Ce projet vise à développer un système d’irrigation intelligent, autonome et économe en eau, spécialement conçu pour les zones désertiques par exemple la région d’El Oued en Algérie. Grâce à l'intégration de modèles prédictifs LSTM et d’un agent d’apprentissage par renforcement profond (DQN), le système adapte en temps réel l’irrigation en fonction des besoins réels des cultures (ici, la tomate) et des conditions climatiques locales.
- Optimiser la gestion de l’eau dans des zones à stress hydrique élevé.
- Améliorer les rendements agricoles en personnalisant l’irrigation.
- Réduire les coûts d’irrigation par une gestion intelligente des ressources.
- Intégrer des technologies d’IA, de simulation agro-climatique, et de capteurs IoT.
- Deep Learning : LSTM pour la prédiction du SWTD (soil water content) et du rendement.
- Reinforcement Learning : Deep Q-Network (DQN) pour la décision optimale d’irrigation.
- Simulations agronomiques : DSSAT avec le module CROPGRO-Tomato.
- Sources de données : NASA POWER API pour les données climatiques.
- Prétraitement : Z-Score, normalisation, PCA.
- Évaluation : RMSE, R² pour la précision des modèles.
- Entrées : Température, humidité, précipitations, évapotranspiration.
- Fenêtre temporelle : 4 à 7 jours.
- Sortie : Teneur en eau du sol le lendemain.
- R² obtenu : > 0.90
- Entrées : Climat, irrigation historique, SWTD.
- Période : Saison agricole complète.
- Sortie : Estimation du rendement en kg/ha.
- R² obtenu : ≈ 0.91
- Actions possibles : 12 niveaux (0–60 mm/jour)
- Récompense basée sur : rendement économique - coût de l’eau
- Localisation : Wilaya d’El Oued, climat saharien extrême.
- Culture ciblée : Tomate (variétés locales adaptées aux fortes chaleurs).
- Irrigation : Pivots agricoles mobiles automatisés.
- Yazi Lynda Mellissa
- Benmachiche Khaled