Page d'accueil

Apprentissage automatique sur les données d'électrophysiologie des plantes pour identifier l'état d'une plante

Les plantes réagissent aux changements dans leur environnement. Ces réponses biologiques induisent des changements dans leur signal électrophysiologique. Grâce à des outils de monitoring, ce signal peut être collecté pour être analysé. Les données ainsi récupérées peuvent être prétraitées et ensuite classifiées à l'aide d'outils d'apprentissage supervisé.

L'objectif de ce travail était de développer un pipeline permettant d'extraire les caractéristiques décrivant les signaux électrophysiologiques, afin de les utiliser pour classifier l'état de santé des plantes à l'aide d'un algorithme de Machine Learning. Connaître l'état de la plante en temps réel permet d'adapter les conditions de pousse afin d'éviter des pertes et d'optimiser la production.

Les données analysées sont issues d'une expérience effectuée dans un projet de recherche qui consiste à induire le stress à 16 plants de tomates par le retrait des différents nutriments. Ce travail s'est focalisé sur le manganèse, car ce nutriment n'a pas été exploré individuellement dans les analyses précédentes.

Les modèles de classifications produits montrent que l'état de stress peut être dépisté avec une précision allant jusqu'à 0.65 et un rappel atteignant 0.96. Le meilleur F1-score, de 0.72, a été obtenu pour le modèles issus avec une longueur de fenêtrage de 180 secondes et en utilisant 5 fenêtres. L'ajout de nouvelles caractéristiques permet d'introduire une nouvelle approche à la problématique, mais n'amène pas de réelle amélioration de la classification. Les caractéristiques ayant le plus de poids dans la classification se sont révélées être les statistiques calculées sur les décompositions par ondelettes d'ordre 4 et 8.

Ce travail a permis de confirmer les observations précédemment faites sur l'impact de la longueur du fenêtrage appliqué lors du prétraitement et sur les caractéristiques ayant le plus de pouvoir discriminatif lors de l'dentification du déficit de Manganèse.