Prédire l'enherbement par apprentissage supervisé pour optimiser le contrôle des adventices

Fabre Ferber Frédérick. 2021. Prédire l'enherbement par apprentissage supervisé pour optimiser le contrôle des adventices. Saint Denis : Université de la Réunion, 49 p. Mémoire de master 2 : Informatique : Université de la Réunion

Matériel d'accompagnement : 1 diaporama (37 vues)

Encadrement : Auzoux, Sandrine ; Schwartz, Marion ; Le Bourgeois, Thomas ; Marnotte, Pascal ; Ripoche, Aude

Résumé : 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.

Résumé (autre langue) : In agricultural fields, weeds are considered as the most harmful bio-aggressors, especially in tropical regions. If a weed control intervention is not carried out in time, it can result in important yield losses. In Reunion Island, there is a great variety of weed species which make it difficult to use global weed control because they are different for each species. For a farmer, knowing which weeds can be found on his plots and at what level of weediness, could facilitate his weed management. Several tools exist for weed management but do not consider tropical weed flora and are not based on plot characteristics. The objective of this study is to predict by supervised learning in a multi-label setting, which species will be encountered on a sugarcane plot in Reunion Island and at what level of abundance, according to the environmental factors of the plot. The research question is the following: What are the most efficient multi-labels classification algorithms to predict the presence/absence of weeds according to environmental factors and what are the most efficient multi-outputs regression algorithms to predict the abundance of the present predicted species? To answer this research question, an experimental approach was conducted. Several classification and multi-label regression algorithms were tested according to several performance measures for different pre-processing, different groups of species to be predicted and two versions of the dataset: the original dataset of the study and the enriched dataset in terms of environmental factors. Finally, a comparison between the predictions of the best performing algorithms and the ecological profiles is implemented to confirm their robustness. The results of these experiments show that the MLARAM and MLkNN multi-labels classification algorithms are the most effective in predicting the presence/absence of weeds. However, the prediction of these algorithms does not always match the ecological profiles, suggesting that the amount of data or environmental factors in the study dataset are not sufficient to predict the weed flora. The current state of the study does not yet allow the determination of the best performing multi-outputs regression algorithms to predict the abundance of present predicted weeds. Further researches should be conducted on the sensitivity of these algorithms for different types and sizes of datasets, in order to improve the performance of these algorithms and assist farmers in their weed management.

Mots-clés libres : Malherbologie, Adventices tropicales, Apprentissage supervisé, Classification multi-labels, Régression multi-labels

Auteurs et affiliations

• Fabre Ferber Frédérick, Université de la Réunion (REU)

Source : Cirad-Agritrop (https://agritrop.cirad.fr/598931/)

Métriques

[ Page générée et mise en cache le 2021-08-31 ]