Résumé:
Cette étude vise à caractériser les sols de plusieurs sites à partir de leurs propriétés physico-
chimiques et à évaluer l’apport des méthodes d’apprentissage automatique pour la
classification de la texture et de l’humidité. L’analyse des échantillons a révélé une forte
variabilité entre les sols, avec une dominance de textures limono-sableuses, un pH
majoritairement alcalin, une faible teneur en matière organique et des niveaux de salinité et de
calcaire variables selon les groupes de sites. En parallèle, des modèles de classification
supervisée ont été testés à partir des données mesurées. Le modèle Random Forest s’est
distingué par sa précision dans la prédiction de la texture du sol, tandis que la classification de
l’humidité a montré des limites dues au déséquilibre des classes. L’intégration de
l’apprentissage multitâche a permis d’optimiser les performances globales, bien que des
améliorations soient encore possibles. Les résultats ouvrent la voie à l'utilisation de
l'intelligence artificielle comme outil complémentaire aux analyses pédologiques
traditionnelles, dans une perspective de gestion agricole durable et ciblée.
