Nº 7366 – 1er rejeb 1446 (2-1-2025)
BULLETIN OFFICIEL
159
Description de l’exploitation de la composante IA dans le travail : La composante IA dans ce travail est exploitée à travers le développement de modèles prédictifs pour répondre aux objectifs du travail. -
Classification des arbres par taille de canopée :
Dans la première partie de thèse, nous avons mis en place un système de classification des arbres d’une parcelle condensée en trois catégories : arbres à grande canopée, arbres à canopée normale et arbres à faible canopée ou manquants. Le système repose sur une première phase de traitement d'une image satellite à haute résolution spatiale (0,5 m minimum), utilisant un apprentissage non supervisé, plus précisément l'algorithme K-means pour segmenter les pixels de l'image et identifier ceux qui représentent les arbres. Ce résultat est combiné avec un deuxième traitement de l'image basé sur la télédétection, en particulier par l'extraction de l'indice NDVI qui permet de sélectionner uniquement les pixels représentant les arbres et l'herbe dans la parcelle. Cette combinaison nous permet d'éliminer les herbes qui ne sont pas des arbres, ainsi que de corriger les erreurs de segmentation des pixels. Après le traitement des images, nous avons développé un algorithme de classification semi-automatique qui détecte exactement la localisation des arbres et contourne la canopée de chaque position d’arbres à partir des pixels obtenus par le premier traitement de l'image. -
Prédiction du rendement d’une parcelle d’agrumes :
Dans cette partie, nous avons développé deux modèles de prédiction du rendement basés sur une combinaison de données terrain et de données satellitaires : Le premier modèle est basé sur des algorithmes de machine Learning, et le deuxième basé sur le deep Learning : Pour le premier modèle, un jeu de données composé de 216 facteurs et 250 échantillons a été pré-préparé, et nous avons testé différents algorithmes de machine Learning (algorithmes linéaires, arbre de décision, algorithmes d'ensemble Learning, …). Tous les algorithmes ont été optimisés grâce à l'algorithme Grid-Search, et le test a été effectué par une validation croisée afin deux mois avant la récolte. Par ailleurs, nous avons étudier la pertinence des différents facteurs afin d’aider et faciliter le travail de l’agriculteur qui désire améliorer sa récolte. Pour le deuxième modèle, nous avons développé un réseau de neurones artificiels qui prend en entrée les données terrain et des images spectrales. Le modèle a été testé sur 5 parcelles pendant 5 années d’étude. Ces données de test sont totalement séparées de l'ensemble de données afin d’obtenir des résultats fiables et confiants.
Résultats : Pour le premier objectif, nous avons obtenu un score de 0,93 (F-mesure) en segmentation, et les résultats sont visualisés dans une carte contenant tous les arbres avec leurs classes. Une validation sur le terrain a été réalisée par une comparaison entre les cartes obtenues et la réalité terrain. Pour le deuxième objectif, la prédiction par machine Learning a donné un score de 0,2489 (MAE) et 0,0843 (MSE). Par ailleurs, une comparaison individuelle de chaque parcelle a démontré un score moyen de 16% dans la totalité des parcelles utilisées pour le test.
43