|
Résumé :
|
Ce travail évalue la capacité de dix modèles d’apprentissage automatique à reproduire la sécheresse agricole dans le nord du Maroc à partir de deux indices intégrés, SMADI et IADI, aux échelles interannuelle, annuelle et saisonnière sur 2000–2023. À l’échelle interannuelle, les approches d’ensemble (Random Forest, Gradient Boosting) et KNN offrent les meilleures performances pour les deux indices, avec des R² test typiquement compris entre 0,85 et 0,91 selon l’indice et l’algorithme, surpassant nettement les modèles linéaires (Ridge, Lasso, RLM). À l’échelle saisonnière, IADI se montre globalement plus prédictif, notamment en automne, tandis que SMADI est plus stable mais moins précis (R²
|
