Catalogue de la bibliothèque de SNV
| Titre : | Utilisation des modèles de machine learning pour l'estimation des baisses du rendements des cultures sous contraintes climatiques |
| Auteurs : | Ahmed Debbache, Auteur ; Tarek Bouregaa, Directeur de thèse |
| Type de document : | document électronique |
| Editeur : | Sétif (Algérie) : Faculté des sciences de la Nature et de la vie, Université Ferhat Abbas Sétif 1, 2025 |
| ISBN/ISSN/EAN : | MS/2496 |
| Format : | 48 Feuilles / PDF |
| Langues: | Français |
| Catégories : | |
| Mots-clés: | Agriculture moderne ; Machine Learning ; Evapotranspiration de référence ; Rendements du blé ; Régression univariée ; CROPWAT. |
| Résumé : |
Le changement climatique est devenu l’un des défis les plus importants de l’agriculture moderne, avec des implications potentielles pour la sécurité alimentaire mondiale. Pour évaluer son impact sur la réduction des rendements du blé, Nous avons mené une étude sur l'estimation des baisses des rendements du blé d'hiver avec les modèles de Machine Learning de 1981 jusqu’au 2022.L'étude se concentre sur la région de Sétif (Algérie). premièrement avec logiciel CROPWAT nous avons calculé la baisse du rendement historique de blé d’hiver en fonction des variables climatiques (température minimale et maximale, pluviométrie, humidité, insolation, vitesse de vent, evapotranspiration de référence). Ensuite, la baisse des rendements à été estimée à l’aide de huit modèles d’apprentissage automatique : support Vector Machines (SVM), K-plus proches voisins (K-NN), Adaptive Boosting (AdaBoost), Random Forest (RF), Gradient Boosting, Régression Linéaire, Réseau de Neurones et Arbre de Décision (Tree), tout en identifiant les variables climatiques les plus déterminantes dans la réduction des rendements à travers l'utilisation de l'outil RANK s'appuyant sur une analyse par régression univariée. Les résultats ont montré que l'humidité arrive en tête avec le score le plus élevé (17.808), l’évapotranspiration de référence (12.812) se positionne en deuxième place, et La pluviométrie (12.418), présente également un impact significatif, ce qui la positionne en troisième place. Concernant les modèles d’apprentissage automatique, Le modèle SVM affiche un R² de 0.801 et RMSE de 3.796%, ce qui indique une bonne précision et une capacité élevée à expliquer la variance des données. Le modèle Random forest présente des performances presque similaires avec un R2 de 0.758 et un RMSE de 3.734%. Enfin, le kNN montre un R² de 0.746 et RMSE de 4.287%, ce qui montre leur capacité à capturer des relations complexes non linéaires. Cette étude met en évidence le potentiel des modèles d’apprentissage automatique pour développer une agriculture climato-intelligente. En analysant les interactions complexes entre climat et rendements, ces outils permettent d’anticiper les risques, d’optimiser les pratiques agricoles et de proposer des stratégies d’adaptation locales. Cette approche innovante représente une avancée significative pour renforcer la résilience des systèmes agricoles face au changement climatique et assurer la sécurité alimentaire. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| MS/2496 | PRV/CD 77 | DVD et CD | Bibliothèque SNV | Français | Disponible |
