Estimation du Rendement du Mil Perlé (Pennisetum glaucum) par Machine Learning à l'aide d'Images Satellites - Université de Reims Champagne-Ardenne
Communication Dans Un Congrès Année : 2024

Estimation du Rendement du Mil Perlé (Pennisetum glaucum) par Machine Learning à l'aide d'Images Satellites

Résumé

L’estimation du rendement agricole joue un rôle crucial dans la poursuite des objectifs de développement durable des Nations Unies, représentant ainsi un outil essentiel dans la prise de décisions concernant les systèmes d’approvisionnement. Dans ce travail, nous nous intéressons à la prédiction du rendement du Pennisetum glaucum, aussi connu comme "mil à chandelle" ou "mil perlé". Connaître le potentiel de production le plus tôt possible permet de prendre des mesures préventives et éviter des défauts d’approvisionnement pour la population. Pour ce faire, nous croisons les données historiques de rendement des parcelles au Sénégal avec des données satellitaires couvrant trois phases différentes du cycle de vie du mil, grâce à des mé- thodes d’apprentissage automatique. En comparant différentes méthodes, nous avons obtenu des estimations de rendement assez précises 1 mois avant la récolte, avec un taux d’erreur qui ne dépasse pas 140 kg/ha.
Fichier principal
Vignette du fichier
Millet_Yield_Estimation__PFIA_APIA_2024_.pdf (4.33 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04665473 , version 1 (31-07-2024)

Licence

Identifiants

  • HAL Id : hal-04665473 , version 1

Citer

Amine Chemchem, Lucas Mohimont, Francois Alin, Luiz Angelo Steffenel. Estimation du Rendement du Mil Perlé (Pennisetum glaucum) par Machine Learning à l'aide d'Images Satellites. 10e Conférence Nationale sur les Applications Pratiques de l’Intelligence Artificielle (APIA 2024), AFIA-Association Française pour l'Intelligence Artificielle, Jul 2024, La Rochelle, France. ⟨hal-04665473⟩
127 Consultations
46 Téléchargements

Partager

More