Titre :	IoT-based Smart Agriculture System for Precision Farming
Type de document :	document électronique
Auteurs :	Douaa Khaled ; Khadidja Benarar, Auteur ; Gherbi ,Chirihane, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2025
Importance :	1 vol (65 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet of Things Smart Agriculture Machine Learning Crop Prediction Intrusion Detection Ensemble Learning
Index. décimale :	004 Informatique
Résumé :	The integration of Internet of Things (IoT) technologies in agriculture has led to the emergence of smart farming systems that enable real-time monitoring, data collection, and precision decision-making. However, the growing complexity of these interconnected systems presents two major challenges; the need for accurate agricultural prediction and the risk of cybersecurity threats targeting vulnerable IoT devices. To address these challenges, this work proposes two machine learning-based solutions a Random Forest-assisted wrapper (RFA-Wrapper) method for predicting crop productivity using time-series and environmental data, and AgriStackIDS, an ensemble intrusion detection system for securing smart agriculture networks. Both models were evaluated on real-world datasets using key performance metrics, including accuracy, F1-score, and recall. The results show that RFA-Wrapper outperforms traditional models in prediction tasks, while AgriStackIDS achieves high detection performance in both binary and multi-class classifications. These contributions demonstrate the effectiveness of machine learning in enhancing both productivity and cybersecurity in IoT-based agricultural environments.
Note de contenu :	Sommaire List of figures III List of tables IV General introduction 2 1 State of the Art 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 IoT networks Vs traditional networks . . . . . . . . . . . . . . . 4 1.2.3 IoT Components . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.4 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.5 IoT Advantages and Disadvantages . . . . . . . . . . . . . . . . 7 1.2.6 IoT Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 IoT in Agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Traditionnel Agriculture . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Smart Agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.3 Traditional Agriculture Vs Smart Agriculture . . . . . . . . . . 10 1.3.4 IoT Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.5 IoT Applications in Smart Agriculture . . . . . . . . . . . . . . 12 1.4 Precision farming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.2 Precision farming cycle . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.3 Technologies in precison farming . . . . . . . . . . . . . . . . . 15 1.4.4 Advantages and challenges . . . . . . . . . . . . . . . . . . . . 16 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Related Review 18 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.1 Definiton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.2 ML approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.3 ML characteristics . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Machine Learning in smart agriculture . . . . . . . . . . . . . . . . . . 21 2.4 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.1 An efficient IoT based smart farming system using machine learning algorithms . . . . . . . . . . . . . . . . . . . . 22 2.4.2 Smart Agriculture using Ensemble Machine Learning Techniques in IoT Environment . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.3 Development of a smart IoT-based drip irrigation system for precision farming . . . . . . . . . . . . . . . . . . . . 26 2.4.4 Precision Agriculture Model for Farm Irrigation using Machine Learning to Optimize Water Usage . . . . . . . . . . . . . . . . 27 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3 Proposed approaches 32 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Proposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.3.1 RFA-Wrapper (Random Forest-Assisted Wrapper Model) . . . 33 3.3.2 AgriStackIDS (Stacked ensemble-based intrusion detection system for smart agriculture) . . . . . . . . . . . . . . . . . . . . . 37 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4 Implementation and Results 45 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2 Kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.3 Programming Language :Python . . . . . . . . . . . . . . . . . . . . . . 47 4.4 Datasets used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.6 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.6.1 RFA-Wrapper programming results . . . . . . . . . . . . . . . . 50 4.6.2 Overfitting Control via Cross-Validation in RFA-Wrapper model 54 4.6.3 AgriStackIDS programming results . . . . . . . . . . . . . . . . 55 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 Conclusion 59 General Conclusion 60
Côte titre :	MAI/1025

IoT-based Smart Agriculture System for Precision Farming [document électronique] / Douaa Khaled ; Khadidja Benarar, Auteur ; Gherbi ,Chirihane, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (65 f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet of Things Smart Agriculture Machine Learning Crop Prediction Intrusion Detection Ensemble Learning
Index. décimale :	004 Informatique
Résumé :	The integration of Internet of Things (IoT) technologies in agriculture has led to the emergence of smart farming systems that enable real-time monitoring, data collection, and precision decision-making. However, the growing complexity of these interconnected systems presents two major challenges; the need for accurate agricultural prediction and the risk of cybersecurity threats targeting vulnerable IoT devices. To address these challenges, this work proposes two machine learning-based solutions a Random Forest-assisted wrapper (RFA-Wrapper) method for predicting crop productivity using time-series and environmental data, and AgriStackIDS, an ensemble intrusion detection system for securing smart agriculture networks. Both models were evaluated on real-world datasets using key performance metrics, including accuracy, F1-score, and recall. The results show that RFA-Wrapper outperforms traditional models in prediction tasks, while AgriStackIDS achieves high detection performance in both binary and multi-class classifications. These contributions demonstrate the effectiveness of machine learning in enhancing both productivity and cybersecurity in IoT-based agricultural environments.
Note de contenu :	Sommaire List of figures III List of tables IV General introduction 2 1 State of the Art 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 IoT networks Vs traditional networks . . . . . . . . . . . . . . . 4 1.2.3 IoT Components . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.4 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.5 IoT Advantages and Disadvantages . . . . . . . . . . . . . . . . 7 1.2.6 IoT Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 IoT in Agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Traditionnel Agriculture . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Smart Agriculture . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.3 Traditional Agriculture Vs Smart Agriculture . . . . . . . . . . 10 1.3.4 IoT Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.5 IoT Applications in Smart Agriculture . . . . . . . . . . . . . . 12 1.4 Precision farming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.2 Precision farming cycle . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.3 Technologies in precison farming . . . . . . . . . . . . . . . . . 15 1.4.4 Advantages and challenges . . . . . . . . . . . . . . . . . . . . 16 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Related Review 18 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.1 Definiton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.2 ML approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.3 ML characteristics . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Machine Learning in smart agriculture . . . . . . . . . . . . . . . . . . 21 2.4 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.1 An efficient IoT based smart farming system using machine learning algorithms . . . . . . . . . . . . . . . . . . . . 22 2.4.2 Smart Agriculture using Ensemble Machine Learning Techniques in IoT Environment . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.3 Development of a smart IoT-based drip irrigation system for precision farming . . . . . . . . . . . . . . . . . . . . 26 2.4.4 Precision Agriculture Model for Farm Irrigation using Machine Learning to Optimize Water Usage . . . . . . . . . . . . . . . . 27 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3 Proposed approaches 32 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Proposed approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.3.1 RFA-Wrapper (Random Forest-Assisted Wrapper Model) . . . 33 3.3.2 AgriStackIDS (Stacked ensemble-based intrusion detection system for smart agriculture) . . . . . . . . . . . . . . . . . . . . . 37 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4 Implementation and Results 45 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2 Kaggle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.3 Programming Language :Python . . . . . . . . . . . . . . . . . . . . . . 47 4.4 Datasets used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.6 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.6.1 RFA-Wrapper programming results . . . . . . . . . . . . . . . . 50 4.6.2 Overfitting Control via Cross-Validation in RFA-Wrapper model 54 4.6.3 AgriStackIDS programming results . . . . . . . . . . . . . . . . 55 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 Conclusion 59 General Conclusion 60
Côte titre :	MAI/1025