| Titre : | Système Intelligent Basé sur l’IoT et Techniques de l’IA pour la Supervision de la Culture Aquaponique (SISCA) |
| Auteurs : | Oussama Abdelilah DJOUDI, Auteur ; Mohamed Selimane REZEG, Auteur ; Samir BOURAKECHE, Auteur |
| Type de document : | Mémoire magistere |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2025 |
| Format : | 1 vol. (77 p.) / ill.couv.ill.encoul / 30 cm |
| Langues: | Français |
| Langues originales: | Français |
| Résumé : |
Ce mémoire propose la création d’un système intelligent appelé SISCA (Système Intelligent de Supervisionet de Contrôle pour l’Aquaponie) pour répondre aux défis croissants liés à la sécurité alimentaire,à la raréfaction de l’eau et à la durabilité de l’agriculture. Il combine l’intelligence artificielle, le cloud computing et l’Internet des objets pour surveiller et optimiser les fermes aquaponiques en temps réel. SISCA collecte les données des capteurs (pH, température, OD, ammoniac, nitrates, etc.), les analyse à l’aide de modèles d’IA (GRU, RF), recherche les anomalies et prédit les conséquences environnementales. Grâce à son architecture SaaS multi-utilisateurs, SISCA offre à chaque exploitant agricole unaccès individualisé, sécurisé et évolutif. Ce projet représente une véritable avancée vers une agriculture intelligente, résiliente et automatisée, adaptée aux contextes régionaux comme celui de l’Algérie. |
| Sommaire : |
Table des Matières Table des Figures Liste des Tableaux Liste des abréviation Introduction Générale 1 1 État de l’art 3 1.1 Introduction . . . . . . 3 1.2 L’aquaponie : principes et fonctionnemen . . 3 1.2.1 Définition de l’aquaponie . . . 3 1.2.2 Fonctionnement du système aquaponique . . . . . . . . . . . . . . . . . . . . . . 4 1.2.3 Avantages de l’aquaponie . 4 1.2.4 Défis et considérations . . . . 5 1.2.5 Qualité de l’eau en aquaponie . . . . 5 1.2.5.1 Paramètres essentiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.5.2 Effets des depassements des parametres de qualite de l’eau . . . . . . . 7 1.2.5.3 Les causes d’une mauvaise qualité d’eau en aquaponie . . . . . . . . . . 7 1.3 L’Internet des Objets (IoT) . . . . 8 1.3.1 Définition de l’IoT dans l’agriculture .. 8 1.3.2 Caractéristiques de l’IoT . . . 9 1.3.3 Avantages de l’IoT en agriculture . 10 1.3.4 Applications de l’IoT en agriculture de précision . 10 1.3.5 Défis futurs de l’Internet des Objets (IoT) . . 10 1.3.6 Protocoles de l’IoT . . 11 1.3.7 Protocoles les plus courants . . . 12 1.3.7.1 Protocole de Communication – MQTT . . . . . . . . . . . . . . . . . . 12 1.4 Intelligence Artificielle (IA) . . .. . 13 1.4.1 Définition de l’intelligence artificielle (IA) .. 13 1.4.2 Avantages de l1.4.3 Limites de l’IA en agriculture . . 14 1.4.4 L’avenir de l’IA en agriculture . 15 1.5 Cloud computing . . . . . 15 1.5.1 Définition Cloud computing . . 15 1.5.2 Caractéristiques du Cloud Computing . . . .16 1.5.3 Les types de Cloud Computing . . . 17 1.5.4 Modèles de services du Cloud Computing . . .18 1.5.4.1 SaaS – Software as a Service . .19 1.5.4.2 PaaS – Platform as a Service (Plateforme en tant que Service) . . . . . 20 1.5.4.3 IaaS – Infrastructure as a Service (Infrastructure en tant que Service) . 21 1.5.5 Défis de l’intégration du Cloud Computing et de l’IoT .21 1.6 Travaux similaires sur l’aquaponie intelligente . . . . 23 1.7 Conclusion . . . . 24 2 Conception du Système SISCA 25 2.1 Introduction . . . . . .. 25 2.2 Architecture Générale du Système . . . 25 2.2.1 Description Globale du Système . . . 25 2.2.2 Composants matériels principaux . . 27 2.2.2.1 Capteurs (sensors) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.2.2.2 Microcontrôleur(s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.2.2.3 Actionneurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.2.2.4 LED horticole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.2.2.5 Caméra de surveillance . . . . . . .. . . 32 2.2.3 Fréquence d’Échantillonnage . 33 2.3 Analyse des Besoins . . . 33 2.3.1 Besoins Fonctionnels . . 33 2.3.2 Besoins Non Fonctionnels . . . 34 2.4 Modélisation UML du Système . .. 35 2.4.1 Diagramme de cas d’utilisation . . . . 35 2.4.2 Diagramme de classes . . 37 2.4.3 Diagramme de Séquence . 38 2.5 Conclusion . . 41 3 Implementation 42 3.1 Introduction . . . . . 42 3.2 Langages de programmation . . . 42 3.3 Outils de développement . . . . 44 3.4 Implémentation du modèle prédictif avec le Deep Learning . . 44 3.4.1 Définition du Deep Learning . 45 3.4.2 Modèle Utilisé . 45’IA en agriculture . . . 14 3.4.2.1 Modèle principal : GRU (Gated Recurrent Unit) . . . . . . . . . . . . . 45 3.4.2.2 Modèle secondaire : Random Forest Regressor (RF) . . . . . . . . . . . 45 3.4.3 Méthodologie . . . . 46 3.4.4 Résultats expérimentaux : comparaisons des valeurs réelles et prédites 47 3.4.4.1 Comparaison Réelles vs Prédites — pH . . . . . . . . . . . . . . . . . . 47 3.4.4.2 Comparaison Réelles vs Prédites — Température — Turbidité . . . . . 48 3.4.5 Analyse des performances du modèle de prédiction .. 48 3.4.6 hyperparamètres du modèle IA . . . 49 3.4.7 Fonctionnement du Système SISCA . . 51 3.4.7.1 Quelques fonctions du système . . . . . . . . . . . . 52 3.5 Structure de la base de données . . . 54 3.5.1 Table des utilisateurs (users) . . . 54 3.5.2 Table des règles capteurs (sensor_rules) . . 54 3.5.3 Table des relevés de capteurs (sensor_readings) . .. 54 3.5.4 Table des pompes/actionneurs (pumps) . . . 54 3.5.5 Table des notifications (notifications) . . . 54 3.6 Présentation de la plateforme . . . . 55 3.6.1 Interface utilisateur et modules fonctionnels . . 55 3.7 Conclusion . . 69 Conclusion Générale |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/949 | Mémoire master | bibliothèque sciences exactes | Consultable |
