Compétition 2 : Modélisation Prédictive
Description
Importance de la cartographie précise des cultures pour l’agriculture de précision :
L’agriculture de précision, qui vise à optimiser la gestion des cultures sur le terrain, doit se baser sur une cartographie précise des cultures. En effet, la cartographie des cultures contribue à améliorer certains aspects importants de l’agriculture, notamment :
- L’allocation des ressources – L’identification précise des différents types de cultures permet une meilleure affectation des ressources telles que l’eau, les engrais et les pesticides.
- La prévision des rendements – La compréhension de la répartition spatiale des cultures permet de prédire les rendements avec plus de précision, ce qui facilite la planification et les stratégies de marché.
- La viabilité de l’environnement – Une cartographie précise permet de surveiller et de gérer la santé des cultures, de réduire les déchets et de minimiser l’impact des pratiques agricoles sur l’environnement.
- Le ciblage des interventions – La cartographie permet de mettre en œuvre des interventions ciblées pour résoudre des problèmes spécifiques tels que l’apparition de maladies, les carences en nutriments ou les infestations parasitaires.
Dans la zone géographique du Sénégal connue sous le nom de bassin arachidier, il est particulièrement important de disposer d’une cartographie précise des cultures étant donnée la dépendance économique de cette région à l’égard de la culture de l’arachide. Des cartes précises peuvent aider à assurer une meilleure gestion des cultures, à améliorer les prévisions de rendement et à promouvoir des pratiques agricoles durables, contribuant ainsi à la sécurité alimentaire et à la stabilité économique de la région.
Le bassin arachidier du Sénégal :
Le bassin arachidier du Sénégal est une région de culture extensive de l’arachide. Cette région est au cœur de l’économie sénégalaise, car elle fournit des revenus substantiels et des opportunités d’emploi à la population locale. Toutefois, les activités agricoles du bassin arachidier dépendent fortement des précipitations saisonnières et des conditions climatiques, d’où la nécessité de surveiller et de gérer efficacement la santé et la productivité des cultures.
Description du défi :
Le défi proposé dans cette catégorie du concours RDC consiste à développer un modèle prédictif pour la cartographie des cultures en utilisant la télédétection et les techniques d’apprentissage automatique. L’objectif est de prédire avec précision les types de cultures, en se basant sur les valeurs des bandes spectrales de l’outil Sentinel-2 et sur les indices de bande calculés à partir de ces bandes spectrales. La base de données à utiliser fournit des informations sur les bandes spectrales et sur les indices de bande collectés dans le bassin arachidier sénégalais à 15 jours d’intervalle sur une période allant du 1er juillet 2023 au 31 octobre 2023. Les indices sont décrits dans le Tableau 1 ci-dessous :
Tableau 1 : Les indices de bande et leur description
| Indice de bande | Description |
| Bleu (BLEU) | Bande spectrale bleue |
| Vert (VERT) | Bande spectrale verte |
| Rouge (ROUGE) | Bande spectrale rouge |
| Proche infrarouge (NIR – Near infrared) | Bande spectrale proche infrarouge |
| Indice de végétation à large gamme dynamique (WDRVI – Wide Dynamic Range Vegetation Index) | Cet indice donne les mêmes informations que l’indice NDVI, mais il est plus important pour les cultures à feuillage dense et les cultures à maturité. |
| Indice de végétation par différence normalisée (NDVI – Normalized Difference Vegetation Index) | Utilisé pour surveiller la santé et la productivité de la végétation. |
| NDVI synthétisé (SNDVI – Synthesized NDVI) | Cet indice donne les mêmes informations que l’indice NDVI, mais il est plus précis pour les périodes de croissance des cultures et moins précis en cas de baisse des récoltes et de changements soudains. |
| Indice de chlorophylle (CI – chlorophyll index) | Cet indice sert à calculer la quantité totale de chlorophylle contenue dans les plantes. |
| Indice de chlorophylle terrestre MERIS (MTCI – MERIS terrestrial chlorophyll index) | Cet indice donne de meilleurs résultats pour les canopées planophiles. |
| Indice de réflectance de la sénescence des plantes (PSRI – Plant Senescence Reflectance Index) | Cet indice est utilisé pour la surveillance de la santé de la végétation, la détection du stress physiologique des plantes, la production agricole et l’analyse du rendement. |
| Indice de végétation amélioré (EVI – Enhanced vegetation index) | Indice semblable à l’indice NDVI, mais utilise la région de réflexion de la lumière bleue. |
| Indice de végétation ajusté au sol (SAVI – Soil-Adjusted Vegetation Index) | Indice utilisé pour minimiser les influences de la luminosité du sol à l’aide d’un facteur de correction de la luminosité au sol. |
Évaluation
Afin d’évaluer la précision de votre modèle prédictif pour la cartographie des cultures, nous devons retrouver dans votre proposition des données prévisionnelles sur les cultures d’arachide pour chaque pixel identifié dans la description des données (Dataset_Sen_GB_Challenge_to_predict.csv). Nous avons isolé une partie de la base de données permettant spécifiquement d’évaluer la précision des résultats de votre modèle. Nous utiliserons les paramètres suivants pour l’évaluation :
- La matrice de confusion : Elle indique les vrais positifs, les faux positifs, les vrais négatifs et les faux négatifs, ce qui donne une image claire des erreurs du modèle.
- La précision globale : Il s’agit de la proportion de types de cultures correctement prédits par rapport au nombre total de prévisions. Elle donne une mesure de base des performances, mais peut être trompeuse en cas de données déséquilibrées.
- La précision : Il s’agit du rapport entre le nombre d’observations positives correctement prédites et le nombre total d’observations positives prédites. Ce paramètre mesure la précision des prédictions positives.
- Le rappel (sensibilité) : Le rapport entre les observations positives correctement prédites et toutes les observations positives. Il indique la capacité du modèle à identifier tous les cas pertinents.
- Score F1 : La moyenne harmonique de la précision et du rappel, offrant une mesure unique équilibrée, particulièrement utile pour les données déséquilibrées.
Votre projet devrait se présenter ainsi :
| Identité du pixel | Type de culture |
| 00001 | Arachide |
| 00002 | Arachide |
| …… | Pas arachide |
Règles
La solution doit utiliser des logiciels libres et accessibles au public:
- Seules les propositions contenant des valeurs de prédiction pour tous les pixels seront prises en compte.
- Les candidats individuels peuvent former des équipes pour participer à ce concours. Toutefois, vous ne pouvez pas soumettre votre travail en tant que candidat individuel si vous êtes membre d’une équipe participante.
- Une seule soumission de projet est autorisée. Cependant, vous pouvez demander la possibilité de soumissionner une deuxième fois et l’équipe du ReSAKSS Data Challenge examinera votre requête.
- Si vous êtes le gagnant, l’équipe du ReSAKSS Data Challenge vous demandera de soumettre votre modèle pour vérification des droits d’auteur et des valeurs prédictives.
- Si deux solutions obtiennent la même note, la date et l’heure de soumission des projets seront prises en compte dans l’évaluation.
- Vous acceptez de céder légalement la propriété de tous les droits d’auteur du code de la solution gagnante au ReSAKSS Data Challenge, tout en vous réservant le droit d’utiliser le code de la solution à des fins non commerciales, tout en créditant le ReSAKSS Data Challenge.
- Le ReSAKSS Data Challenge peut modifier les règles à tout moment.
- Chaque candidat ne peut participer qu’à l’un des deux concours informatiques.
Calendrier
Les candidatures pour la catégorie Modélisation prédictive seront acceptées du 12 juillet 2024 au 20 aout 2024, date de cloture des appels à candidatures. Les candidatures se feront par le biais de ce site web consacré au ReSAKSS data challenge.
Prix
Seul le 1er prix sera attribué au gagnant de cette sous-catégorie 2, Modélisation prédictive.
Télécharger les instructions et/ou Participer
