🔎 Contexte

D’ici 2050, la population mondiale atteindra 9,1 milliards d’habitants, augmentant de 70 % les besoins alimentaires. Face à la réduction des terres agricoles due à l’urbanisation, l’agriculture de précision devient essentielle pour optimiser la production et gérer les ressources efficacement.

Ce projet a été réalisé sur un jeu de données collecté en Inde : 2 200 observations incluant 6 variables physico-chimiques du sol, 1 variable météorologique et 1 variable sur le type de culture adaptée.
Objectif : aider les agriculteurs à faire des choix éclairés sur les cultures les mieux adaptées à leurs sols et conditions environnementales.

🎯 Défi

• Prédire les cultures les plus adaptées à partir des caractéristiques complexes des sols et du climat
• Gérer les interactions multiples entre variables (sol, météo, type de culture)
• Fournir un outil décisionnel utilisable par les agriculteurs pour optimiser rendement et durabilité

⚙️ Actions menées

• Développement de modèles de machine learning : régression, k-nearest neighbors (KNN), forêts aléatoires (Random Forests)
• Sélection de variables via stepwise et élimination récursive (RFE) pour identifier les facteurs les plus influents
• Évaluation de la performance des modèles (accuracy) et comparaison entre modèles complets et modèles sélectionnés
• Application d’une classification ascendante hiérarchique pour prédire les cultures similaires et différencier celles aux besoins agronomiques proches

✅ Résultats obtenus

• Modèles capables de prédire efficacement les cultures adaptées en fonction des caractéristiques des sols et de l’environnement
• Identification des variables clés influençant le choix des cultures
• Création d’un processus reproductible et transférable à d’autres régions ou types de cultures

💡 Valeur ajoutée

👉 Aide concrète à la prise de décision pour les agriculteurs : optimisation des ressources, amélioration des rendements, durabilité accrue 👉 Possibilité d’extension à d’autres régions géographiques ou cultures 👉 Base pour développer des solutions agritech basées sur l’IA, combinant machine learning et deep learning