Predicting sugarcane weed infestations in La Réunion using multi-label learning algorithms

Fabre-Ferber Frédérick, Le Bourgeois Thomas, Schwartz Marion, Auzoux Sandrine. 2023. Predicting sugarcane weed infestations in La Réunion using multi-label learning algorithms. In : Proceedings of the XXXI International Society of Sugar Cane Technologists. ISSCT. Hyderabad : ISSCT, 86-94. ISSCT Congress. 31, Hyderabad, Inde, 20 Février 2023/23 Février 2023.

Titre français : Prediction de l’enherbement de la canne à sucre à la Réunion a l’aide d’algorithmes d’apprentissage multi-labels

Autre titre : Predicción de la maleza de la caña de azúcar en La Reunión mediante algoritmos de aprendizaje multi-etiqueta

Matériel d'accompagnement : 1 diaproama (59 vues)

Résumé : In Réunion, sugarcane represents more than half of the useful agricultural area and is the main export product of the Réunion economy. The humid tropical climatic conditions promote the development of a high diversity of weeds in sugarcane fields (from 6 to 48 species at the field level but more than 200 species for the whole sugarcane area), which can cause yield losses from 30 to 80% if weed control is not carried out in time. For farmers, optimizing the efficiency of weeding requires a good knowledge of the weed flora that will develop on their fields. However, knowing this weed flora in advance is particularly difficult. The presence and abundance of species depend strongly on environmental factors, geographic location, seedbank and season. In our study, we formalize the weed-prediction problem as a multi-label supervised learning problem. We propose a comparative study of different multi-label learning algorithms to predict presence/absence and abundance of weeds in a sugarcane field. The experimental dataset used for this study is based on 20 years of historical data from phyto-ecological surveys conducted on sugarcane fields in Réunion. The results show that the ML-ARAM and ML-kNN algorithms obtain the best performances. However, the correspondence between the predictions and the ecological profiles and the confrontation of the results to experts' opinions is not always excellent. New perspectives are proposed to improve the quality of the predictions.

Résumé (autre langue) : A la Réunion, la canne à sucre représente plus de la moitié de la surface agricole utile et constitue le principal produit d'exportation de l'économie réunionnaise. Les conditions climatiques tropicales humides favorisent le développement d'une grande diversité d'adventices (de 6 à 48 espèces à l'échelle de la parcelle mais plus de 200 espèces pour l'ensemble de la surface de canne à sucre) dans les parcelles de canne à sucre, ce qui peut entraîner des pertes de rendement de 30 à 80% si le désherbage n'est pas réalisé à temps. Pour les producteurs, l'optimisation de l'efficacité du désherbage passe par une bonne connaissance de la flore adventice qui va se développer sur ses parcelles. Or, connaître à l'avance cette flore adventice est particulièrement difficile. La présence et l'abondance des espèces dépendent fortement des facteurs environnementaux, de la situation géographique, de la banque de graines et de la saison. Dans notre étude, nous formalisons le problème de prédiction des mauvaises herbes comme un problème d'apprentissage supervisé multi-label. Nous proposons une étude comparative de différents algorithmes d'apprentissage multi-labels pour prédire la présence/absence et l'abondance des mauvaises herbes dans une parcelle de canne à sucre. Le jeu de données expérimental utilisé pour cette étude est basé sur 20 ans de données historiques provenant d'enquêtes phyto-écologiques menées sur des parcelles de canne à sucre sur l'île de la Réunion. Les résultats montrent que les algorithmes ML-ARAM et ML-kNN obtiennent les meilleures performances. Cependant, la correspondance entre les prédictions et les profils écologiques et la confrontation des résultats aux avis des experts n'est pas toujours excellente. De nouvelles perspectives sont proposées pour améliorer la qualité des prédictions.

Mots-clés libres : SUGARCANE, Weed science, Supervised learning, Multi-label classification, Réunion

Auteurs et affiliations

• Fabre-Ferber Frédérick, CIRAD-PERSYST-UPR Recyclage et risque (REU)
• Le Bourgeois Thomas, CIRAD-BIOS-UMR AMAP (FRA) ORCID: 0000-0002-3039-0455
• Schwartz Marion, CIRAD-PERSYST-UPR AIDA (REU)
• Auzoux Sandrine, CIRAD-PERSYST-UPR AIDA (REU) ORCID: 0000-0002-8764-8672

Source : Cirad-Agritrop (https://agritrop.cirad.fr/604771/)

Métriques

[ Page générée et mise en cache le 2023-06-05 ]