|
Résumé :
|
La prédiction précise du rendement des cultures est cruciale pour la sécurité alimentaire mondiale et la gestion efficace des ressources agricoles. Ce mémoire aborde la problématique de l'estimation du rendement du blé, une céréale stratégique, en intégrant des données de télédétection et des techniques d'intelligence artificielle. L'objectif principal est de concevoir, implémenter et évaluer des modèles avancés d'apprentissage automatique et d'apprentissage profond pour la prédiction du rendement du blé, en exploitant la richesse des données satellitaires multispectrales et des variables climatiques. La méthodologie adoptée repose sur l'exploitation d'images Sentinel-2 (2020-2024), de données climatiques (précipitations et températures) et de rendements de blé simulés pour 30 parcelles agricoles dans la commune de Sidi Yahya Zaer, au Maroc. Les données ont été prétraitées, incluant le calcul de l'indice de végétation par différence normalisée (NDVI) et la normalisation. Plusieurs modèles d'apprentissage automatique (Random Forest, XGBoost, Support Vector Machine) et d'apprentissage profond (CNN-LSTM) ont été entraînés et évalués. Nous avons proposé une nouvelle architecture nommée STAFNet (Spatial-Temporal Attention Fusion Network), qui a également été entraînée et évaluée, avec et sans augmentation de données via des Réseaux Antagonistes Génératifs (GAN). Les résultats obtenus démontrent que le modèle XGBoost surpasse les autres modèles d'apprentissage automatique classiques avec un R² de 0.919 sur le jeu de test. Cependant, l'intégration de données synthétiques générées par un GAN dans le modèle STAFNet a significativement amélioré sa capacité de généralisation et sa robustesse. Sur les données de test, le R² de STAFNet est passé de 0.909 (sans GAN) à 0.935 (avec GAN), le RMSE a été réduit de 191.50 à 155.93 kg/ha, et le MAE de 168.21 à 122.88 kg/ha. Ce travail met en évidence le potentiel des modèles d'apprentissage profond, en particulier STAFNet enrichi par l'augmentation de données via GAN, qui permettent une prédiction précise et stable du rendement du blé, ouvrant ainsi la voie à une gestion agricole plus résiliente et à un renforcement de la sécurité alimentaire.
|
