Prédire l'enherbement par apprentissage supervisé pour optimiser le contrôle des adventices
Dans les parcelles agricoles les adventices aussi appelées mauvaises herbes sont considérées comme les bio-agresseurs les plus nuisibles particulièrement dans les régions tropicales. Si une intervention de désherbage n'est pas effectuée à temps, il peut en résulter des pertes de rendements importantes. À La Réunion, on trouve une grande variété d'espèces adventices qui rendent compliquée l'utilisation d'actions de désherbage globales, car elles sont différentes pour chaque espèce. Pour un agriculteur savoir quelles adventices peuvent être rencontrées sur ses parcelles et à quel niveau d'enherbement, pourrait faciliter sa gestion de l'enherbement. Plusieurs outils existent pour la gestion des adventices, mais ne considèrent pas la flore adventice tropicale et ne se basent pas sur les caractéristiques d'une parcelle. L'objectif de cette étude est de pouvoir prédire par apprentissage machine supervisé dans un cadre multi-labels, quels seront les espèces rencontrées sur une parcelle de canne à sucre à La Réunion et à quel niveau d'abondance, en fonction des facteurs environnementaux de la parcelle. La question de recherche est la suivante : quels sont les algorithmes de classification multi-labels les plus efficaces pour prédire la présence/absence des adventices en fonction des facteurs environnementaux et quels sont les algorithmes de régression multilabels les plus efficaces pour prédire l'abondance des espèces préalablement prédites présentes ? Pour répondre à cette question de recherche, une démarche expérimentale a été effectuée. Plusieurs algorithmes de classification et de régression multi-labels ont été testés selon plusieurs mesures de performances, pour différents pré-traitements, différents groupes d'espèces à prédire et deux versions du jeu de données : le jeu de données d'origine de l'étude et le jeu de données enrichie en terme de facteurs environnementaux. Enfin, une comparaison entre les prédictions des algorithmes les plus performants et les profils écologiques est mise en oeuvre pour confirmer la robustesse des algorithmes. Les résultats de ces expérimentations montrent que les algorithmes de classification multi-labels MLARAM et MLkNN sont les plus efficaces pour prédire la présence/absence des adventices. Cependant, la prédiction de ces algorithmes ne correspond pas toujours aux profils écologiques, ce qui laisse entendre que la quantité de données, ou les facteurs environnementaux du jeu de données de l'étude ne sont pas suffisants pour prédire la flore adventice. L'état actuel de l'étude ne permet pas encore de déterminer les algorithmes de régression multi-labels les plus performants pour prédire l'abondance des adventices prédites présentes. Des recherches ultérieures devraient être menées sur la sensibilité de ces algorithmes pour différents types et tailles de jeux de données, afin d'améliorer les performances de ces algorithmes et ainsi aider les agriculteurs dans leur gestion de l'enherbement.
| Main Author: | |
|---|---|
| Format: | thesis biblioteca |
| Language: | fre |
| Published: |
Université de la Réunion
|
| Online Access: | http://agritrop.cirad.fr/598931/ http://agritrop.cirad.fr/598931/1/Memoire_Master_2.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|