| Titre : | Évaluation des performances de modèles d'apprentissage profond pour prédire la composition chimique de fourrage à partir de données de spectroscopie en proche infrarouge. |
| Auteurs : | DSSAM Abdelali, Auteur ; BENSIALI Saloua, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 88 |
| Langues: | Français |
| Mots-clés: | Spectrométrie en Proche Infrarouge (SPIR) ; Chimiométrie ; Apprentissage Profond ; Apprentissage Automatique ; Qualité des Fourrages ; Régression ; kNN-LWPLSR ; Réseaux de Neurones Convolutifs (CNN) ; Autoencodeur (AE) ; CIRAD. |
| Résumé : |
L'évaluation de la qualité des fourrages par spectroscopie en proche infrarouge (SPIR) est un enjeu essentiel, notamment pour sa nature non-destructive et la rapidité d'analyse de la composition des fourrages. Ce projet aborde la problématique de la modélisation des données spectrales, caractérisées par une haute dimensionnalité, une forte hétérogénéité et des relations non-linéaires complexes. Étant donné la taille relativement limitée de ces jeux de données, la question centrale est de déterminer si les nouvelles architectures d'apprentissage profond peuvent être efficaces et comment elles se positionnent par rapport à des méthodes chimiométriques performantes de pointe.
En s'appuyant sur un jeu de données privé du CIRAD-Selmet, ce travail propose une évaluation comparative entre le kNN-LWPLSR, un modèle local non-linéaire de référence, et trois stratégies de Deep Learning : Une approche convolutive supervisée directe (1D-CNN), Une architecture multi-échelles plus complexe inspirée d'Inception (IPA), et Une extraction de caractéristiques non-supervisée via un autoencodeur convolutif (1D-CAE). Six modèles distincts ont été développés pour prédire six variables chimiques clés (cp, ndf, adf, adl, cf, dmdcell). Sur ce jeu de données, Les résultats ont montré que le modèle kNN-LWPLSR s'est avéré le plus performant pour quatre des six variables, soulignant l'efficacité de sa stratégie de modélisation locale pour gérer l'hétérogénéité des données. À l'inverse, un modèle de Deep Learning, le CNN-R_v1E, a montré une performance supérieure pour 2 variables, confirmant le potentiel de l'extraction de caractéristiques par convolution. Tous les modèles les plus performants ont atteint un niveau de prédiction jugé "satisfaisant", avec un rapport de performance à l'écart-type (RPD) supérieur à 3. En conclusion, ce travail valide que les méthodes chimiométriques locales spécialisées comme le kNN-LWPLSR conservent leur robustesse et ne sont pas encore systématiquement surpassées par les approches d'apprentissage profond pour ce type de problématique. Bien que l'apprentissage profond soit prometteur, ses performances actuelles dans cette étude suggèrent que, pour ce jeu de données, il ne justifie pas systématiquement son coût computationnel et sa complexité. Ainsi, le kNN-LWPLSR représente un compromis pratique supérieur entre performance et efficience pour ce type de données. |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041820 | 10634 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
