Apprentissage automatique pour la prédiction du microbiome du sol et de l'occurrence des maladies des plantes agricoles

Aouabed, Zahia (2026). « Apprentissage automatique pour la prédiction du microbiome du sol et de l'occurrence des maladies des plantes agricoles » Thèse. Montréal (Québec), Université du Québec à Montréal, Doctorat en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (6MB)

Résumé

Cette thèse s’inscrit dans le développement d’une écologie computationnelle prédictive appliquée au microbiome du sol et aux agroécosystèmes, à l’interface entre l’intelligence artificielle, la modélisation environnementale et l’agriculture de précision. Elle vise à évaluer, de manière intégrée et systématique, la capacité des approches d’apprentissage automatique et d’apprentissage profond à prédire deux dimensions clés : (i) la structure taxonomique et fonctionnelle du microbiome du sol et (ii) la dynamique temporelle des maladies fongiques des plantes agricoles. Nos analyses reposent d’une part sur des données issues des travaux d’Averill et al. (2021) et de la base de données NEON, couvrant de vastes gradients spatiaux, climatiques et environnementaux du microbiome du sol. Ceci nous a permis d’examiner la généralisabilité des modèles de prédiction du microbiome à différentes échelles taxonomiques et fonctionnelles. D’autre part, nous avons examiné un jeu de données agroépidémiologique, fourni par Agriculture et Agroalimentaire Canada (AAC), qui combine des observations phytosanitaires fines avec des observations météorologiques provenant d’Environnement et Changement Climatique Canada (ECCC). Ce jeu de données offre un terrain d’étude unique pour la modélisation des occurrences des maladies des plantes agricoles en conditions réelles. Nos résultats montrent que la prédiction du microbiome du sol dépend fortement de l’échelle taxonomique ou fonctionnelle considérée. Les meilleures performances en régression ont été observées avec les modèles d’apprentissage classiques - Random Forest et k-NN. Random Forest se distingue aux niveaux taxonomiques élevés (phylum, classe et ordre), tandis que k-NN donne de bons résultats aux niveaux taxonomiques plus fins (famille et genre). Concernant la prédiction des occurrences des maladies fongiques, les architectures neuronales séquentielles, notamment RNN GRU et LSTM, capturent efficacement les dépendances temporelles entre les facteurs climatiques et l’état de santé des plantes agricoles. Toutefois, des modèles plus simples, tels que Random Forest, k-NN ou MLP, peuvent devenir compétitifs lorsqu’ils sont associés à des stratégies de réduction de dimensionnalité appropriées. Dans l’ensemble, les réseaux récurrents GRU présentent les meilleures performances, tant pour la classification que pour la régression, lorsque les variables d’entrée ne sont pas réduites. En classification, les méthodes de réduction de dimensionnalité s’intègrent particulièrement bien aux approches supervisées non récurrentes. En régression, les méthodes de réduction de dimensionnalité non linéaires se révèlent particulièrement performantes lorsqu’elles sont combinées à des modèles récurrents, alors que les approches linéaires donnent de bons résultats lorsqu’elles sont associées à des modèles d’apprentissage automatique classiques. Un apport important de cette thèse consiste à montrer que la réduction de dimensionnalité ne constitue pas un simple prétraitement technique, mais un véritable choix scientifique qui conditionne la manière dont les signaux écologiques deviennent lisibles et exploitables par les algorithmes d’apprentissage automatique. En révélant quand et comment utiliser des projections linéaires, des approches non linéaires ou des transformations informées par l’expertise du domaine, cette thèse propose un cadre décisionnel pour concevoir des pipelines prédictifs robustes et performants.

Type:	Thèse ou essai doctoral accepté
Informations complémentaires:	Fichier numérique reçu en format PDF.
Directeur de thèse:	Makarenkov, Vladimir
Mots-clés ou Sujets:	Microbiome du sol / Maladies fongiques des plantes / Prédiction / Apprentissage automatique / Apprentissage profond / Applications biologiques de l'intelligence artificielle
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	11 sept. 2026 09:44
Dernière modification:	11 sept. 2026 09:45
Adresse URL :	https://archipel.uqam.ca/secure/id/eprint/20308

Modifier les métadonnées (propriétaire du document)

Statistiques