Un Système adaptatif d'aide à la décision (Adaptatif DSS) pour la gestion du cycle de vie de la culture en agriculture Intelligente

Adaptive Decision Support System For Smart Agricultural Crop Cultivation to Support Food Standard

• Auteur / Autrice : Paweena Suebsombut
• Direction : Abdelaziz Bouras, Aïcha Sekhari, Pradorn Sureephong
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 24/09/2021
• Etablissement(s) : Lyon en cotutelle avec Mahāwitthayālai Chīang Mai
• Ecole(s) doctorale(s) : École doctorale InfoMaths (Lyon ; 2009-....)
• Partenaire(s) de recherche : Equipe de recherche : DISP - Décision et Information pour les Systèmes de Production (Lyon, INSA)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Lumière (Lyon ; 1969-....)
• Jury : Président / Présidente : Keshav Dahal
• Jury : Examinateurs / Examinatrices : Pradorn Sureephong, Punnamurol Temdee
• Jury : Rapporteurs / Rapporteuses : Abu Bakar Md Sultan, Sebti Foufou

Mots clés

Mots clés contrôlés

Co-adaptation (informatique)

Agriculture

Systèmes d'aide à la décision

Mots clés libres

Agriculture intelligente,

Système adaptatif d'aide à la décision (Adaptatif DSS)

Ingénierie des connaissances (KE)

Knowledge base

Agrégation de données

Long-Short Term Memory (LSTM)

Smart Agriculture

Adaptive Decision Support System (Adaptive DSS)

Knowledge Engineering (KE)

Knowledge base

Data aggregation

Résumé

L’agriculture occupe une place particulière dans l’histoire de l’humanité dans la mesure où, depuis son apparition aux alentours du Xe siècle avant J.-C., elle remplit la fonction essentielle de lui fournir ses moyens de subsistance. L'Organisation des Nations unies pour l'alimentation et l'agriculture (FAO) prévoit que d'ici 2050, la population mondiale atteindra 9,1 milliards de personnes [FAO, 2009]. La demande alimentaire a augmenté parallèlement à la croissance de la population mondiale. L'eau étant l'ingrédient le plus crucial pour la croissance des plantes, la consommation d'eau de l'agriculture, ainsi que les engrais, les pesticides et les maladies des plantes, augmentent par conséquent. L’extension des surfaces cultivées ainsi que la hausse des rendements trouvent alors leurs limites face aux défis majeurs qui remettent en cause la soutenabilité de ce modèle de production.L’agriculture du XXIe siècle relève des défis différents et surtout plus exigeants que ceux qu’elle a réussis à relever jusqu’à présent car il lui faudra non seulement produire toujours plus pour pouvoir répondre à une demande croissante d’une population mondiale plus nombreuse, mais aussi le faire en réinventant un nouveau modèle de production beaucoup plus respectueux de l’environnement et soutenable. Deux exigences essentielles à considérer: l’optimisation de la gestion des ressources et le maintien de la qualité de la culture. Le recours aux nouvelles technologies devrait nous permettre d’intégrer ces deux exigences pour un modèle efficient et soutenable. L'agriculture intelligente est une approche qui met l'accent sur l'utilisation des technologies de l'information et de la communication dans le domaine agricole. L'agriculture intelligente aide les personnes qui gèrent les systèmes agricoles à prendre les bonnes actions et décisions afin de soutenir efficacement le développement et d'assurer la sécurité alimentaire (production et qualité des rendements) dans un climat en constante évolution. Les pratiques de l’agriculture intelligente sont diverses. Elles visent à promouvoir les synergies en tenant compte des objectifs pour éclairer les décisions du niveau local au niveau mondial, à court et à long terme, dans le but d'obtenir des solutions localement acceptables.Un aspect important de la recherche sur l'agriculture intelligente se concentre sur la définition d'un système d'aide à la décision (DSS) pour la gestion de l'ensemble de l'exploitation, dans le but d'optimiser le rendement tout en préservant les ressources. Un système d'aide à la décision est un système d'information qui soutient les activités de prise de décision. Dans l’agriculture, Les systèmes d’aide à la décision couvrent majoritairement les applications agricoles dans les domaines suivants : (i) la planification des activités agricoles; (ii) la gestion des ressources en eau ; (iii) l'adaptation au changement climatique ; et (iv) la gestion des déchets alimentaires. La connectivité accrue des technologies et la multiplication des dispositifs intelligents sur le terrain qui stimulent l'accumulation et le stockage des données mettent en lumière certains limites de ces DSS et font émerger de nouveaux défis et challenges. L’expertise de l’agriculteur et sa connaissance demeurent des entrants du DSS importants pour une prise de décision efficace et efficiente.

Smart Agriculture is a trend that emphasizes the use of information and communication technology in agriculture field. Smart Agriculture assists in guiding actions required to modify and reorient agricultural systems in order to effectively support development and ensure food safety (production and quality of yields) in an ever-changing climate. Smart agriculture technology is made up of various technological implementations and information, such as smart sensing and monitoring, smart control, could-based computing, smart analysis and planning to manage cultivation production as an automatic system, decision support system, or expert system. At the moment, the existing decision support system for smart agriculture relies solely on data collected by intelligent sensors. According to experts, this is insufficient for making crop-maintenance decisions. Furthermore, existing knowledge-based systems or expert systems rely solely on data captured from human experts, which is insufficient for crop maintenance decisions. As a result, improving the functionality of decision-making systems requires combining smart technologies and human experts to provide appropriate recommendations to farmers based on data collected from smart sensors and technologies and expert judgment, which is the primary goal of this research.As a result, in this thesis, an Adaptive Decision Support System (Adaptive DSS) was proposed to analyze data collected through the use of intelligent technology, both on and off the farm. Including rules for caring for plants in each growing season obtained from expert knowledge. Through a chat application, farmers will be given appropriate advice on how to care for their crops during each growing season or crop life-cycle, which includes watering, fertilizing, pest control, crop disease control, and weed control. This research is divided into three sections: Knowledge Engineering (KE), Adaptive Decision Support System (Adaptive DSS), and Data Visualization.The first section involves using knowledge engineering (KE) approaches to capture knowledge from experts, extract knowledge from experts, and create rules for crop management in each growth phase based on the knowledge captured by experts. A knowledge matrix is used todefine cognitive conflicts between experts by matching captured and extracted expert knowledge to the body of knowledge and crop maintenance process parameters. The crop maintenance rule-base was developed based on best practices and an analysis of expert knowledge conflicts. Furthermore, crop maintenance knowledge videos were created. These videos discuss the effects of each parameter on crops, as well as the reading and interpretation of data captured by sensor technology for use in sharing knowledge with farmers. Adaptive DSS is a system that analyzes on-farm and off-farm data, as well as the crop maintenance knowledge base, in order to provide farmers with appropriate crop maintenance recommendations. The sensors are used to collect data on farms. The open weather station website is used to collect data from off-farm sources. As the management of water resources in crop cultivation is critical due to today's limited availability of natural fresh water, water management also needs to be anticipated. In crop irrigation, soil moisture value is very important to help determine if soil water is sufficient for crop growth or not. The soil moisture value in the near future is also predicted in the Adaptive DSS using a Long-Short Term Memory (LSTM) machine learning approach (Machine Learning, ML) to provide recommendations to farmers for water management on their farm. In terms of data visualization, it functions similarly to an interface used to control and communicate between the system and farmers via a mobile chat application. Farmers can monitor their farms and control crop maintenance of their own farm crops at any time and from any location.