Please use this identifier to cite or link to this item: http://dspace.univ-tiaret.dz:80/handle/123456789/15276
Title: Modélisation et Implémentation d’un Système de Prédiction d’Arrosage Automatique des Plantes à l’aide de l’Apprentissage Automatique
Authors: Said Taha, Rami
Guendouz, Ahmed Ilyes
Keywords: Irrigation automatique
Agriculture de précision
Machine Learning
Stacking
Issue Date: 13-يون-2024
Publisher: Université ibn khaldoun-Tiaret
Abstract: L'application du Machine Learning dans l'agriculture de précision offre des perspectives prometteuses pour optimiser diverses facettes de l'agriculture, telles que l'irrigation, la fertilisation et la gestion des cultures. Dans la littérature, de nombreux travaux de recherche ont abordé l'utilisation des modèles de Machine Learning pour améliorer ces aspects agricoles, mais les approches traditionnelles manquent souvent de précision et de robustesse. Ce travail présente un modèle innovant d'irrigation automatique en utilisant la méthode de Stacking d'Ensemble Learning. Notre approche combine les forces des modèles LightGBM, XGBoost et Support Vector Machine pour atteindre des performances supérieures. Les résultats montrent une amélioration significative en termes de précision et de fiabilité par rapport aux modèles de Machine Learning de base et aux autres modèles d'Ensemble Learning testés. Cette avancée offre une solution plus robuste et efficace pour l'irrigation automatique, posant les bases pour de futures recherches et applications dans le domaine de l'agriculture de précision. Ce travail démontre le potentiel de l'Ensemble Learning pour résoudre des problèmes complexes et améliorer les pratiques agricoles
Description: The application of Machine Learning in precision agriculture holds promising prospects for optimizing various facets of farming, including irrigation, fertilization, and crop management. While existing research has explored the use of Machine Learning models to enhance these agricultural aspects, traditional approaches often lack precision and robustness. This paper introduces an innovative model for automatic irrigation using the Stacking Ensemble Learning method. Our approach combines the strengths of LightGBM, XGBoost, and Support Vector Machine models to achieve superior performance. Results demonstrate a significant improvement in terms of precision and reliability compared to basic Machine Learning models and other tested Ensemble Learning models. This advancement provides a more robust and efficient solution for automatic irrigation, laying the groundwork for future research and applications in precision agriculture. This work underscores the potential of Ensemble Learning to address complex challenges and enhance agricultural practices
URI: http://dspace.univ-tiaret.dz:80/handle/123456789/15276
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
TH.M.INF.2024.22.pdf3,48 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.