Thèse de Doctorat

Individualisation du conseil agricole par Machine Learning

Une approche algorithmique pour transformer l'hétérogénéité des sols et des micro-climats en recommandations d'irrigation de haute précision. Ce modèle croise la télémétrie in situ et la télédétection spatiale pour modéliser le système agricole comme un environnement prédictif complexe.

Couverture de la thèse

Matrice d'Entrée Hétérogène (Dataset)

IoT & Capteurs Sol

  • Humidité vol. (θ)
  • Temp. (Ts)
  • Salinité

Télédétection

  • NDVI
  • MNT
  • Drainage

Agro-Météorologie

  • Pluviométrie (P)
  • Évapo. (ET0)

Physico-Chimie

  • pH, NPK
  • Mat. Organique

Architecture & Modélisation

Pipeline de Traitement

1

Synchronisation Temporelle

Interpolation par splines cubiques pour aligner les flux horaires des capteurs IoT avec les survols satellitaires (5 jours) sur un pas de temps journalier.

2

Imputation & Standardisation

Nettoyage par test de Chauvenet et centrage-réduction (Z-Score) pour normaliser les échelles des données physico-chimiques.

3

Réduction de Dimensionnalité

Analyse en Composantes Principales (PCA) conservant 95% de la variance expliquée afin d'éliminer la colinéarité des variables climatiques.

Modèle MLP (Perceptron Multicouche)

L'algorithme s'appuie sur une architecture Deep Learning optimisée pour capturer les relations non-linéaires du système agronomique.

Propagation Avant (Forward Pass)
a(l) = σ( W(l) · a(l-1) + b(l) )
Fonction de Perte (Loss - MSE + Régularisation L2)
L = 1⁄N ∑ (yi − ŷi)2 + λ ∑ ||W(l)||2

Topologie du Réseau Décisionnel

INPUT TENSORHIDDEN 1 (ReLU)HIDDEN 2 (ReLU)OUTPUT (Linear)IoT (Sol)Sat (NDVI)MétéoChimiePrédictionVolume Eau (L/ha)

Évaluation Comparative

Algorithme EvaluéErreur (RMSE)Précision (R²)
Régression Linéaire0.4820.62
Support Vector Machine (RBF)0.2140.84
Forêt Aléatoire (Random Forest)0.1580.91
Perceptron Multicouche (Modèle Final)0.1020.96