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 collectées 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 aux conditions environnementales.

- 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

- 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

👉 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