Utilisation des modèles de machine learning pour l'estimation des baisses du rendements des cultures sous contraintes climatiques
| dc.contributor.author | DEBBACHE , Ahmed | |
| dc.contributor.author | BOUREGAA , Tarek Encadrant | |
| dc.date.accessioned | 2026-09-27T13:06:32Z | |
| dc.date.issued | 2025 | |
| dc.description | أصبح التغير المناخي أحد أخطر التحديات التي تواجه الزراعة الحديثة . لتقييم تأثيره على انخفاض إنتاجية القمح، أجرينا دراسة لتقدير انخفاض مردود قمح الشتاء باستخدام نماذج التعلم الآلي من 1981 إلى 2022 في منطقة سطيف في الجزائر . في البداية استخدمنا برنامج CROPWAT لحساب الانخفاض في الغلة بنا ء على المتغيرات المناخية ) درجات الحرارة الدنيا والعليا، هطول الأمطار، الرطوبة، الإشعاع الشمسي، سرعة الرياح، والبخر - النتح المرجعي .( ثم تم تقدير الانخفاض في المحصول باستخدام ثمانية نماذج تعلم آلي : آلة المتجهات الداعمة (SVM) ؛ الانحدار الخطي؛ الشبكات العصبية ANN ؛ تحديد تم .GRADIENT BOOSTING ؛TREE ؛kNN ؛ ADABOOSTING؛RANDOM FOREST المتغيرات المناخية الأكثر تأثير ا باستخدام أداة RANK بالنسبة لتحليل انحدار أحادي المتغير . أظهرت النتائج أن الرطوبة جاءت في المرتبة الأولى ) درجة : (17.808 ، تليها البخر - النتح المرجعي (12.812) ثم هطول الأمطار .(12.418) فيما يتعلق بالنماذج، تفوقت آلة المتجهات الداعمة (SVM) بأداء دقيق 0.801) = R² ، % =3.796 RMSE ( ، بينما سجل نموذج forest Random نتائج مشابهة تقريبا 0.758) = R² ، 4.184% = (RMSE كما أظهر kNN قدرة كبيرة على تفسير العلاقات غير الخطية المعقدة 0.746) R²= ، % 4.082 = .(RMSE تؤكد هذه الدراسة إمكانات التعلم الآلي في تطوير زراعة ذكية مناخيا من خلال تحليل التفاعلات المعقدة بين المناخ والإنتاجية، تتيح هذه النماذج التنبؤ بالمخاطر، تحسين الممارسات الزراعية، واقتراح استراتيجيات تكيف محلية . يمثل هذا النهج تقدم ا مهم ا لتعزيز مرونة النظم الزراعية أمام التغير المناخي وضمان الأمن الغذائي | |
| dc.description.abstract | Climate change has emerged as one of the most critical challenges facing modern agriculture, with significant implications for global food security. To assess its impact on wheat yield reduction, we conducted a study estimating winter wheat yield declines using machine learning models from 1981 to 2022, focusing on the Sétif region of Algeria. First, we used the CROPWAT software to calculate yield reduction based on climatic variables (minimum/maximum temperature, rainfall, humidity, sunshine, wind speed, and reference evapotranspiration). Next, yield reductions were estimated using eight machine learning models: Support Vector Machines (SVM), K-Nearest Neighbors (K-NN), Adaptive Boosting (AdaBoost), Random Forest (RF), Gradient Boosting, Linear Regression, Neural Networks, and Decision Trees. The most influential climatic variables were identified using the RANK tool, supported by univariate regression analysis. Results revealed that relative humidity ranked highest (score:17.808), followed by reference evapotranspiration (score:12.812) and rainfall (score:12.418). Among the ML models, SVM demonstrated the best performance (R²= 0.801, , RMSE: 3.796%), closely followed by Random forest (R²: 0.758, RMSE: 4.184%). K-NN also showed promising results (R²: 0.746, RMSE: 4.287%) | |
| dc.description.sponsorship | Le changement climatique est devenu l’un des défis les plus importants de l’agriculture moderne, avec des implications potentielles pour la sécurité alimentaire mondiale. Pour évaluer son impact sur la réduction des rendements du blé, Nous avons mené une étude sur l'estimation des baisses des rendements du blé d'hiver avec les modèles de Machine Learning de 1981 jusqu’au 2022.L'étude se concentre sur la région de Sétif (Algérie). premièrement avec logiciel CROPWAT nous avons calculé la baisse du rendement historique de blé d’hiver en fonction des variables climatiques (température minimale et maximale, pluviométrie, humidité, insolation, vitesse de vent, evapotranspiration de référence). Ensuite, la baisse des rendements à été estimée à l’aide de huit modèles d’apprentissage automatique : support Vector Machines (SVM), K-plus proches voisins (K-NN), Adaptive Boosting (AdaBoost), Random Forest (RF), Gradient Boosting, Régression Linéaire, Réseau de Neurones et Arbre de Décision (Tree), tout en identifiant les variables climatiques les plus déterminantes dans la réduction des rendements à travers l'utilisation de l'outil RANK s'appuyant sur une analyse par régression univariée. Les résultats ont montré que l'humidité arrive en tête | |
| dc.identifier.issn | PRV-CD 77/MS-2496-1-8 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/2939 | |
| dc.language.iso | fr | |
| dc.publisher | Université Setif 1 Ferhat Abbas . Faculté des Sciences de la Nature et de la Vie | |
| dc.subject | Agriculture moderne | |
| dc.subject | Machine Learning | |
| dc.title | Utilisation des modèles de machine learning pour l'estimation des baisses du rendements des cultures sous contraintes climatiques | |
| dc.type | Thesis |