permettre l’analyse de certaines molécules organiques ou minérales dans les aliments, notamment des pigments ou des contaminants comme la mélamine (Liu et al., 2009).

Ces différentes techniques spectroscopiques avec leurs avantages et leurs spécificités en font des techniques complémentaires. La combinaison de différentes techniques permettra certainement à l’avenir d’améliorer la capacité de caractérisation des ressources alimentaires. De même, l’utilisation combinée à la SPIR d’autres méthodes permettant par exemple d’accéder à des informations plus physiques telle que la spectroscopie acoustique (Lomborg et al., 2009) ou à des informations liées à des composés volatiles tels que les nez électroniques (Masoero et al., 2007) que la SPIR seule a des difficultés à capter offrent des perspectives intéressantes pour le développement de la caractérisation des ressources alimentaires.

Tandis que les spectromètres classiques prennent le spectre moyen d’un échantillon sur une surface relativement importante (de l’ordre de quelques cm²), les caméras hyperspectrales permettent de prendre une image complète d’un échantillon, chaque pixel contenant un spectre complet. Selon le système optique de la caméra, l’échantillon peut être de taille différente (du microscope à la parcelle). Ce type de dispositif peut soit permettre d’étudier la répartition spatiale d’une propriété (par exemple teneur en protéines dans un champ, ou au sein d’une feuille), soit permettre d’avoir une évaluation moyenne sur tout ou partie de l’échantillon. Les applications sont potentiellement nombreuses, depuis la recherche jusqu’à l’industrie.

En alimentation animale l’imagerie (en microscopie) a par exemple été proposée pour prédire la composition en ingrédients d’aliments complets, et y détecter la présence de farines animales (Piraux et Dardenne, 2000 ; Fernández Pierna et al., 2006). Une application a été également proposée pour détecter par discrimination spectrale des particules de mélamine dans des échantillons de soja, permettant une quantification à de très faibles teneurs (Yang et al., 2016). L’imagerie hyperspectrale permet également de classifier des échantillons de végétaux (prairie) selon l’origine botanique des plantes qui la composent (Dale et al., 2013).

L’imagerie reste une technique assez lourde, par le poids des images générées (une seule image de 1000 × 1000 pixels sur 256 longueurs d’onde contient 256 millions de valeurs d’absorbance), et par la complexité des traitements informatiques et statistiques nécessaires. Cependant, avec l’augmentation de la capacité de traitement des ordinateurs, le passage en routine de ces outils ne pose aujourd’hui plus de problèmes et ils sont utilisés dans des domaines tels que l’industrie pharmaceutique.

L’imagerie aérienne ou satellitaire relève du même principe, mais avec un éclairage naturel au lieu d’une source lumineuse contrôlée. En outre jusqu’à présent les images de télédétection étaient réalisées sur un nombre limité de longueurs d’onde, visible ou très proches du visible. Avec le développement de solutions d’imagerie SPIR plus légères et moins coûteuses, on peut aujourd’hui avoir des spectres complets avec des caméras embarquées par exemple sur des drones (Saari et al., 2017).