Vers une plateforme intelligente pour la prévision des maladies végétales
•
2 j'aime•999 vues
Soutenance d'Ingénieur d'état en Informatique à l'Ecole Nationale Supérieure d'Informatique. Intitulé du projet: Vers une plateforme intelligente pour la prévision des maladies végétales. Date de soutenance: 21/06/2017
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Vers une plateforme intelligente pour la prévision des maladies végétales
- 1. APDM: vers une plateforme intelligente pour la prévision des maladies végétales Soutenance en vue de l’obtention du diplôme d’Ingénieur d’Etat en Informatique Option 1: Systèmes Informatiques Option 2: Systèmes et Ingénierie Des Logiciels Présenté par : BOUHENNI Sarra KAROUCHE Ikram Encadré par : BENHAMIDA Fatima Zohra AIB Mabrouk ILMANE Nassim Promotion 2016/2017
- 2. 2ESI 2017 Organisme d’accueil Algérienne des industries technologiques (AITECH) Nassim Ilmane Co-fondateur - Manager nassim@ai-technologies.co Mob: +213 671 41 04 27 Contact • Système de prévision des maladies végétales • ERP de télégestion agricole Projets en cours Aider les acteurs du secteur agricole à améliorer leur rendement de leurs plantations. Mission Développer des produits technologiques simples et qui intègrent les meilleurs pratiques métier. Vision Gestion optimale des serres Optimisation de l’irrigation et des engrais Automatisation et l’optimisation de l’élevage des volailles Produits développés
- 3. INTRODUCTION
- 4. 4ESI 2017 Contexte général du projet Informatique Réseaux de capteurs sans fils. Intelligence artificielle. Agriculture Importance économique. Besoins en alimentation. Agriculture renforcée par l’informatique
- 5. 5ESI 2017 Problématique “ ” le consommateur algérien doit se préparer, à partir de 2015, à subir un marché très contraignant de produits agricoles trop chers et de très mauvaise qualité. Akli Moussouni, Expert agronome, 2014 • L’utilisation inexpérimentée des produits phytosanitaires. • Le changement climatique ex: sècheresse. • La propagation rapide des maladies agricoles.
- 6. 6ESI 2017 Maladies végétales en Algérie Choix des maladies végétales Blé Troisième produit le plus consommé au monde. Pomme de terre Féculent le plus consommé au monde. FusarioseMildiou
- 7. 7ESI 2017 Objectifs du projet • Fusariose du blé • Mildiou de la pomme de terre Prévision des maladies végétales • Via SMS • Via email Avertissement des agriculteurs Suivi de l’état des cultures • Culture du blé • Culture de la pomme de terre . Administration du système • Administrateur • Spécialiste agronome
- 8. 8ESI 2017 Plan de la présentation Systèmes de prévision des maladies végétales01 Solution classique : Apprentissage automatique hors-ligne02 Solution proposée : APDM03 Conception architecturale et réalisation04 Conclusion et perspectives05
- 9. SYSTÈMES DE PRÉVISION DES MALADIES VÉGÉTALES
- 10. 10ESI 2017 Système de prévision des maladies végétales Définition Un outil de gestion utilisé pour prédire la survenue ou l’aggravation des maladies chez les plantes cultivées. “ ” Envoi de données climatiques Traitement Agriculteur PD Esker, Adam H Sparks, L Campbell, Z Guo, MN Rouse, SD Silwal, S Tolos, B Van Allen & Karen A Garrett. Ecology and epidemiology in R : disease forecasting and validation. 2016. Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 11. 11ESI 2017 Base des systèmes de prévision des maladies végétales Environnement favorable Agent pathogène Hôte sensible Maladie 15°C < température <30°C Humidité relative > 90% Blé Fusarium spp. Fusariose du blé Triangle des maladies végétales Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 12. 12ESI 2017 Systèmes de prévision des maladies végétales Fiabilité Fiabilité des données climatiques Simplicité Interface simple à utiliser Importance Maladie importante économiquement Utilité Décharger les agriculteurs de la surveillance de la culture Disponibilité Disponibilité des données climatiques utilisées Rentabilité Retour sur investissement Caractéristiques Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 13. 13ESI 2017 Systèmes de prévision des maladies végétales Exemples de systèmes de prévision Prévision de la fusariose du blé États Unis Fusarium Risk Assessment Tool Prévision de la pourriture noble et l’anthracnose des fraises et myrtilles États unis AgroClimate VignesBlé Prévision du mildiou des vignes Inde Agrisens Fraisier Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 14. 14ESI 2017 Collecte des données Un RCSF ou une station météorologique Pré-traitement des données Calcul des valeurs manquantes, transformations… Visualisation et avertissement Envoi des alertes aux agriculteurs. Analyse des données Évaluation du risque d’apparition de la maladie végétale Etapes de prévision d’une maladie végétale Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 16. 16ESI 2017 Apprentissage automatique Définition Systèmes de prévisionSystèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Toute méthode permettant de construire un modèle de la réalité à partir d’un ensemble de données “ ” Données Modèle Décision Antoine Cornuejols & Laurent Miclet. Apprentissage artificiel : concepts et algorithmes. Editions Eyrolles, 2011. Construction du modèle Utilisation du modèle
- 17. 17ESI 2017 Construction d’un modèle prédictif Systèmes de prévisionSystèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Dtemp ( h ) Dhum ( h ) DPrécip ( h ) FHB 20 75 1 Non 86 94 20 Oui 48 95 20 Oui 48 80 5 Non 130 84 29 Oui 140 85 12 Oui DTemp>45 DHum > 95DHum < 95 Non Oui Non Non Oui Précip ≥ 10 Exemple de la fusariose du blé Ensemble d’apprentissage Algorithme arbre de décision
- 18. 18ESI 2017 Utilisation d’un modèle prédictif Systèmes de prévisionSystèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Dtemp ( h ) Dhum ( h ) DPrécip ( h ) FHB 71 57 15 ? Il y a un risque Dtemp>45 Dhum > 95Dhum < 95 Non Oui Non Non Oui DPrécip ≥ 10 Exemple de la fusariose du blé Vecteur caractéristique
- 19. 19ESI 2017 Limites de la solution classique Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Nécessite un ensemble d’apprentissage fiable, représentatif et de bonne qualité N’est pas applicable dans les régions historiquement non connues Le modèle construit ne pourra pas évoluer Apprentissage automatique hos ligne
- 20. SOLUTION PROPOSÉE : APDM
- 21. 21ESI 2017 Positif/négatif Classifieu r amélioré FeedbackEn cas de risqueDonnées climatique s Scénario de prévision Scénario d’apprentissageEnvoi d’alerte Agriculteur Principe de APDM Basée sur l’apprentissage incrémental en ligne. Démarre avec des données d’apprentissage artificielles. Exploite les feedbacks des agriculteurs pour améliorer les résultats de prévision. Solution proposée Agile Plant Disease Monitoring Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 22. 22ESI 2017 …. Ferme 1 Ferme n Ferme 2 Calcul des valeurs manquantes Calcul du vecteur caractéristique Classification BDD relationnelle Données d’apprentissage Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Scénario de prévision Agile Plant Disease Monitoring Fermes Traitement et stockage Client Détection d’un risque élevé SMS Email
- 23. 23ESI 2017 Principe de kNN Calculer les k plus proches voisins du vecteur caractéristique à partir de l’ensemble d’apprentissage. Métrique de similarité utilisée : distance euclidienne. La classe « C » affectée au vecteur est celle des voisins ayant un poids maximal. 𝐶 = 𝑎𝑟𝑔𝑚𝑎𝑥 𝑖=1 𝑘 𝑝𝑜𝑖𝑑𝑠(𝑣𝑜𝑖𝑠𝑖𝑛𝑖) Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Scénario de prévision Classification: kNN (k Nearest Neighbors)
- 24. 24ESI 2017 DTemp DHum DPréc 65 95 45 Vecteur caractéristique K = 5 DTemp Dhum DPréc poid s class e 68 93 50 2 Oui Dtemp Dhum Dpréc poids class e 20 80 2 1 Non Classe = oui Dtemp Dhum Dpré c poid s class e 70 91 43 1.5 Oui 𝒊=𝟎 𝟐 𝒑𝒐𝒊𝒅𝒔 = 𝟑. 𝟓 𝒊=𝟑 𝟓 𝒑𝒐𝒊𝒅𝒔 = 𝟐. 𝟐𝟓 Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Scénario de prévision Exemple de classification avec kNN sur la fusariose du blé Dtemp Dhum Dpréc poids class e 44 8 8 0.75 Non Dtemp Dhum Dpréc poids class e 15 65 12 0.5 Non
- 25. 25ESI 2017 Scénario d’apprentissage Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Apprentissage « correct » et apprentissage « erroné » Une prédiction effectuée Il y a un risque Pas de risque Apprentissage « erroné » Apprentissage « correct » Faux négatifFaux positifVrai positif Vrai négatif
- 26. 26ESI 2017 Ensemble d’apprentissage VN VP Confirmer l’alerte Augmenter les poids des l voisins Ajouter la prédiction correcte à l’E.A Agriculteur Envoyer un rapport d’anomalie Décliner alerte Ensemble d’apprentissage Diminuer les poids des l voisins Supprimer les éléments non pertinents de l’E.A Agriculteur Scénario d’apprentissage Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Apprentissage « correct » Apprentissage « erroné »
- 27. 27ESI 2017 Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Tests de validation Prouver que la solution proposée permet l’amélioration des résultats de prévision selon la région où le modèle est déployé Objectif
- 28. 28ESI 2017 DTemp ( h ) DHum ( h ) DPrécip ( h ) PLB 20 75 0 Non 23 94 20 Oui 18 95 42 Oui 10 80 10 Non 30 95 32 Oui 32 85 49 Oui Générées aléatoirement Données d’apprentissage DTemp ( h ) DHum ( h ) DPréci p ( h ) PLB 20 75 25 Non 23 94 11 Oui 18 95 42 Oui 10 80 11 Non DTemp ( h ) DHum ( h ) DPréci p ( h ) PLB 20 75 12 Non 23 94 15 Oui 18 95 20 Oui 32 85 32 Oui Générées avec un modèle Données d’adaptation Données de test Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Tests de validation Données utilisées
- 29. 29ESI 2017 Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Tests de validation Test A Données d’apprentissage aléatoires Données de test artificielles Nombre de voisins k Exactitude Sensibilité Etape 1 : Test du classifieur initial Principe
- 30. 30ESI 2017 Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Tests de validation Etape 2 : Test du classifieur après l’application des processus d’apprentissage Phase d’adaptation Phase de test DTemp DHum DPrec classe 95 30 45 oui DTemp DHum DPrec classe 95 30 45 non Classifieur Ct = Test A Données d’apprentissage adaptées Données de test artificielles Nombre de voisins k Exactitude Sensibilité Oui Apprentissage correct Non Apprentissage erroné 1 2
- 31. 31ESI 2017 Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Tests de validation Etape 3 : Comparaison des résultats obtenus k Exactitude 0 0.2 0.4 0.6 0.8 1 1.2 5 10 20 30 40 50 80 100 Exactitude initiale Exactitude après adaptation
- 32. 32ESI 2017 Contributions apportées Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives Adaptation du modèle en fonction de la région Evolution des résultats de prévision avec le temps Prise en compte des feedbacks des agriculteurs dans l’évaluation du système Surmonter la contrainte de non disponibilité d’observations sur les maladies
- 34. 34ESI 2017 Vue globale du système Fournisseur de services Client Web Administration Prédicteur Serveur Authentification Gestionnaire des tâches demander ticket ticket ressource demander ressource RPC RPC BDD relationnelle BDD NoSQL Conclusion et perspectivesSystèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation
- 35. 35ESI 2017 Caractéristiques du système Contraines techniques Faible couplage Autonomie et accessibilité des composants Extensibilité Abstraction des composants Réutilisabilité Utilisation d’interfaces d’accès aux composants Maintenabilité Fonctionnalités précises et indépendantes pour chaque composant Interopérabilité Possibilité de déploiement sur des plateformes différentes Conclusion et perspectivesSystèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation
- 36. 36ESI 2017 CONCLUSION ET PERSPECTIVES
- 37. 37ESI 2017 Synthèse Résumé du projet Prévision du Milldiou de la pomme de terre et de la Fusariose du blé APDM: apprentissage à partir des feedbacks Administration complète du système de prévision Suivi et visualisation de l’état des fermes Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 38. 38ESI 2017 Perspectives d’amélioration Prendre en compte d’autres maladies végétales Proposer des recommandations sur l’application des produits phytosanitaires Prendre en compte l’historique d’application des produits phytosanitaires Rendre l’application de visualisation multi-plateforme 1 2 3 4 Systèmes de prévision Apprentissage automatique Solution proposée Conception et réalisation Conclusion et perspectives
- 39. Merci pour votre attention
Notes de l'éditeur
- Pour commencer, permettez à mon binome sarra bouhenni et à moi même karouche ikram d’abord de vous remercier, présidente du jury madame Zakaria, les membres du jury madame benboudjamaa et madame ahmed bacha , d’avoir accepté, malgré vos multiples occupations, de vous consacrer à l’évaluation de notre travail. Nous remercions également notre encadrante Mme BENHAMIDA pour tous les conseils et les instructions très utiles et enrichissantes qu’elle nous a apportées, nos promoteurs M AIB et M ILMANE de nous avoir données la chance de travailler sur un tel projet si important. nous voudrions aussi manifester notre sincère reconnaissance à nos familles qui viennent de loin pour nous supporter, à nos amies et nos collègues qui sont présents aujourd’hui pour partager avec nous les derniers moments de notre vie d’étudiantes. Après 5 belles années de formation à l’école nationale supérieur d’informatique, l’opportunité nous est offerte, en ce jour, de présenter à l’auguste jury installé notre mémoire de fin d’études dont le thème s’intitule « APDM : vers une plateforme intelligente de prévision des maladies végétales »
- Notre stage de fin d’études s’est déroulé au sein de l’entreprise AITECH : Algérienne des industries technologiques située à Alger centre. Leur mission principale consiste à aider les acteurs du secteur agricole à améliorer le rendement de leurs plantation et optimiser leurs couts et ce, En leur offrant des solutions technologiques simple à utiliser.
- : Notre projet de fin d’études s’inscrit dans un domaine clé de l’économie nationale qui est l’agriculture. Avec l’augmentation de la population algérienne, l’autosuffisance alimentaire et l’améliration de la production agricole sont devenus une nécessite impérieuse et vitale. tous les pays developpés assure leur sécurité alimentaire en exploitant les technologies informatiques, elle leur permettent la résolution de plusieurs problèmes agricoles comme la gestion des fermes de très grande taille, la prévision des maladies végétales.ect
- en analysant la situation du secteur agricole algérien M Akli Moussouni , expert en developpement agricole a déclaré que : le consommateur algérien doit se préparer, à partir de 2015, à « subir un marché très contraignant de produit agricoles trop chers et de très mauvaise qualité ». et c’est le cas aujourd’hui. Ceci revient à trois principales raisons : L’utilisation inexpériementée de produits phytosanitaires. Actuellemnt , il n’existe pas encore un moyen pour assister les agriculteurs algériens dans la protection de leurs cultures et la planification de l’application des fongicides et pesticides ce qui augmente le cout de la production et réduit considérablement la qualité des récoltes. Evènements climatiques extremes come la secheresse qui se conjugue à un ensemble de facteurs négatifs comme les maladies qui touchent les espèces végétales. Propagation rapide des maladies plus facilement que jamais auparavant. Ces contraintes mettent en lumière l’importance de mise en place d’une solution qui permet aux agriculteurs algériens de mieux controler les maladies pouvant affecter la qualité de leurs récoltes.
- Les deux cultures les plus prioritaires à proteger sont la pomme de terre et le blé. Les deux légumes qui se trouvent dans toutes les cuisinnes Algériennes. Chez la pomme de terre, le mildiou est l’une des maladies les plus largement distribuées , il peut causer la perte totale de la récolte dans une période très réduite. De même pour la fusariose de l’épi chez le blé, cette maladie représente un sérieux problème et cause des pertes de rendement importantes.
- L’objectif principal de notre projet de fin d’études consiste à développer un système qui permet la prévision des deux maladies végétales : Fusariose du blé et mildiou de la pomme de terre. Ainsi que l’avertissement des agriculteurs en cas de détection du risque. Le système doit aussi permettre aux agriculteurs de suivre l’état de leurs cultures de pomme de terre et de blé à travers une interface web. Il doit fournir pareillement une interface d’administration.
- Notre présentation se dérouelra comme suit : Nous commençons d’abrod pa rprésenter un aperçu bibliographique sur les sytèmes de prévision, leur caractéristiqueet leur fonctionnement. Ensuite nous passons à la solution classique de la prévision des maladies végétales qui consiste à utiliser l’apprentissage automatique hors ligne. Puis nous exposons la solution que nous proposons ainsi que ses contributions apportées au domaine de la prévision des maladies végétales. Ensuite nous décrirons la concepttion architecturale de notre système ainsi que les technologies utilisée dans sa réalisation. Et nous finirons avec quelques perspectives d’amélioration
- Un système de prévision des maladies végétales est un outil de gestion conçu pour prédire l’occurrence des maladies chez les plantes cultivées. En général, ces systèmes récupérèrent les données climatiques les données climatiques relatives à la ferme et effectuent un traitement pour détecter le risque de la maladie et avertir les agriculteurs.
- Ces systèmes sont basés sur le triangle des maladies. En effet, les études en phytopathologie ont montré qu’il existe une relation d’interaction entre l’agent causal de la maladie, la plante hôte et l’environnement. Une maladie végétale survient quand ces 3 éléments sont réunis. Donc il suffit de suivre l’état de la plante et son climat pour déduire le comportement de l’agent causal et ainsi prévenir l’occurrence de la maladie. Prenant l’exemple de la maladie fusariose du blé, notre hôte est bien la culture du blé. L’agent pathogène est le Fusarium spp. Quand ces deux éléments se réunissent avec un environnement favorable à la maladie c.-à-d. un climat humide et une température entre 15 et 30 degrés, le risque d’occurrence de la maladie augmente et l’agriculteur doit intervenir pour protéger la culture. Donc, le système de prévision des maladies végétales est sensé détecter cette interaction pour pouvoir avertir les agriculteurs à l’avance.
- Maintenant, nous présentons les caractéristiques qu’un système de prévision des maladies végétales devra satisfaire, il y a six points importants à vérifier : Premièrement, la fiabilité des données climatiques utilisées dans la prévision. Deuxièmement, l’utilité du système conçu c.-à-d. il doit être utile en déchargeant les agriculteurs des tâches de surveillance de leurs cultures et de la présence permanente dans la ferme concernée. Troisièmement, la simplicité car en général les systèmes de prévision des maladies végétales sont utilisés par des personnes non techniciens. Donc, fournir une interface simple et facile à utiliser permettra au système d’atteindre plus d’agriculteurs. Quatrièmement, nous avons la disponibilité, car pour prédire l’occurrence d’une maladie il faut que toutes les informations relatives aux éléments d’interaction soient disponibles au moment d’évaluation du risque d’occurrence. Rappelant que ces 3 éléments sont la plante hôte, son climat et quelle maladie veut-on prédire. L’avant dernier élément c’est l’importance de la maladie, le choix des maladies végétales à prédire est un facteur essentiel dans la réussite du système car si la maladie ne peut pas causer des dégâts ou encore elle n’est pas répandue, personne ne sera intéressée par une telle assistance. Enfin, le système de prévision doit aussi être abordable en termes de coût par rapport aux solutions de contrôle de maladies disponibles notamment le suivi continu de la culture sur site ou l’application fréquente des produits chimiques.
- Maintenant que nous avons présenté ces 6 caractéristiques importantes pour les systèmes de prévision, voici trois systèmes qui les ont satisfaites. Le premier est appelé Fusarium Risk Assessment tool, c’est un outil dédié à la prévision de la fusariose du blé aux états unis, les résultats de prévision sont affichés sur une carte géographique du pays colorée par le vert, le jaune et le rouge selon le niveau de risque d’apparition de la maladie. Pour prédire la maladie, il utilise les données climatiques provenant des stations météorologiques. Nous retrouvons aussi Agrisens qui est déployé en Inde et fournie aux agriculteurs des informations sur l’occurrence du mildiou des vignes dans leurs fermes, cet outil utilise les données climatiques mesurées par des réseau de capteurs sans fils installé au niveau de la ferme. Un autre système connu dans la prévision des maladies végétales c’est Agroclimate qui est destiné aux agriculteurs de Floride aux états unis, il évalue le risque d’apparition de la pouriture noble et l’anthracnose des Fraises et des Myrtilles. Agroclimate utilise les données climatiques provenant des stations météorologiques et fournie le risque d’apparition sous forme d’un graphe à 3 niveaux : vert, jaune et rouge.
- Les différents systèmes de prévision des maladies végétales partagent le même processus de prévision. Alors pour prédire l’occurrence d’une maladie nous suivons quatre étapes. Les données climatiques relatives à la plante sont d’abord collectées à l’aide d’un réseau de capteur sans fil ou récupérées à partir d’une station météorologique. Ensuite ces données sont prétraitées en appliquant quelques opérations de transformation comme la conversion d’unités ou le changement d’échelle. Puis elles seront analysées pour évaluer le risque d’occurrence de la maladie en question, nous verrons cette partie en détails, par la suite. La dernière étape de ce processus consiste à présenter les niveaux de risque sur une carte géographique, sur un graphe présentant son évolution ou encore envoyer des alertes aux utilisateurs finaux.
- La solution classique de la prévision des maladies végétales consiste à utiliser l’apprentissage automatique Le machine learning.
- Dans son livre sur l’apprentissage automatique, Cornuéjols décrit l’apprentissage automatique comme une branche de l’intelligence artificielle qui englobe toute méthode permettant de construire un modèle de la réalité à partir d’un ensemble de données. Donc nous démarrons avec un ensemble de données appelé ensemble d’apprentissage qui soit fiable et le plus représentatif possible. Ensuite, nous appliquons un algorithme d’apprentissage automatique pour construire un modèle qui sera par la suite utilisé pour prendre de bonnes décisions.
- Afin d’éclairir le concept, nous prenons un exemple de prévision de la fusariose du blé. L’ensemble d’apprentissage est structuré comme suit : Les premières colonnes représentent les variables descriptives de la maladie, ce sont les facteurs climatiques qui nous permettent de savoir s’il y a un risque ou pas. Dans cet exemple il s’agit de la durée de température entre 9 et 30 degré, la durée d’humidité >90% et la durée de précip >0.1mm pendant les 7 jours passés. La dernière colonne représente la classe qui peut prendre dans ce cas là 2 valeurs possible : oui (il y a un risque) non quand il n y a pas un risque. Donc nous supposons que nous avons collecté ces observations sur la fusariose du blé. Maintenant nous appliquons l’algorithme arbre de décision ( c’est un algorithme d’apprentisage automatique qui permet d’extraire des rèles sous forme de si sinon) nous obtiendrons cet arbre qui généralise la relation entre les variables descriptives de la maladie et la classe de risque.
- La deuxième étape consiste à utiliser le modèle construit pour prévenir l’occurrence des maladies dans le jours à venir. Nous calculons les variables descriptives à partir des données climatiques collectées de la ferme et nous les passons au modèle pour identifier la classe de risque.
- Cette soluion présente 3 limites principales: Premièrement, elle n’est pas applicable dans les régions historiquement non connues c à d les régions où les obsevations de la maladie ne sont pas disponibles comme c’est le cas en Algérie. La deuxième limite c’est que le modèle une fois contruit ne peut pas évoluer donc il pourra pas prendre en considération d’autres cas d’apparition de maladies à part ceux qui existait dans l’ensemble d’apprentissage lors de sa construction. La 3ème limite c’est le fait que non seulement cette solution nécessite un historique d’observation mais aussi il faut qu’il soit fiable et représentatif parce que la qualité des résultats du modèle sont fortement dépendantes de la qualité des données d’apprentissage avec lesquelles il était construit. Pour faire face à ces contraintes, nous avons proposé une nouevlle solution de prévision des maladies végétales basée toujours sur l’apprentissage automatique mais qui soit plus flexible c à d qui evolue avec le temp et qui ne dépend pas fortement de la quaité de l’ensemble d’apprentissgae.
- Nous présentons maintenant notre solution appelée APDM pour Agile Plant Disease Monitoring. C’est une solution agile qui se base sur l’apprentissage incrémental en ligne. Ce qui lui permet d’apprendre avec le temps contrairement au modèles construit avec l’apprentissage automatique hors ligne L’apprentissage démarre avec un échantillon de données sur la maladie qui ne doit pas forcément être complet. Dans notre cas, ce des données artificielles générées à l’aide des modèles prédictifs construits dans des régions climatiques connues. Ensuite, nous exploitons les feedbacks des agriculteurs sur les prévisions déjà effectuées pour améliorer les résultats de prévision. Cette solution comporte deux scénarios : un scénario de prévision qui s’occupe de l’évaluation du risque de la maladie et l’envoi des alertes aux agriculteurs et un scénario d’apprentissage qui traite les feedbacks reçus pour améliorer le classifieur initialement construit.
- Nous commençons par le scénario de prévision qui est composé de plusieurs étapes : Tout d’abord, nous avons un réseau de capteurs sans fil déployé au niveau de la ferme qui effectue la collecte des données climatiques et leur envoi au serveur central ou seront stockées toutes les données relatives aux fermes. Le processus de prétraitement se déclenche périodiquement pour chaque maladie pour calculer les valeurs manquantes s’il y a des pertes de valeurs. Ensuite, vient l’étape du calcul du vecteur caractéristique qui sera fournis au classifieur. La classification du vecteur caractéristique est réalisée avec l’algorithme kNN pondéré. Enfin, deux types d’alertes peuvent être envoyées à l’agriculteur s’il la classe prédite est positive c.-à-d. il y a un risque d’occurrence de la maladie en question.
- Nous présentons ici la technique de classification que nous avons adopté. Nous appliquons l’algorithme des k plus proches voisins pondérés. C’est un algorithme de classification simple et intuitif. Il utilise l’ensemble d’apprentissage tel qu’il est dans la classification et passe par 2 étapes : premièrement, nous calculons les k plus proches voisins du vecteur caractéristique à partir de cet ensemble d’apprentissage en utilisant la métrique de similarité : distance euclidienne. Deuxièmement, nous évaluons la classe d’appartenance de ce vecteur qui est celle des voisins ayant le maximum de poids.
- Voici un exemple d’application du kNN sur un vecteur caractéristique de la fusariose du blé. Ce vecteur est composé des trois variables descriptives : moyenne de l’humidité relative pendant une semaine, nombre d’heures dans lesquelles la température était entre 15 et 30 °C et la durée des précipitations supérieures à 0.1 mm pendant une semaine avant. Avec un k égal à 5, nous avons deux voisins appartenant à la classe « oui », la somme de leurs poids est égale à 3.5. nous avons par contre 3 voisins appartenant à la classe « non » avec une somme de poids égale à 2.25. Ainsi, la classe « oui » sera affectée à ce vecteur caractéristique donc il y a un risque de la fusariose du blé.
- une fois le scénario de prévision est terminé, la prédiction résultante peut ètre correcte ou érroné. C à dire on peut avoir un vrai posirif ou un faux positif dans le cas ou la prédiction a indiqué qu’il yn risque ou bien un vrai négatif ou un faux négatif dans le cas contraire. Afin de permettre au système d’apprendre et de se corriger, nous appliquons un scénatrio apprentissage par cas : Si la prédiction est correcte, nous appliquons l’apprentssage correcte Sinon nous effectuons un apprantissage erroné. La question qui se pose est comment savoir si la prédiction est correcte ou erroné ? c’est là ou l’agriculteur intervient.
- Une prédiction correcte peut ètre un vrai positif ou un vrai négatif. Le vrai positif veut dire que nous avons envoyé une alerte et la maladie est apparue, dans ce cas nous supposons que l’agriculteur confirme l’alerte. Le vrai négatif c’est lorsque le système indique qu’il n y a pas un risque et la maladie n’est pas apparue, après une certaine période de temp, si nous ne recevons aucun rapport d’anomalie indiuquant que cette prédiction est erroné, elle sera automatiquement considérée comme correcte. Le scénario d’apprentissag correcte consiste à récompenser le l voisins de la prédiction en leur augmentant les poids et d’ajouter cette prédiction à l’ensemble d’apprentissage comme étant une connaissance sure et correcte. Le deuxième type de scénario d’apprentissage se déclenche lorsque la prédiction est erronée, dans le cas d’un faux positif, nous supposons que l’agriculteur décline l’alerte. Dans le cas d’un faux négatif, c a d le système n’était pas en mesure de detecter le risque, l’agriculteur envoie un rapport d’anomalie contenant les informations nécessaires à l’identification de la prédiction érrone. Le scénario d’apprentissage erroné consiste à pénaliser le l voisins de cette prédiction en leur diminuant le poids et éliminer tous les éléments ayant un poids inférieur à un certain seuil de l’ensemble d’apprentissage car ils sont cosidérés comme un bruit , des informations non pertinentes. Ces deux mécanismes d’apprentissage nous permettent de s’assurer que l’ensemble d’apprentissage ne va contenir que les connaissances correctes après une certaine période du temps.
- Avant la mise en place de cette solution, nous avons testé son efficacité. L’objectif des test était de prouver que effectivement la solution APDM permet l’amélioration des résultats du modèle elon la région où il est déployé . Autrement dit, Elle permet l’adaptation de l’ensemble d’apprentissgae initial à la nouvelle région tout en exploitant les feedbacks des agriculteurs de cette région.
- Pour atteindre l’objectif, nous avons utilisées les ensembles de donénes suivants : Les étiquettes de l’ensemble d’apprentissgae initial sont générées aléatoirement c’est pour respecter l’hypothèse que les données initiales ne réprésente pas la région où le modèle sera déployé. Et nous avons les données d’adaptation et les données de test. leurs étiquettes sont générés avec un modèle sur le mildiou qui est déjà construit et validé en allemagne à partir de données réelles.
- Le principe du test est le suivant : Premièrement, nous avons tester le classifieur initial c’est-à-dire l’algorithme kNN sans l’application des processus d’apprentissage correct /erroné. Nous avons utilisé les données d’apprentissgae, les données de test et nous avons varié le paramètre k. Les métriques que nous avons pris en considération sont l’exactitude et la sensibilité qui est le taux de vrai positif. C’est très important pour nous de maximiser cette métrique car le système doit détecter le plus de cas possible.
- dans la 2eme étape, nous avons simulé les processus d’apprentissage correct/errone en utilisant les données d’adaptation. Donc à chaque fois nous comparons le résultat obtenu par le classifieur avec la classe associée au vecteur. Si c’est égal, nous déclanchons l’apprentissage correct, dans le cas contraire, nous appliqons l’appretnissage erroné. Après plusieurs itéation, nous obtenons un nouveau classifieur avec un nouvel ensemble d’apprentissgae. Dans la 2eme phase, nous avons testé ce classifieur avec le même ensemble de test et nous avons noté les même métriques
- Voici les résultats obtenu. Ces graphes représentent l’exactitude du modèle en fonction du paramètre k. en bleu, le classifieur initial en jaune le classifieur après adaptation. Nous remarquons que pour les valeurs de k, les exactitudes ont augmenté après l’adaptation du classifieur ce qui indique l’ensemble d’apprentissage initial a convergé vers lensemble d’adaptation qui représente la nouvelle région. Avec un k =100, l’exactitude a passé de 18% à 90% après la simualtion des processus d’apprentissage correct/eroné. Donc nous pouvons déduire que la solution APDM, permet effectivement l’adaptation de l’ensemble d’apprentissage de départ à la région où le modèle sera mis en place.
- Moyennant cette solution, nous avons apporté plusieurs contributions par rapport aux solutions de prévision classiques basées sur l’apprentissage hors ligne. En effet, grâce à APDM il est possible : De prendre en compte les feedbacks des utilisateurs pour évaluer le système selon le nombre de confirmations/déclinaisons d’alertes et le nombre de rapports d’anomalies reçus. De plus, APDM surmonter la contrainte de la rareté des données d’apprentissage car elle démarre avec des données non complètes. Les résultats de prévision sont améliorés avec le temps en prenant en compte les feedbacks pour corriger le classifieur. Enfin, le fait de ne pas être dépendants des données d’apprentissage de départ, le système basé sur APDM peut s’adapter à plusieurs régions différentes en termes de climat et ce grâce au processus d’apprentissage.
- A base de cette solution, APDM, nous avons réalisé un système de prévision des maladies végétales pour la fusariose du blé et le mildiou de la pomme de terre. Dans cette partie, nous présentons sa conception architecturale et les technologies utilisées pour le développer.
- Le schéma devant vous représente une vue globale du système ou sa décomposition en plusieurs modules. Nous avons le module Predictor qui encapsule l’implémentation de la solution APDM, il a sa propre base de données dédiée au stockage des données d’apprentissage. Il a aussi accès à une base de données centrale relationnelle qui contient les données manipulées par le système. Il fournit des interfaces d’accès à ses fonctionnalités via le protocole d’appel de procédure à distance RPC ce qui garantit son indépendance. Nous avons ici le module Services provider, c’est une API REST qui fournit des services web au client WEB et communique avec le predictor à travers RPC pour récupérer les résultats de prévision afin de les transmettre au client et lancer le processus d’apprentissage à la réception d’un feedback à partir du client web. Le client web constitue l’interface avec l’agriculteur, à travers laquelle il peut voir l’état de ses cultures. De même, il peut confirmer / décliner les alertes reçues ou encore signaler un rapport d’anomalie. Afin de pouvoir accéder aux ressources du système, ce module doit passer par un serveur d’authentification qui lui fournit des tickets d’accès temporaires. Le module d’administration lui aussi a accès à la base de données relationnelle, il permet la gestion des utilisateurs, des fermes, des cultures et des capteurs. De plus, il fournit une interface de paramétrage du prédicteur à travers le gestionnaire de tâche. Ce dernier, permet d’exécuter des tâches planifiées et lancer le processus de prévision périodique via des appels RPC au prédicteur.
- Tout au long de la phase de conception, nous avons veillé au respect de certaines contraintes techniques qui nous ont permis de produire un système de qualité. Premièrement le faible couplage assuré par l’autonomie des composants et leur accessibilité à travers des interfaces, Deuxièmement, l’extensibilité du système grâce à l’abstraction de ses différents composants, Troisièmement, la réutilisabilité des différents composants assurée par leur indépendance. Quatrièmement, l’interopérabilité des entités qui peuvent être déployés dans des plateformes hétérogènes. Enfin, nous avons assuré que chaque composant ait des responsabilités bien définies ce qui facilite sa maintenabilité et rend la rectification des erreurs moins coûteuse.
- Pour prendre les points principaux de ce projet, nous pouvons affirmer qu’à travers notre stage de fin d’études nous avons répondu à un vrai problème de l’agriculture qui constitue un facteur clé dans la renaissance de toutes les nations. Ainsi, nous avons réalisé le premier système de prévision des maladies végétales en Algérie. Grâce à APDM, nous avons pu surmonter la contrainte de rareté des données historiques sur les maladies végétales en Algérie. De plus, le système que nous avons réalisé fournie aux agriculteurs une interface de suivi des états de leurs fermes en temps réel. De même pour les administrateurs qui ont une gestion complète du système de prévision.
- Pour conclure, nous souhaitons préciser que ce travail pourra toujours être amélioré. L’une de nos perspectives envers ce système c’est la prise en compte d’autres maladies végétales répandus en Algérie comme le Mildiou des vignes ou l’alternariose de la tomate. Nous comptons aussi travailler sur les recommandations des fongicides et pesticides c.-à-d. proposer à l’agriculteur quel type de produit chimique doit-il appliquer sur la plante concernée. Il est important de prendre en compte cette information dans l’évaluation du risque de la maladie. Car en effet, le système tel qu’il est réalisé, il évalue le risque climatique de la maladie indépendamment des produits chimiques récemment appliqués. Pour cela, il serait intéressant de prendre en compte cette information comme variable descriptive de l’occurrence de la maladie. D’autres variables descriptives peuvent aussi être exploitées dans la classification. Enfin, l’expansion technologique d’aujourd’hui a mis les smartphones en tête des appareils les plus utilisés au monde, d’où l’importance de rendre l’application de suivi d’état des fermes multiplateformes afin d’atteindre plus d’utilisateurs.
- En espérant que cette présentation aura éclairé notre propos et notre démarche, merci mesdames les membres du jury pour votre attention, nous nous tenons maintenant à votre disposition pour répondre aux questions.
- Le principe du test est le suivant : Premièrement, nous avons tester le classifieur initial c’est-à-dire l’algorithme kNN sans l’application des processus d’apprentissage correct /erroné. Nous avons utilisé les données d’apprentissgae, les données de test et nous avons varié le paramètre k. Les métriques que nous avons pris en considération sont l’exactitude et la sensibilité qui est le taux de vrai positif. C’est très important pour nous de maximiser cette métrique car le système doit détecter le plus de cas possible.