Modélisation et Implémentation d’un Système de Prédiction d’Arrosage Automatique des Plantes à l’aide de l’Apprentissage Automatique

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