Please use this identifier to cite or link to this item:
http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5081| Title: | Prédiction du Crop Yield à haute précision par des modèles Machine Learning et Deep Learning pour une agriculture intelligente et durable |
| Authors: | Chaima , BOUHENNACHE , DEFFOUS Sihem |
| Keywords: | Agriculture intelligente, Prévision du rendement agricole, Intelligence artificielle, Machine Learning, Deep Learning, Modèle hybride, LightGBM, CatBoost, LSTM. Smart Agriculture, Crop Yield Prediction, Artificial Intelligence, Machine Learning, Deep Learning, Hybrid Model, LightGBM, CatBoost, LSTM. |
| Issue Date: | Jun-2026 |
| Publisher: | university of mila |
| Citation: | Intelligence Artificielle et ses Applications (I2A) |
| Abstract: | La prévision du rendement agricole constitue un enjeu majeur dans le contexte de l’agriculture intelligente, où l’optimisation des ressources et l’amélioration de la productivité sont essentielles face aux défis climatiques et environnementaux. Dans ce cadre, l’intelligence artificielle, notamment le Machine Learning et le Deep Learning, offre des solutions performantes pour modéliser les relations complexes entre les facteurs nfluençant la production agricole.Ce mémoire a pour objectif de concevoir, d’implémenter et de comparer différents modèles intelligents afin de prédire le rendement agricole à partir du jeu de données CropYield, composé de 90 336 observations. Ce jeu de données intègre des données multi-sources, notamment des variables climatiques (température et précipitations), des indices de végétation issus de la télédétection (NDVI, EVI, LAI et FPAR), des données radar (VV, VH) ainsi que des informations relatives à l’humidité du sol et à ’évaporation. Plusieurs approches ont été étudiées, allant des modèles classiques tels que SVR et Random Forest aux méthodes de boosting (XGBoost, LightGBM, Gradient Boosting et CatBoost), ainsi qu’aux modèles de Deep Learning (MLP, LSTM et GRU).Afin d’améliorer davantage les performances prédictives, une contribution de ce travail consiste en la proposition et le développement d’un modèle hybride innovant combinant LightGBM, CatBoost et un réseau de neurones LSTM. Cette architecture permet d’exploiter simultanément les capacités des modèles de boosting pour la modélisation des relations non linéaires et celles du LSTM pour l’extraction de représentations pertinentes des données, améliorant ainsi la précision et la robustesse des prédictions. Un processus complet de prétraitement des données a été réalisé, comprenant le traitement des valeurs manquantes, l’encodage des variables catégorielles, l’intégration des données hétérogènes, ainsi que l’ingénierie des caractéristiques. Les modèles ont été évalués à l’aide des métriques MSE, RMSE, MAE, MAPE, MedAE, R², EVS et Adjusted R².Les résultats expérimentaux montrent que le modèle hybride proposé surpasse l’ensemble des modèles comparés en obtenant les meilleures performances, avec notamment un coefficient de détermination R² = 0,82874, démontrant ainsi sa capacité à expliquer près de 82,9 % de la variabilité du rendement agricole. Ces résultats confirment l’intérêt de combiner les approches de Machine Learning et de Deep Learning au sein d’une architecture hybride afin d’améliorer la précision, la robustesse et la capacité de généralisation des systèmes de prévision du rendement agricole. |
| Description: | Crop yield prediction has become a major challenge in the context of smart agriculture, where resource optimization and productivity improvement are essential to address climate and environmental challenges. In this context, Artificial Intelligence (AI), particularly Machine Learning and Deep Learning, provides powerful solutions for modeling the complex relationships among the factors influencing agricultural production. This thesis aims to design, implement, and compare different intelligent models for crop yield prediction using the CropYield dataset, which consists of 90,336 observations. The dataset integrates multi-source information, including climatic variables (temperature and rainfall), vegetation indices derived from remote sensing (NDVI, EVI, LAI, and FPAR), radar data (VV and VH), as well as soil moisture and evaporation variables. Several approaches were investigated, ranging from traditional Machine Learning models such as SVR and Random Forest to boosting algorithms including XGBoost, LightGBM, Gradient Boosting, and CatBoost, as well as Deep Learning models such as MLP, LSTM, and GRU. To further improve predictive performance, this work proposes and develops an innovative hybrid model that combines LightGBM, CatBoost, and an LSTM neural network. This hybrid architecture leverages the strengths of boosting algorithms in modeling complex nonlinear relationships while benefiting from the LSTM network's ability to learn meaningful representations from the data, thereby improving prediction accuracy, robustness, and generalization capability. A comprehensive data preprocessing pipeline was performed, including missing value handling, categorical variable encoding, heterogeneous data integration, and feature engineering. The developed models were evaluated using several performance metrics, including MSE, RMSE, MAE, MAPE, MedAE, R², EVS, and Adjusted R². The experimental results demonstrate that the proposed hybrid model outperformed all the compared models, achieving the best predictive performance with a coefficient of determination (R²) of 0.82874, indicating that it explains approximately 82.9% of the variability in crop yield. These findings highlight the effectiveness of integrating Machine Learning and Deep Learning techniques within a hybrid architecture to enhance the accuracy, robustness, and generalization of crop yield prediction systems |
| URI: | http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5081 |
| Appears in Collections: | Computer science |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Prédiction du Crop Yield à haute précision par des modèles Machine Learning et Deep Learning pour une agriculture intelligente et durable.pdf | 4,83 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.