Publié le 29 décembre 2023
Application des algorithmes de Maching Learning et deep learning basé sur la phénologie pour l’estimation du rendement du blé
Au niveau du Maroc, La filière céréaliculture présente de forts enjeux socio- économiques (Plus de 55% de SAU et plus de 20% chiffre d’affaires agricoles) cependant celle filière est très sensible aux facteurs climatiques et environnementaux, ce qui nécessite la mise place d’un dispositif solide d’estimation de rendement du blé afin de permettre aux décideurs et gestionnaires de mieux planifier leurs importations et leurs stratégie agricole.
Malheureusement, jusqu’à présent le département des statistiques agricoles utilise encore la méthode traditionnelle d’estimation du rendement nommée Coupe des cultures « Crop Cutting » qui malgré ses fondements statistiques reste fastidieuse et demande beaucoup de logistique. Le recours aux images satellitaires a très haute résolution telles que SENTINEL 2 et l’application de techniques d’intelligence Artificielle tels que les algorithmes de Maching Learning ‘ML’ et Deep learning ‘DL’ va certainement améliorer l’estimation du rendement de cette culture vitale.
C’est dans cette vision que s’articule se travaille qui a pour objectif l’application des algorithmes de ML et DL sur les paramètres phénologiques issus des images SENTINEL 2 en vue de modéliser le rendement du blé et par la suite améliorer son estimation.
Pour ce faire nous avons calculer les NDVI-IMAGES de 62 images Sentinel 2 A/B des sites échantillonnées de la commune de Merchouch (zone d’étude) qui représente les zones semi-arides du Maroc et nous avons extrait 13 paramètres phénologiques sur lesquels nous avons appliqué Trois algorithmes de Maching learning : K-Nearest Neighbors( Knn) , Randon Forest RF et CHi-squared Automatic Interaction Detector (Chaid) et un algorithme de Depp Learning multilayer perceptron (MLP) et la régression linéaire SETPWISE .
Les résultats ont montré qu’il existe une forte corrélation entre rendement estimé et l’autre prédit pour les 4 algorithmes sauf que MLP est celui qui présente une forte corrélation suivie par kNN et en troisième place on trouve la régression Stepwise. Les coefficients de corrélation R2 sont respectivement : 0.96 – 0.94 – 0.80.
L'approche de cette étude peut fournir un avantage significatif pour la surveillance de la production végétale régionale du blé. Ces résultats peuvent encourager les décideurs à mettre en place un dispositif statistique « Plate forme » basé sur les images Sentinel 2 comme sources de données (Paramètres phénologiques) fiable et actuelles et les algorithmes de ML et DL pour une meilleure estimation du rendement du blé