L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Madame Hajar HAMMOUCH

Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :

Mathématiques et Informatique

« Application de modèles avancés d’intelligence artificielle à l’irrigation intelligente à partir de données capteurs et d’images satellitaires. »

le LUNDI 24 FéVRIER 2025 à 14h00

à

Grand Amphithéâtre de l’ENSIAS
Avenue Mohammed Ben Abdallah Regragui Madinat Al Irfane BP 713 Agdal Rabat Maroc

Participer à la réunion Zoom
https://telecom-paris.zoom.us/j/99601731699?pwd=42St3jJuKoaARKGHfAX9LJ3Mpw8RT8.1

ID de réunion: 996 0173 1699
Code secret: 412444

Membres du jury :

M. Mounim A. EL YACOUBI, Professeur, Télécom SudParis, FRANCE – Directeur de these
M. Hassan BERBIA, Professeur, ENSIAS, MAROC – CoDirecteur de these
Mme Pilar  MONTESINOS BARRIOS, Professeure, Université de Cordoba, ESPAGNE – Examinateur
M. Huafeng QIN, Professeur, Chongqing Technology and Business University, CHINE – Examinateur
Mme Ghizlane  KHAISSIDI , Professeure, Ecole Nationale des Sciences Appliquées de Fès (ENSAF) , MAROC – Examinateur
Mme Carole  DELENNE, Professeure, université d’Aix Marseille, FRANCE – Rapporteur
M. Salah ERRAKI, Professeur, Université Cadi Ayyad, MAROC – Rapporteur

« Application de modèles avancés d’intelligence artificielle à l’irrigation intelligente à partir de données capteurs et d’images satellitaires. »

présenté par Madame Hajar HAMMOUCH

Résumé :

Dans cette thèse, nous abordons les défis urgents de la gestion de l’eau par l’analyse d’images agricoles et l’étude de modèles d’intelligence artificielle (IA) pour optimiser l’agriculture de précision. Etant donné la menace croissante du changement climatique et la crise mondiale de l’eau, nous avons effectué une étude systématique des technologies d’irrigation intelligente, avec une emphase particulière sur les capteurs IoT, la télédétection (RS: Remote Sesnsing) et les méthodes d’IA. Cet examen exhaustif met non seulement en évidence les approches existantes, mais ouvre également la voie à de nouvelles solutions qui optimisent l’utilisation de l’eau et renforcent une agriculture durable. Pour répondre au manque critique d’ensembles de données agricoles, nous avons proposé et mis en œuvre des réseaux neuronaux convolutifs (CNN) et des réseaux adversaires génératifs (GAN) pour prédire l’humidité du sol à partir d’images aériennes capturées par des drones. En proposant un nouveau modèle de GAN qui génère conjointement des images synthétiques et leurs vecteurs continus de vérité terrain, nous avons amélioré de manière significative les performances des CNN dans des environnements où les données sont limitées. Les erreurs de prédiction ont été considérablement réduites, ce qui prouve la puissance de l’augmentation des données par GAN dans les tâches de régression, un contexte d’augmentation des données qui n’est pas pris en couvert par les GAN conventionnels. En outre, nous avons proposé des modèles d’IA hybrides, combinant des modèles d’apprentissage profond et des modèles d’apprentissage automatique exploitant des caractéristiques fondées sur l’expertise humaine, pour prédire la teneur en azote des cultures de sorgho – un facteur essentiel pour la santé des cultures – à l’aide d’images RGB capturées par des drones. Nous avons mené cette recherche dans le cadre d’une collaboration avec l’Université tchèque des sciences de la vie à Prague (CZU) et l’Institut international de recherche sur les cultures des zones tropicales semi-arides (ICRISAT) à Telangana, en Inde. En intégrant des indices spectraux aux architectures CNN, nous avons amélioré la précision des prédictions d’azote, soutenant ainsi des pratiques agricoles plus précises et durables. Grâce à la fusion des technologies de l’IoT, de l’IA et RS, notre travail fournit des solutions innovantes pour relever les défis critiques de la gestion des ressources d’eau et de la durabilité environnementale.

Abstract :

In this thesis, we tackle the urgent challenges in water management, agricultural image analysis, by the investigation of artificial intelligence (AI) models to optimize precision farming. Recognizing the growing threat of climate change and the global water crisis, we conducted a systematic review of smart irrigation technologies, focusing on IoT sensors, remote sensing, and AI methods. This comprehensive review not only highlights existing approaches but also sets the stage for new solutions that optimize water use and enhance agricultural sustainability. To address the critical lack of agricultural datasets, we proposed and implemented convolutional neural networks (CNNs) and generative adversarial networks (GANs) to predict soil moisture from UAV-captured aerial images. By proposing a novel GAN model that generates conjointly synthetic images and their continuous ground truth vectors, we significantly enhanced CNN performance in data-scarce environments. This significantly reduced prediction errors, proving the power of GAN-driven data augmentation in regression tasks, a data augmentation setting not handled by conventional GANs. Additionally, we have proposed Hybrid AI models, combining deep learning models with Machine learning models leveraging human expert-based features, for predicting nitrogen content in sorghum crops—an essential factor for crop health—using UAV-captured RGB imagery. We have carried out this research in the context of collaboration with the Czech University of Life Sciences in Prague (CZU) and the International Crops Research Institute for the Semi-Arid Tropics (ICRISAT) in Telangana, India. By integrating spectral indices with CNN architectures, we enhanced the accuracy of nitrogen predictions, supporting more precise and sustainable agricultural practices. Through the fusion of IoT, AI, and RS technologies, our work provides innovative solutions to address critical challenges in water resource management and environmental sustainability.