| Titre : | Approches d'intelligence artificielle et de télédétection pour la Prédiction des rendements de blé dans un contexte de changement climatique |
| Auteurs : | BOUNAISSAT Botayna, Auteur ; MOUANIS Lahlou, Auteur ; MERDAS Mohamed, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 107 |
| Langues: | Français |
| Mots-clés: | Deep Learning ; machine Learning ; télédétection ; blé ; changement climatique |
| Résumé : |
Le blé est l’une des céréales stratégiques les plus importantes pour la sécurité alimentaire mondiale, et il occupe une place particulière au Maroc où il couvre près de 65 % des terres céréalières, soit plus de 2,9 millions d’hectares. Toutefois, les effets de plus en plus marqués du changement climatique – températures plus élevées, précipitations irrégulières, vagues de chaleur plus fréquentes – menacent fortement la productivité du blé.
Pour aider les décideurs à mieux gérer l’approvisionnement du marché et assurer la sécurité alimentaire, l’estimation des rendements à partir de données fiables est devenue un outil essentiel. Dans ce contexte, nous avons développé une approche innovante et efficace intégrant des modèles combinant données de télédétection et données climatiques afin de prédire le rendement du blé tendre au Maroc. Notre méthodologie exploite l’indice NDVI dérivé des images Sentinel-2 ainsi que des variables climatiques issues du système CGMS. Nous avons testé et comparé deux familles de modèles d’apprentissage automatique et profond, en évaluant leur capacité à prédire les rendements à l’échelle parcellaire dans un contexte de forte variabilité climatique et agronomique : Une approche machine Learning basée sur des données tabulaires (NDVI, température, précipitations, localisation…) agrégées par décade, appliquée aux trois grandes régions agricoles marocaines : Casablanca–Settat, Rabat–Salé–Kénitra et Béni Mellal–Khénifra. Une approche Deep Learning exploitant directement les images NDVI découpées par parcelle, via des architectures CNN et CNN+DNN, avec ou sans augmentation de données. Les résultats expérimentaux ont montré que les modèles XGBoost et XGBoost+DNN obtenaient les meilleures performances, avec des coefficients de détermination ????2 supérieurs à 0,80 sur les données augmentées. L’intégration de réseaux GAN a permis d’améliorer la généralisation des modèles, en particulier pour les réseaux profonds (DNN, SVM), réduisant l’erreur absolue moyenne (MAE) et renforçant la stabilité des prédictions. Du côté du Deep Learning, les modèles combinant NDVI et climat ont partiellement capturé les dynamiques de croissance, avec des scores ????2 légèrement inférieurs (≈ 0,55–0,65) par rapport aux modèles tabulaires, mais présentent un fort potentiel opérationnel en exploitant directement les images satellites sans extraction manuelle d’indicateurs. Malgré ces résultats prometteurs, l’étude a été limitée par la disponibilité restreinte des données de rendement, limitées à une seule campagne agricole (2021), ce qui réduit la fiabilité interannuelle et les capacités prédictives. L’accès à des séries pluriannuelles de rendement permettrait d’entraîner des modèles plus robustes, capables de mieux saisir les dynamiques saisonnières et climatiques. Cela ouvrirait la voie à l’utilisation de modèles séquentiels (LSTM, Transformers) pour des prédictions plus fines à long terme, à l’exploration d’architectures Deep Learning plus avancées et à l’optimisation des périodes phénologiques intégrées pour chaque variable. Une approche hybride combinant plusieurs modèles (fusion par Ensemble Learning) pourrait également améliorer significativement la performance prédictive. En conclusion, cette étude démontre la valeur ajoutée de l’intelligence artificielle et de la télédétection pour accompagner la prise de décision en agriculture, en soulignant l’importance d’un historique riche et continu de données pour atteindre une précision suffisante dans un contexte opérationnel. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/BOUNAISSAT_Boutayna_2025.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041747 | 10573 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
