| Titre : | Machine learning applied to crop mapping in rice varieties using spectral images - Sevilla |
| Auteurs : | EL MASSLOUHI Kenza, Auteur ; GHAOUTI Lamiae, Auteur ; NAKRO Amal, Auteur ; SAN BAUTISTA Alberto, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 98 |
| Langues: | Français |
| Mots-clés: | Sentinel-2 ; Riz ; Apprentissage automatique ; Classification par pixel ; Cartographie variétale ; Agriculture de précision ; Cartographie des cultures ; Télédétection. |
| Résumé : |
Le changement climatique modifie la dynamique de l’agriculture mondiale en perturbant la
phénologie des cultures et les régimes hydrologiques. Ces impacts sont particulièrement marqués pour les cultures à fortes exigences en eau et à fenêtres de semis limitées, comme le riz. Le riz est essentiel à la sécurité alimentaire mondiale, fournissant plus de 20 % de l’apport énergétique alimentaire. Sa production dépend de la disponibilité en eau, des pratiques agronomiques et de l’amélioration génétique des variétés cultivées. La cartographie des variétés de riz permet d’optimiser les rendements, de surveiller les maladies, de mieux allouer les ressources et de renforcer les programmes de sélection ciblés. L’Espagne est le deuxième producteur de riz de l’Union européenne, avec environ 105 000 ha cultivés. Les principales régions productrices sont Andalucía, Extremadura, Cataluña et Valencia, suivies par Aragón et Navarra. Cette étude a été réalisée lors des campagnes rizicoles de 2021, 2022 et 2024 dans les Marismas del Guadalquivir, à Sevilla. Elle évalue le potentiel des images multi-temporelles Sentinel-2 combinées à l’apprentissage automatique pour cartographier les variétés de riz. Des images Sentinel-2 sans nuages couvrant l’ensemble des saisons culturales ont été utilisées, chacune fournissant des valeurs de réflectance pour 10 bandes spectrales. En raison de la forte dimensionnalité du jeu de données (bandes spectrales et Jours Après Semis, DAS), une Analyse en Composantes Principales (ACP) a été appliquée afin de réduire la redondance et extraire les caractéristiques les plus informatives. L’ACP a révélé deux stades phénologiques clés : le tallage (35–45 DAS) et le développement reproductif (75–90 DAS). À partir de quatre combinaisons spectrales durant ces stades, quatre classificateurs (Random Forest, KNN, XGBoost et Régression Logistique) ont été entraînés sur les données de 2021 et 2024, puis testés sur celles de 2022, produisant huit configurations par modèle. Random Forest a obtenu les meilleures performances : 94 % de précision au stade reproductif et 92 % au tallage. Les modèles non linéaires ont surpassé les modèles linéaires, confirmant que l’intégration de données satellitaires calées sur la phénologie et de classificateurs non linéaires améliore la détection des différences spectrales liées aux variétés de riz. Cette approche constitue un cadre opérationnel pour l’agriculture de précision. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/EL_MASSLOUHI_Kenza_2025.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041804 | 10621 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
