Estimation de la qualité des cultures de riz par des systèmes intelligent

La gestion intelligente de l'agriculture est devenue cruciale pour faire face à la sécheresse et à la pénurie d'eau, notamment dans les pays en développement. Cette thèse propose un système novateur de gestion intelligente des rizières adapté aux spécificités géographiques de la Mauritanie. Il vise à comprendre les facteurs influençant la production agricole et à prédire les rendements des cultures. Nous avons utilisé une version améliorée du modèle de clustering DBSCAN avec la mesure de similarité DTW pour résoudre les problèmes de clusters de densités variables. De plus, nous avons combiné un modèle de réduction des données basé sur les réseaux de neurones DAE avec le DBSCAN, ce que nous appelons le "Deep Clustering Séparé". Pour la prédiction des rendements, nous avons utilisé une architecture LSTM basée sur les données climatiques et les indices de végétation satellitaire. Notre système inclut des interfaces administrateur et utilisateur pour une gestion efficace des données collectées.