Abstract
Cette étude explore l'application des algorithmes d'apprentissage automatique pour la classification des types de sol, une tâche essentielle pour l'agriculture et la gestion durable des terres, en particulier dans des zones confrontées à des défis environnementaux tels que la dégradation des sols. La recherche a été menée dans la commune de Djilor, située dans le Sine Saloum au Sénégal, une région affectée par la salinisation et la perte de terres agricoles. En utilisant des caractéristiques physico-chimiques telles que la texture (pourcentages de sable, limon et argile), le pH, la matière organique, la capacité d'échange cationique (CEC), la densité apparente et la rétention d'eau, cette étude évalue les performances de quatre algorithmes : le Random Forest, le XGBoost, le SVM et le KNN. Un ensemble de 1000 échantillons aléatoires a été utilisé pour l'entraînement et les tests, avec une validation croisée et des matrices de confusion pour évaluer les performances. Les résultats montrent que le SVM obtient les meilleures performances avec une précision globale de 98,85 %, suivi par le Random Forest (97,13 %) et le KNN (95,40 %), tandis que le XGBoost affiche une précision de 94,83 %. Ces résultats soulignent la capacité des modèles à capturer les relations complexes entre les caractéristiques physico-chimiques, bien que des ajustements soient nécessaires pour améliorer leur capacité à gérer les classes minoritaires. L'analyse de l'importance des caractéristiques révèle que la texture du sol, notamment les pourcentages de sable et de limon, joue un rôle clé dans la classification des types de sol. Ces résultats mettent en évidence la pertinence de l'apprentissage automatique comme outil pour une gestion durable des terres agricoles et des ressources naturelles. Toutefois, l’étude souligne également des limitations, telles que la nécessité d’une validation avec des données terrain et d’une exploration de modèles plus complexes pour améliorer la robustesse et la généralisabilité des conclusions.