| Titre : | Détection des Pratiques de Semis Direct par Télédétection : Évaluation Comparative d'Approches par Apprentissage Automatique et Profond sur Séries Temporelles Sentinel |
| Auteurs : | BADDOU Mohammed, Auteur ; LAHLOU Mouanis, Auteur ; BAMOUH Soufiane, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 132 |
| Langues: | Français |
| Mots-clés: | Semis Direct ; Apprentissage Automatique ; Apprentissage Profond ; Télédétection ; Séries Temporelles ; Random Forest ; GRU ; ConvLSTM ; Sentinel-1 ; Sentinel- 2 ; Interprétabilité des Modèles. |
| Résumé : |
Le suivi à grande échelle des pratiques d'agriculture de conservation est un enjeu
stratégique pour le Maroc dans le cadre de sa stratégie "Génération Green 2020-2030". Ce projet aborde le défi de la détection du semis direct, une pratique culturale subtile dont la signature en télédétection est difficile à isoler, particulièrement dans des contextes où les données de terrain sont rares. En s'appuyant sur un jeu de données de 199 parcellescampagnes dans la province de Sidi Kacem, ce travail propose une évaluation comparative rigoureuse de trois approches de modélisation de complexité croissante, basées sur des séries temporelles d'images Sentinel-1 (radar) et Sentinel-2 (optique). La première approche, classique, utilise des modèles Random Forest et XGBoost sur un sous-ensemble optimisé de caractéristiques statistiques. La deuxième, temporelle, emploie un réseau de neurones récurrents (GRU) pour analyser directement les séquences d'indices. La troisième, spatiotemporelle, met en oeuvre un modèle ConvLSTM pour traiter des séquences d'images brutes. Les résultats démontrent la haute performance de toutes les approches, avec une supériorité pour les modèles de Deep Learning. Le modèle ConvLSTM (spatio-temporel) s'est avéré être le plus performant, atteignant une exactitude de 89% et un score F1 de 0.85 pour la classe "Semis Direct", offrant le meilleur compromis entre une précision (0.94) ce qui dénote un faible taux de faux positif de l'ordre de (0.06), et un rappel de (0.77) ce qui dénote un taux de faux négatif de l'ordre de (0.23). Les autres approches, y compris le Random Forest (exactitude de 88%) et le GRU (exactitude de 87%), ont également fourni des résultats de haut niveau, validant la pertinence des différents paradigmes. Les analyses d'interprétabilité (SHAP, occlusion) ont confirmé la logique agronomique de tous les modèles, en soulignant l'importance de la fenêtre temporelle post-récolte et pré-levée et la synergie entre les indices de résidus (optique) et de rugosité du sol (radar). En conclusion, ce travail valide une méthodologie fiable pour le suivi du semis direct et propose des perspectives concrètes pour améliorer la robustesse des modèles, notamment via l'enrichissement des jeux de données, le passage à la segmentation sémantique (U-Net) et l'exploration de modèles de fondation pré-entraînés. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/BADDOU_Mohammed_2025.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041803 | 10620 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
