| Titre : | Détection Automatique du Stress Hydrique des Agrumes par Deep Learning en Exploitant l’Imagerie Thermique et Multispectrale Acquise par Drone |
| Auteurs : | OUNDOUH Ossama, Auteur ; EL HAFIDY Anass, Auteur ; BOUZIANI Mourad, Auteur ; YAAGOUBI Reda, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2026 |
| Format : | 136 |
| Langues: | Français |
| Mots-clés: | Stress hydrique ; CWSI ; drone ; YOLOv11s ; imagerie thermique ; imagerie visible et multispectrale ; agriculture de précision. |
| Résumé : | La détection du stress hydrique constitue un enjeu important pour l’amélioration de la gestion de l’irrigation en agriculture de précision, notamment dans les vergers soumis à des conditions climatiques de plus en plus contraignantes. Les méthodes classiques de suivi, basées sur l’observation visuelle ou sur des mesures ponctuelles, restent limitées pour une surveillance rapide et spatialisée. Malgré les avancées récentes en télédétection agricole et en Deep Learning, peu d’études ont combiné simultanément les images visibles, thermiques et multispectrales avec des modèles de détection de type YOLO pour une localisation rapide du stress hydrique à l’échelle du verger. Dans ce contexte, ce travail propose une approche intelligente pour la détection automatique du stress hydrique à partir d’images acquises par drone. La méthodologie repose sur l’exploitation conjointe des images visibles, thermiques et multispectrales, ainsi que sur l’utilisation de l’indice CWSI pour identifier les zones affectées. Les données préparées ont été utilisées pour entraîner des modèles de détection d’objets de type YOLOv11s, qui a été choisi pour sa légèreté utile pour la détection du stress à partir des vidéos et sa capacité à localiser les zones stressées sous forme de boîtes englobantes. Deux architectures principales ont été étudiées : le modèle CWSI-YOLOv11s-RGBT, combinant les images visibles et thermiques, et le modèle CWSI-YOLOv11s-RGBT-MS, intégrant en plus les données multispectrales. Les résultats obtenus montrent que le modèle RGBT offre le meilleur compromis entre performance, rapidité et complexité computationnelle. Le meilleur test de ce modèle a atteint une précision de 0,91, un score F1 de 0,75 et une mAP50 de 0,77 pour la classe stress hydrique. Le modèle RGBT-MS a également montré des résultats satisfaisants, avec une précision de 0,90, un score F1 de 0,73 et une mAP50 de 0,75, mais son apport reste limité dans les conditions expérimentales de cette étude. Ces résultats confirment le potentiel de la télédétection par drone et des modèles YOLO pour le suivi automatique du stress hydrique et l’aide à la décision en irrigation raisonnée. |
| Examinateur : | AMSELEK Oumaima/SAHRAOUI Sara |
| Président : | SEIF-ENNASR Marieme |
| Rapporteur : | BOUZIANI Mourad/YAAGOUBI Reda |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/OUNDOUH_EL_HAFIDY_2026_10807.pdf |
Exemplaires (2)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200042185 | 10807 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
| 200042184 | 10807 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
