Intégration de l’intelligence artificielle dans les pratiques aquacoles : une étude comparative

Abstract

Aquaculture has become one of the fastest-growing food production sectors worldwide, contributing significantly to economic development. However, traditional aquaculture practices face major challenges related to water quality monitoring, fish health management, and feeding efficiency. These issues often result in economic losses and threaten the sustainability of aquaculture systems. Recent advances in Artificial Intelligence (AI) offer promising solutions through automated monitoring, prediction, and decision-making systems. This thesis presents a comparative study of AI applications in aquaculture, focusing on three key areas: water quality prediction, fish health monitoring, and smart feeding systems. It provides an overview of datasets, preprocessing techniques, model architectures, evaluation metrics, and reported results from recent research in the field of aquaculture. The study examines traditional machine learning approaches, including Support Vector Machines, Random Forests, XGBoost, and LightGBM, alongside deep learning models such as Convolutional Neural Networks, Long Short-Term Memory networks, hybrid CNN-LSTM architectures, YOLO-based object detectors, and Transformerbased models.***

L’aquaculture est devenue l’un des secteurs de production alimentaire connaissant la croissance la plus rapide au monde, contribuant de manière significative au développement économique. Cependant, les pratiques aquacoles traditionnelles sont confrontées à d’importants défis liés à la surveillance de la qualité de l’eau, à la gestion de la santé des poissons et à l’efficacité de l’alimentation. Ces problèmes entraînent souvent des pertes économiques considérables et menacent la durabilité des systèmes aquacoles. Les progrès récents de l’Intelligence Artificielle (IA) offrent des solutions prometteuses grâce à des systèmes automatisés de surveillance, de prédiction et d’aide à la décision. Ce mémoire présente une étude comparative des applications de l’Intelligence Artificielle en aquaculture, en se concentrant sur trois domaines principaux : la prédiction de la qualité de l’eau, le suivi de la santé des poissons et les systèmes d’alimentation intelligents. Il fournit une vue d’ensemble des jeux de données, des techniques de prétraitement, des architectures de modèles, des métriques d’évaluation et des résultats rapportés dans les recherches récentes du domaine aquacole. L’étude examine des approches classiques d’apprentissage automatique, notamment les Machines à Vecteurs de Support (SVM), les Forêts Aléatoires (Random Forest), XGBoost et LightGBM, ainsi que des modèles d’apprentissage profond tels que les Réseaux de Neurones Convolutifs (CNN), les réseaux à Mémoire Longue à Court Terme (LSTM), les architectures hybrides CNN-LSTM, les détecteurs d’objets basés sur YOLO et les modèles basés sur les Transformers.