Petits jeux de données et prédiction en Intelligence Artificielle, vers une meilleure cohabitation : application à la gestion durable de l'enherbement des systèmes agricoles à La Réunion
Overview & Synopsis
Dans les parcelles agricoles, les adventices plus communément appelées mauvaises herbes sont considérées comme les bioagresseurs les plus nuisibles. Sans désherbage rapide, elles peuvent entraîner des pertes de rendement considérables. En régions tropicales, leur nuisibilité est particulièrement forte, car le climat chaud et humide favorise leur développement toute l’année.À La Réunion, la canne à sucre occupe plus de la moitié de la surface agricole utile et constitue le premier produit d’exportation. Dans ces parcelles, la diversité d’espèces adventices est importante et peut provoquer des pertes de plusieurs centaines de kilos de canne par hectare et par jour de retard de désherbage, du fait de la compétition en eau, lumière et nutriments. Pouvoir anticiper quelles espèces apparaîtront dans une parcelle et à quel niveau d’enherbement permettrait de cibler plus efficacement les méthodes de désherbages quelles soient chimiques ou alternatives et ainsi, réduire les pertes de rendements et le temps consacré au désherbage. Toutefois, cette prédiction est complexe, car la composition floristique des adventices sur la parcelle dépend d’un ensemble de facteurs environnementaux, géographiques et historiques. L'utilisation du machine learning est une solution où en apprenant à partir de données issues de parcelles, les algorithmes peuvent estimer la flore adventice attendue sur une nouvelle parcelle. Cependant, la collecte de ces données rencontre deux obstacles majeurs, l’hétérogénéité des études existantes et le coût humain et temporel élevé lié à l’expertise nécessaire pour identifier les espèces. Cela entraîne un manque d’observations, des valeurs manquantes et du bruit dans les bases de données, réduisant la précision des modèles. Cette thèse s’intéresse à l'amélioration de ces prédictions avec ce genre de contraintes. Elle explore l’adaptation d’algorithmes à de faibles quantités de données (Few Shot Learning), l’utilisation de techniques de génération de données adaptées à la topographie et au climat de l'île ainsi que l’imputation des valeurs manquantes lorsque leur taux est grand. Ces approches sont appliquées à la prédiction des communautés adventices de la canne à sucre à La Réunion en utilisant des algorithmes dans un cadre multi-labels. Les résultats montrent une amélioration notable des performances des modèles, même si la mise en place d’une démarche standardisée de collecte de données reste indispensable pour obtenir des prédictions plus fiables et robustes.
hal.science)
← / → for pages • + / - for zoom • 0 to fit width
Powered by Mozilla PDF.js v3.11
Document Information
| Document Title | Petits jeux de données et prédiction en Intelligence Artificielle, vers une meilleure cohabitation : application à la gestion durable de l'enherbement des systèmes agricoles à La Réunion |
|---|---|
| Author / Organization | Frédérick Fabre-Ferber |
| Subject & Discipline | Multidisciplinary Academic Open Research |
| Categories | Science & Mathematics |
| Publication Year | 2025 |
| License / Rights | Open Access / Creative Commons |
| Resource Verification | Listed PDF (Verification Pending) |
| Original Host Website |
HAL Open Science
(hal.science)
|
| File Format | application/pdf (Portable Document Format) |
| Language | EN |
| Catalog ID | DOC-149964 |
| Original Source Link | Visit Source Page on hal.science » |