|
Titre :
|
Application de l’image numérique dans l’évaluation des rendements des cultures céréalières en milieu semi-aride
|
|
Auteurs :
|
Hakima Boulaaras, Auteur ;
Tarek Bouregaa, Directeur de thèse
|
|
Type de document :
|
document électronique
|
|
Editeur :
|
Sétif : Université Ferhat Abbas faculté des sciences de la nature et de la vie département d'agronomie, 2024
|
|
ISBN/ISSN/EAN :
|
E-TH/2369
|
|
Format :
|
1 vol (142 f.) / ill.en coul.
|
|
Note générale :
|
Bibliogr. Annexes
|
|
Langues:
|
Français
|
|
Catégories :
|
Thèses (en français - en anglais) > Document électronique
|
|
Mots-clés:
|
Image numérique
;
Cultures céréalières
;
Milieu semi-aride
|
|
Résumé :
|
Le but de cette recherche était d’une part, évaluer le potentiel de l'utilisation des données MODIS-NDVI, FGCC obtenue de l'application Canopeo® et de la biomasse sèche pour prédire les rendements céréaliers du blé et de l'orge entre 2020 à 2022 au niveau parcellaire. D’autre part évaluer le potentiel d'utilisation des valeurs MODIS-NDVI seul (1), combinaison des données NDVI avec les précipitations (2), et l'utilisation des modèles d’apprentissage automatique (3), pour prédire le rendement des céréales (blé et orge) entre 2002 et 2022 dans trois échelles d’étude : les parcelles expérimentales, la commune et la wilaya de Sétif. Les résultats obtenus montrent que FGCC présente les meilleures performances d'évaluation des rendements de blé et d'orge parmi les trois méthodes étudiées au niveau parcellaire, avec (R²= variait de 0.78 à 0.79, RMSE= entre 0.051 et 0.107, MSE= de 0.004 à 0.018), ainsi que l'utilisation combinée du NDVI au données de pluviométrie présente les résultats de prédiction les plus précis avec(R= de 0.64 à 0.77, RMSE= entre 0.277 à 0.343,MSE= de 0.092 à 0.246) Ces résultats indiquent que l'application Canopeo® s'est avérée être une méthode rapide et fiable pour estimer le rendement en grains de blé et d'orge sur des petits parcelles. En revanche, l’utilisation combinée du NDVI avec les précipitations est plus efficace et précise que les trois autres méthodes utilisées.Les modèles de machine learning ont montré des bonne performances de prédiction pour le rendement de blé, notamment "Stochastic Gradient Descent" avec des R2 de 0.651 et 0.783 et des RMSE de 0.368t/ha et 0.231t/ha, au niveau communal et wilaya, respectivement. Tandis que pour l'orge, le modèle ‘Tree’ a montré des bonnes performances au niveau parcellaires (R2=0.672, RMSE=0.289t/ha) et wilaya (R2=0.390, 0.151t/ha). Cependant, le modèle "Gradient Boosting" a enregistré des performances moindre au niveau communale (R2=0.358, RMSE=0.375t/ha).
|
|
Côte titre :
|
E-TH/2369
|
|
En ligne :
|
http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/4549/1/THESE%20FINALE%20APRES%20CORRECTION%20161124.pdf
|
Exemplaires (1)
|
| E-TH/2369 | Thèse | Bibliothèque centrale | Disponible |
Accueil
