L’International Journal of Artificial Intelligence and Remote Sensing in Agriculture(IJAIRSA)

IJAIRSA

Open AccessPeer-reviewedPériodicité : Publication bimestrielleISSN : 3125-1668

Soumettre un article Réviser des articles

About the Journal

About the Journal / À propos du journal

L’International Journal of Artificial Intelligence and Remote Sensing in Agriculture (IJAIRSA) est une revue internationale à comité de lecture (peer-reviewed) qui se concentre sur les technologies avancées et leurs applications dans le secteur agricole. Nous nous engageons à promouvoir la recherche de pointe dans des domaines tels que l’apprentissage automatique, le deep learning, la vision par ordinateur, les drones agricoles, la télédétection satellitaire et l’analyse de données environnementales. IJAIRSA fournit une plateforme pour partager les innovations qui peuvent améliorer la productivité agricole, optimiser l’utilisation des ressources et soutenir le développement durable. La revue publie des articles en anglais afin de garantir une portée internationale et un impact scientifique mondial.

Aims & Scope

Aims / Objectifs

Publier des recherches originales, des revues critiques et des études de cas sur l’IA et la télédétection appliquées à l’agriculture. Encourager l’innovation et le transfert technologique vers les pratiques agricoles. Promouvoir la collaboration entre chercheurs, ingénieurs, agronomes et décideurs politiqu

Domaine / Scope :

La revue couvre, mais sans s’y limiter : Intelligence artificielle et apprentissage automatique appliqués à la détection de maladies, la prédiction de rendement et la gestion des cultures. Télédétection et imagerie satellite/drone pour la surveillance des cultures, la cartographie des sols et la gestion de l’eau. Modélisation et simulation des systèmes agricoles à l’aide d’outils numériques avancés. Applications interdisciplinaires combinant l’IA, la télédétection et les sciences agricoles pour la durabilité et la sécurité alimentaire. Technologies émergentes : capteurs intelligents, robots agricoles, systèmes IoT pour l’agriculture de précision. IJAIRSA vise à devenir une référence mondiale pour les chercheurs et praticiens intéressés par l’intégration de l’IA et de la télédétection dans l’agriculture moderne.

Responsable de la revue Dr.Ngom

Le Dr Diery Ngom est enseignant‑chercheur en informatique au Département des Technologies de l’Information et de la Communication (TIC) de l’Université Alioune Diop de Bambey (UADB). Il enseigne notamment des cours et travaux dirigés/TP en réseaux informatiques, notamment l’introduction aux réseaux, le routage, la commutation et les services réseaux pour les licences et le master en systèmes d’information. Ses travaux de recherche se concentrent sur les réseaux mobiles et sans fil, tels que les réseaux Ad hoc, les réseaux de capteurs sans fil et les réseaux WiMax, avec un intérêt particulier pour les applications des réseaux de capteurs dans des domaines appliqués comme l’agriculture, l’environnement et la santé. Il s’intéresse également aux nouvelles architectures de communication, aux protocoles et à la qualité de service (QoS) des réseaux. Le Dr Ngom est auteur de publications internationales sur des sujets tels que l’optimisation de la durée de vie des réseaux de capteurs sans fil, notamment à travers des algorithmes de planification et de placement de capteurs qui améliorent la couverture, la connectivité et l’efficacité énergétique des réseaux distribués.

Current Issue

Integrating IoT and machine learning for monitoring and predicting agroclimatic parameters in precision Agriculture

Pape elhadji abdoulaye Gueye

Mots-clés : Sensors, temperature and humidity, Agriculture, prediction (machine learning).

This study presents an IoT system for real-time monitoring of soil and air temperature and humidity in an agricultural field at ISFAR, Bambey. The system uses Arduino Uno microcontrollers and LoRa modules to wirelessly transmit data from three sensors. Collected data are processed with Python scripts for cleaning and visualization. To improve agricultural management, machine learning models—Random Forest, Lasso, Linear Regression, XGBoost, and CatBoost—were applied to predict agroclimatic parameters. Model performance was evaluated using the Root Mean Square Error (RMSE). Results show that linear models (Lasso and Linear Regression) best predict air and soil temperature as well as air humidity, reflecting mainly linear relationships. In contrast, soil moisture, a key variable for irrigation, is better captured by non-linear ensemble models such as Random Forest and CatBoost. Random Forest achieved the lowest RMSE for soil moisture (6.44) and air temperature (3.39), while CatBoost performed best for soil temperature (0.82) and air humidity (3.95). These findings highlight the importance of selecting models according to variable type and demonstrate that combining linear and non-linear approaches enhances prediction reliability, supporting better irrigation and crop management for sustainable agriculture

Lire

Editorial Board

Dr. Diery Ngom

Editeur en chef — UAD

M.Pape El Hadji Abdoulaye Gueye

second Editeur — UAD

Submissions

Préparez le manuscrit avec les templates et soumettez via la plateforme.

Template Word (.doc)Template LaTeX (.tex)Soumettre dans ce journal

Contact

Rédaction — BAJP

Email: admin@senegal-livres.sn