La présente thèse concerne la conception d’un outil d’aide à la décision, et s’intéresse tout particulièrementaux aspects relatifs à l’apprentissage et au diagnostic. Le premier objectif est de le rendrecapable de choisir le meilleur scénario pour le couple « date de semis »/ « type de semis » en fonctiondes caractéristiques des parcelles à diagnostiquer dans un objectif d’aide à la décision pour les agriculteurs.Le second concerne le diagnostic hydrique établi avant le début des irrigations en juin, au coursduquel il s’agit d’évaluer les besoins en eau d’irrigation des différents îlots de parcelles afin d’anticiperla demande et de répartir au mieux les quantités d’eau pourvue aux irrigants. L’apprentissage utilisela méthode de classification LAMDA qui est basée sur la logique floue. Afin de permettre la prise encompte optimale de tous les facteurs pouvant intervenir dans le rendement d’une parcelle, un nouveautype a été intégré à la méthode LAMDA, et les outils d’apprentissage ont été modélisés, implémentés,et testés de sorte à correspondre aux besoins spécifiques des deux parties du projet. Le nouveau type aété conçu pour être générique et permettre à la méthode LAMDA un traitement multicouche des donnéesd’apprentissage. Il autorise ainsi la gestion de données multidimensionnelles issues de contextesdifférents. Son efficacité a été évaluée sur les cas pratiques du projet MAISEO mais a vocation à pouvoirêtre appliqué à tous les autres domaines de recherche dans lesquels la classification multivariée peutêtre employée. / My thesis deals with the conception of a decision support tool, and particularly focuses on the aspectsrelative to machine learning and diagnosis. The first goal is to make it capable of selecting thebest scenario for the couple « date of sowing »/ « type of seed » taking in account the plots to diagnosecaracteristics with the aim of guiding the corn farmers practices. The second is goal is about the waterdiagnosis, set up in june, before the irrigation is started. This diagnosis aims at evaluating the waterneeds of large plots areas, with the purpose to anticipate demand and better allocate the water quantityprovided to the farmers. The LAMDA method has been chosen to realize the machine learning ; thisis a fuzzy logic based classification method. A new type of data has been integrated to the method toensure that the main factors that influence a plot yield are fully taken into account. In this process, themachine learning tools have been modelled, implemented, and tested in the order to correspond to thespecific needs of both parts of the project. The new type of data has been designed to be generic andallows a multilayer clustering to diagnose the complex systems. Multidimensional data coming fromvarious contexts are so able to be manage by the LAMDA method. The efficiency of this technique hasbeen assessed on the practical cases of the MAISEO project, but is intented to be apply to every researchfield in which the multivariate classification is used.
| Identifer | oai:union.ndltd.org:theses.fr/2015ISAT0032 |
| Date | 11 December 2015 |
| Creators | Roux, Elisa |
| Contributors | Toulouse, INSA, Le Lann, Marie-Véronique |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0022 seconds