Machine Learning: Prédire la fertilisation en Azote de nouvelles variétés de blé
Projet: Prédire la fertilisation en Azote de nouvelles variétés de blé à partir des caractéristiques physiologiques d’espèces déjà connues
- Collecte et enregistrement de données pendant quatre mois dans quatre régions de France.
- Identification de données physiologiques pertinentes pour la détermination de la fertilisation azotée telles que la couleur de la plante, la longueur des feuilles, l’âge, le stade de développement et l’environnement (input). Le résultat (output) est la classification en groupes de rationnement en Azote des 20 variétés de blé analysées.
- Conception d’un model statistique pour prédire l’alimentation en Azote par classe à partir des 20 variétés de blé analysées.
- Codification et test de l’algorithme avec SAS sur les variétés étudiées (training group).
- Validation de la classification en Azote sur des variétés témoins (test group).
- Test et validation de cette classification sur des variétés inconnues.
Machine Learning, Decision Trees met SAS.