| Titre : | Optimisation des hyperparamètres Deep Learning pour la classification des cultures Cas d'usage : Périmètre irrigué Marrakech |
| Auteurs : | EL KHALIL Abdelaziz, Auteur ; LAHLOU Mouanis, Auteur ; El MANSOURI Loubna, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2026 |
| Format : | 91 |
| Langues: | Français |
| Mots-clés: | CNN ; séries temporelles NDVI ; Grid Search ; optimisation bayésienne (Optuna) ; cartographie. |
| Résumé : |
Dans un contexte où les changements climatiques et la pression croissante sur les ressources en
eau du bassin du Tensift fragilisent la durabilité des périmètres irrigués marocains, disposer d’une cartographie fiable et rapide des cultures devient un enjeu stratégique pour la gestion de l’eau et la sécurité alimentaire. Les algorithmes de Deep Learning, et en particulier les réseaux de neurones convolutifs 1D appliqués aux séries temporelles NDVI, permettent aujourd’hui d’automatiser cette cartographie avec de bonnes performances. Leur efficacité dépend toutefois fortement du réglage de leurs hyperparamètres, une étape coûteuse en temps de calcul et encore peu étudiée sous cet angle dans le contexte agricole marocain. Ce travail compare ainsi deux stratégies d’optimisation des hyperparamètres d’un CNN, la recherche par grille (Grid Search) et l’optimisation bayésienne (Optuna), afin de déterminer laquelle offre le meilleur compromis entre performance de classification et temps de calcul, pour la cartographie des cultures du périmètre irrigué de Marrakech. L’étude s’appuie sur un jeu de donnée, réparties en six classes de cultures (Céréales, Cultures permanentes, Luzerne, Maraîchage d’été et Maraîchage d’hiver), caractérisées par une série temporelle de 28 valeurs NDVI Sentinel-2 sur la campagne agricole 2024-2025. Les résultats montrent que les deux méthodes atteignent des performances de classification très proches sur l’ensemble de test parcellaire (F1-macro de 0,774 pour le Grid Search contre 0,787 pour Optuna), et convergent vers des configurations d’hyperparamètres quasi identiques. C’est sur le plan du temps de calcul que la différence devient décisive : la recherche par grille a nécessité environ 79 heures pour évaluer exhaustivement ses 81 combinaisons, contre seulement 9 à 10 heures pour l’optimisation bayésienne, soit une accélération d’un facteur proche de huit. À performance équivalente, l’optimisation bayésienne s’impose donc comme la stratégie offrant le meilleur compromis pour un déploiement opérationnel à grande échelle, là où le temps de calcul constitue une contrainte critique. Ce travail propose ainsi un protocole comparatif rigoureux et reproductible, transposable à d’autres périmètres irrigués, et ouvre des perspectives d’amélioration portant notamment sur l’enrichissement des caractéristiques spectrales et l’élargissement du cadre comparatif à d’autres méthodes d’optimisation. |
| Examinateur : | TEBER Nour-El Houda/ALAMI MACHICHI Mouad |
| Président : | DEHHAOUI Mohammed |
| Rapporteur : | LAHLOU Mouanis/El MANSOURI Loubna |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/EL_KHALIL_Abdelaziz_2026_10814.pdf |
Exemplaires (2)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200042202 | 10814 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
| 200042203 | 10814 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
