Ablaye-g1tb/irrigation-intelligente-vallee-fleuve-senegal

Système de recommandation d'irrigation basé sur le ML — Vallée du Fleuve Sénégal # Irrigation Intelligente — Vallée du Fleuve Sénégal > Système de recommandation des doses et fréquences d'irrigation basé sur le Machine Learning, > combinant télédétection Sentinel-2 et données agro-climatiques NASA POWER. ## Contexte Les cultures irriguées de la Vallée du Fleuve Sénégal font face à un stress hydrique chronique (98% du temps selon l'analyse Sentinel-2). Ce projet développe un système de recommandation d'irrigation basé sur le ML pour aider les agriculteurs à optimiser leurs pratiques d'irrigation. ## Zone d'étude 4 stations : Saint-Louis, Dagana, Podor, Matam — Période : 2021–2023 ## Méthodologie - **ET0** : Méthode Penman-Monteith FAO-56 (NASA POWER) - **Indices satellitaires** : NDVI, NDWI, SAVI (Sentinel-2 via Google Earth Engine) - **Modèle** : XGBoost — accuracy 88% - **Interprétabilité** : SHAP values + RFECV ## Structure du projet - `notebooks/` — Collecte des données et modélisation ML - `data/` — Base de données géospatiale (4 380 observations) - `models/` — Modèles entraînés (.pkl) - `figures/` — Visualisations scientifiques ## Références scientifiques Ces travaux fondent la démarche méthodologique du projet : - **Djaman et al. (2015)** — Evaluation of sixteen reference evapotranspiration methods under sahelian conditions in the Senegal River Valley. *Journal of Hydrology: Regional Studies, 3, 139–159* permet de justifier le choix de la méthode Penman-Monteith pour ET0 - **Djaman et al. (2019)** — Actual evapotranspiration and crop coefficients of irrigated lowland rice under semiarid climate. *Italian Journal of Agronomy, 14:1059* permet de valider les coefficients culturaux Kc et les besoins en irrigation ## Stack technique Python | Google Earth Engine | Sentinel-2 | NASA POWER | XGBoost | SHAP | Pandas ## Auteur **DIENG Abdoulaye** — Master 2 Modélisation Statistique et Informatique, UCAD