🌾 AgriTech-WISE

Water Intelligence System for Agriculture using Earth Observation

Vue d'ensemble

AgriTech-WISE est une plateforme web avancée qui révolutionne le monitoring de l'humidité du sol en agriculture grâce à l'imagerie satellite et l'intelligence artificielle. Le système exploite les données Sentinel-1 (radar) et Sentinel-2 (optique) pour fournir des cartes d'humidité précises et actualisées.

Caractéristiques innovantes

Double source satellite : Sentinel-1 (radar, tout temps) et Sentinel-2 (optique, haute résolution)
IA adaptative : Sélection automatique du meilleur indice spectral selon les conditions
Calibration terrain : Régression linéaire avec vos mesures réelles
Visualisation interactive : Cartes dynamiques avec détection de changements temporels
Cloud-based : Architecture Firebase pour scalabilité et fiabilité

Cas d'usage

Irrigation de précision : Optimiser l'apport en eau selon les besoins réels
Gestion parcellaire : Surveiller plusieurs zones simultanément
Détection de stress hydrique : Alertes précoces sur les zones problématiques
Analyse temporelle : Comparer l'évolution de l'humidité entre périodes
Recherche agronomique : Calibration et validation d'indices spectraux

Stack technologique

Backend

Python 3.8+ : Langage principal
Flask : Framework web
Google Earth Engine API : Traitement d'images satellites
scikit-learn : Régression et machine learning
pandas/numpy : Traitement de données

Cloud & Base de données

Firebase Realtime Database : Données utilisateurs et zones
Firebase Storage : Fichiers CSV et exports
Firebase Authentication : Gestion sécurisée des comptes

Frontend

Leaflet.js : Cartographie interactive
Bootstrap : Interface responsive
JavaScript ES6+ : Interactions dynamiques

Méthodologie scientifique

Indices calculés

Sentinel-2 (optique - 10m résolution)

Indice	Formule	Usage
NDVI	(NIR - Red) / (NIR + Red)	Vigueur végétation
NDWI	(Green - NIR) / (Green + NIR)	Contenu en eau végétation
MNDWI	(Green - SWIR) / (Green + SWIR)	Eau de surface
MSI	SWIR / NIR	Stress hydrique

Sentinel-1 (radar SAR - 10m résolution)

Indice	Formule	Usage
RVI	4 × VH / (VV + VH)	Humidité du sol

Pipeline d'analyse

┌─────────────────┐
│ Images satellite│
│ Sentinel-1/2    │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│Calcul d'indices │
│ spectraux       │
└────────┬────────┘
         │
         ▼
┌─────────────────┐     ┌──────────────┐
│ Mesures terrain │────▶│  Régression  │
│     (CSV)       │     │   linéaire   │
└─────────────────┘     └──────┬───────┘
                               │
                               ▼
                     ┌──────────────────┐
                     │Sélection meilleur│
                     │indice (min MSE)  │
                     └────────┬─────────┘
                              │
                              ▼
                    ┌─────────────────────┐
                    │Carte d'humidité     │
                    │calibrée et validée  │
                    └─────────────────────┘

Installation et configuration

Prérequis

Python 3.8+
Compte Google Earth Engine → Inscription
Projet Firebase → Console Firebase

Installation étape par étape

1. Cloner le projet

git clone https://github.com/votre-username/agritech-wise.git
cd agritech-wise

2. Environnement virtuel

python -m venv venv

# Linux/Mac
source venv/bin/activate

# Windows
venv\Scripts\activate

3. Dépendances

pip install -r requirements.txt

4. Configuration Earth Engine

earthengine authenticate

Suivre le lien pour autoriser l'accès à votre compte GEE.

Initialiser avec votre projet :

earthengine set_project YOUR_EE_PROJECT_ID

5. Configuration Firebase

a) Créer le projet Firebase

Aller sur Firebase Console
Créer un nouveau projet
Activer :
- Authentication (Email/Password)
- Realtime Database
- Storage

b) Télécharger les credentials

Project Settings → Service Accounts
Generate New Private Key
Sauvegarder le JSON dans le dossier racine

c) Configuration des variables

Copier .env.example vers .env :

cp .env.example .env

Remplir avec vos valeurs Firebase (depuis Project Settings → General) :

FIREBASE_API_KEY=AIza...
FIREBASE_AUTH_DOMAIN=votre-projet.firebaseapp.com
FIREBASE_DATABASE_URL=https://votre-projet.firebaseio.com
FIREBASE_PROJECT_ID=votre-projet
FIREBASE_STORAGE_BUCKET=votre-projet.appspot.com
FIREBASE_MESSAGING_SENDER_ID=123456789
FIREBASE_APP_ID=1:123456789:web:abc123
FIREBASE_MEASUREMENT_ID=G-ABC123

EE_PROJECT_ID=votre-projet-ee
FLASK_SECRET_KEY=generer-une-cle-secrete-forte

d) Adapter firebase_config.py

Copier le template :

cp firebase_config.template.py firebase_config.py

Mettre à jour le chemin vers votre fichier credentials JSON.

6. Lancer l'application

python app.py

Accéder à http://localhost:5000

Format des données terrain

Structure CSV requise

Vos mesures terrain doivent être au format CSV avec au minimum :

Colonne	Type	Description	Exemple
0	float	Humidité pondérale (%)	85.5
1	float	Latitude (WGS84)	41.6367
2	float	Longitude (WGS84)	-0.9023

Exemple de fichier

85.5,41.6367,-0.9023,2024-05-21,10:30
78.2,41.6377,-0.8990,2024-05-21,10:45
92.1,41.6356,-0.9016,2024-05-21,11:00

Recommandations

Nombre de points : Minimum 10-15 pour une régression fiable
Distribution spatiale : Couvrir toute la zone d'intérêt
Synchronisation temporelle : Mesures ± 3 jours de l'image satellite
Profondeur : Cohérente (ex: 0-10cm pour toutes les mesures)

Guide d'utilisation

1️ Créer un compte

Cliquer sur "S'inscrire"
Renseigner email et mot de passe
Validation automatique

2️ Définir une zone d'intérêt

Aller dans "Nouvelle Zone"
Dessiner le polygone sur la carte (Leaflet Draw)
Nommer et décrire la zone
Sauvegarder

3️ Uploader les mesures terrain

Accéder à "Mes Zones"
Cliquer sur la zone créée
"Uploader fichier CSV"
Sélectionner votre fichier de mesures

4️ Lancer la régression

Sélectionner les dates d'images (start/end)
Cliquer sur "Lancer les calculs"
Le système :
- Récupère les images Sentinel
- Calcule tous les indices
- Effectue les régressions
- Sélectionne le meilleur modèle (MSE minimum)

5️ Visualiser les résultats

Carte d'humidité générée automatiquement
Légende : du rouge (sec) au vert (humide)
Statistiques : coefficient, intercept, MSE

6️ Détection de changements (optionnel)

"Détection des changements"
Sélectionner 2 périodes à comparer
Visualisation côte-à-côte ou différentielle

Structure du projet

agritech-wise/
│
├── app.py                      # Application Flask principale
├── my_functions.py             # Régression et traitement GEE
├── detection_functions.py      # Détection et visualisation
├── firebase_config.py          # Configuration Firebase (non versionné)
│
├── templates/                  # Templates HTML
│   ├── home.html
│   ├── mes_zones.html
│   ├── nouvelle_zone.html
│   ├── centre_de_apprentissage.html
│   └── detection_des_changements.html
│
├── static/                     # Assets statiques
│   ├── css/
│   ├── js/
│   └── images/
│
├── requirements.txt            # Dépendances Python
├── .gitignore                  # Fichiers à ignorer
├── README.md                   # Ce fichier

Configuration avancée

Paramètres Sentinel-1

# detection_functions.py
def get_clear_sentinel1_image(start_date, end_date, roi):
    sentinel1 = ee.ImageCollection("COPERNICUS/S1_GRD") \
        .filter(ee.Filter.eq('instrumentMode', 'IW'))  # Mode Interferometric Wide
        .filter(ee.Filter.eq('orbitProperties_pass', 'DESCENDING'))  # Orbite descendante
        .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
        .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))

Paramètres Sentinel-2

# my_functions.py
def get_clear_sentinel2_image(start_date, end_date, roi, max_cloud_percentage=10):
    sentinel2 = ee.ImageCollection("COPERNICUS/S2") \
        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', max_cloud_percentage))

Personnalisation de la palette

# detection_functions.py
viz_params = {
    'min': 1.8,  # Humidité minimale (g/g)
    'max': 2.8,  # Humidité maximale (g/g)
    'palette': [
        '#d73027',  # Rouge - Très sec
        '#f46d43',
        '#fdae61',
        '#fee08b',
        '#ffffbf',  # Jaune - Moyen
        '#d9ef8b',
        '#a6d96a',
        '#66bd63',
        '#1a9850'   # Vert foncé - Très humide
    ]
}

Tests et validation

Vérifier l'installation

# Tester Earth Engine
python -c "import ee; ee.Initialize(); print('EE OK')"

# Tester Firebase
python -c "import firebase_admin; print('Firebase OK')"

Exemple de test de régression

# Dans app.py
@app.route('/test_function', methods=['GET'])
def test_function():
    # Utilise des données de test pour valider le pipeline

Guidelines

Code Python PEP 8 compliant
Docstrings pour toutes les fonctions
Tests unitaires si possible
Documentation des nouvelles fonctionnalités

Roadmap

Support Sentinel-3 (résolution thermique)
Modèles ML avancés (Random Forest, XGBoost)
API REST pour intégration externe
Application mobile (Flutter)
Alertes automatiques (email/SMS)
Export des données (GeoTIFF, Shapefile)

Limitations et considérations

Limitations techniques

Résolution : 10m (Sentinel-1/2) - non adapté aux petites parcelles (<1ha)
Revisit : 5-6 jours (combiné) - pas de suivi temps réel
Météo : Sentinel-2 limité par la couverture nuageuse
Profondeur : Surface seulement (0-5cm pour radar)

Considérations scientifiques

La régression linéaire suppose une relation linéaire indice-humidité
La calibration est spécifique à chaque zone (texture sol, type culture)
Validation recommandée avec mesures indépendantes
Google Earth Engine : Pour l'accès gratuit aux données satellites
ESA Copernicus : Programme Sentinel-1 et Sentinel-2
Firebase : Infrastructure cloud robuste
Communauté open-source : Flask, scikit-learn, Leaflet

Ce dépôt ne contient AUCUN credential sensible.

Pour exécuter l'application, vous devez :

Créer vos propres comptes Firebase et Google Earth Engine
Configurer vos propres credentials selon la documentation d'installation
Ne JAMAIS committer de fichiers contenant des clés API ou secrets

Ce projet est fourni à titre éducatif et de démonstration.

Architecture de la Base de Données Firebase - AgriTech-WISE

Schéma Hiérarchique

agritech-wise-default-rtdb.firebaseio.com/
│
└── users/                                          # Collection racine des utilisateurs
    │
    ├── {userId}/                                   # Nœud unique par utilisateur (Firebase UID)
    │   │
    │   ├── email: string                          # Email de l'utilisateur
    │   ├── name: string                           # Nom d'affichage
    │   ├── phone: string                          # Numéro de téléphone
    │   │
    │   └── zones/                                  # Collection des zones agricoles
    │       │
    │       ├── {zoneId}/                          # Zone unique (UUID v4)
    │       │   │
    │       │   ├── name: string                   # Nom de la zone
    │       │   ├── description: string            # Description détaillée
    │       │   ├── coordinates: string            # Polygone GeoJSON stringifié
    │       │   │
    │       │   ├── mesures_sur_terrain: boolean   # Statut upload fichier CSV
    │       │   ├── file_url: string               # URL Firebase Storage du CSV
    │       │   ├── prette_a_detecter: boolean     # Zone calibrée et prête
    │       │   ├── programmer_rendez_vous: boolean # Rendez-vous terrain programmé
    │       │   │
    │       │   └── paramettre_de_regression/      # Résultats de l'apprentissage
    │       │       │
    │       │       ├── optimal_index: string      # Indice sélectionné (RVI, NDVI, etc.)
    │       │       ├── coefficient: float         # Coefficient de régression (a)
    │       │       ├── intercept: float           # Ordonnée à l'origine (b)
    │       │       ├── mse: float                 # Erreur quadratique moyenne
    │       │       │
    │       │       ├── INDEX_values: array<float> # Valeurs de l'indice spectral
    │       │       │   ├── 0: 2.5122194205786568
    │       │       │   ├── 1: 2.3456789012345678
    │       │       │   └── ...
    │       │       │
    │       │       └── humidity_values: array<float> # Humidité mesurée (g/g)
    │       │           ├── 0: 1.95
    │       │           ├── 1: 2.12
    │       │           └── ...
    │       │
    │       ├── {zoneId2}/                         # Autre zone
    │       └── ...
    │
    ├── {userId2}/                                  # Autre utilisateur
    └── ...

Description Détaillée des Entités

1️ Niveau Utilisateur : `/users/{userId}`

Champ	Type	Description	Exemple
`userId`	String (UID)	Identifiant unique Firebase Auth	`omNKKc8Q8WOecpAExmi271x9lCr2`
`email`	String	Adresse email de connexion	`[email protected]`
`name`	String	Nom d'affichage de l'utilisateur	`test10Q`
`phone`	String	Numéro de téléphone de contact	`123423`

Créé lors de : Inscription utilisateur (/signup)
Modifié par : Route /update_contact_info

2️ Niveau Zone : `/users/{userId}/zones/{zoneId}`

Métadonnées de base

Champ	Type	Description	Exemple
`zoneId`	String (UUID)	Identifiant unique de la zone	`23dc505c-71ca-4ae9-94aa-2d666325544a`
`name`	String	Nom personnalisé de la zone	`test1`
`description`	String	Informations additionnelles	`Informations`
`coordinates`	String (JSON)	Polygone délimitant la zone Format: Array de [lon, lat]	`[[-0.896, 35.582], [-0.902, 35.581], ...]`

Créé lors de : Définition de zone (/save-zone)
Modifié par : Route /edit-zone/{zoneId}

Workflow et Statuts

Champ	Type	Description	États possibles
`mesures_sur_terrain`	Boolean	Fichier CSV uploadé	`true` / `false` / absent
`programmer_rendez_vous`	Boolean	Rendez-vous terrain planifié	`true` / `false` / absent
`prette_a_detecter`	Boolean	Calibration terminée, détection possible	`true` / `false` / absent
`file_url`	String	URL publique du CSV dans Firebase Storage	`https://storage.googleapis.com/agritech-wise.appspot.com/terrain1.csv`

Workflow typique :

1. mesures_sur_terrain: false  → Upload CSV
2. mesures_sur_terrain: true   → Lancer régression
3. prette_a_detecter: true     → Détection activée

3️ Niveau Régression : `/users/{userId}/zones/{zoneId}/paramettre_de_regression`

Paramètres du modèle

Champ	Type	Description	Exemple
`optimal_index`	String	Indice spectral avec meilleur R²	`RVI`, `NDVI_S`, `MNDWI_S`, `MSI_S`, `NDWI_S`
`coefficient`	Float	Pente de la droite de régression (a)	`0.7542`
`intercept`	Float	Ordonnée à l'origine (b)	`1.823`
`mse`	Float	Mean Squared Error (qualité du modèle)	`0.0234`

Équation de prédiction :

Humidité_prédite = coefficient × Indice_spectral + intercept

Données d'entraînement

Champ	Type	Description
`INDEX_values`	Array<Float>	Valeurs de l'indice spectral extrait des pixels satellites
`humidity_values`	Array<Float>	Humidité mesurée sur terrain (après transformation)

Transformation appliquée :

# my_functions.py ligne 18
humidity_transformed = (humidity_measured * 0.01) + 1.8
# Exemple: 85.5% → 2.655 g/g

Utilisé pour :

Validation du modèle (graphiques de régression)
Analyse de la qualité de prédiction
Amélioration itérative du modèle

Flux de Données et Routes Flask

Phase 1 : Inscription et Gestion Utilisateur

graph LR
    A[POST /signup] --> B[Créer user dans Firebase Auth]
    B --> C[Créer nœud /users/userId]
    C --> D[Stocker email, name, phone]

    E[POST /update_contact_info] --> F[Mettre à jour /users/userId]

Code correspondant :

# app.py ligne 107
def signup():
    user = auth.create_user_with_email_and_password(email, password)
    create_user(user_id, email)  # → firebase_config.py

Phase 2 : Création de Zone

graph LR
    A[POST /save-zone] --> B[Générer UUID zoneId]
    B --> C[Créer /users/userId/zones/zoneId]
    C --> D[Stocker coordinates, name, description]
    D --> E[Initialiser statuts = false]

Structure initiale :

{
  "name": "Parcelle Nord",
  "description": "Culture de blé",
  "coordinates": "[[-0.896, 35.582], ...]",
  "mesures_sur_terrain": false,
  "prette_a_detecter": false
}

Phase 3 : Upload Mesures Terrain

graph TD
    A[POST /upload_file/userId/zoneId] --> B[Upload CSV vers Firebase Storage]
    B --> C[Générer URL publique]
    C --> D[Mettre à jour zone:]
    D --> E[mesures_sur_terrain = true]
    D --> F[file_url = URL_public]

Code correspondant :

# app.py ligne 296
def upload_file(user_id, zone_id):
    blob = bucket.blob(filename)
    blob.upload_from_file(file)
    file_url = blob.public_url
    zone_ref.update({'mesures_sur_terrain': True, 'file_url': file_url})

Phase 4 : Régression et Calibration

graph TD
    A[GET /run_regression] --> B[Télécharger CSV depuis file_url]
    B --> C[Récupérer images Sentinel-1/2]
    C --> D[Calculer indices spectraux]
    D --> E[Régression linéaire]
    E --> F[Sélectionner meilleur indice MSE minimum]
    F --> G[Créer /paramettre_de_regression]
    G --> H[prette_a_detecter = true]

Données créées :

{
  "paramettre_de_regression": {
    "optimal_index": "RVI",
    "coefficient": 0.7542,
    "intercept": 1.823,
    "mse": 0.0234,
    "INDEX_values": [2.512, 2.345, 2.678, ...],
    "humidity_values": [1.95, 2.12, 2.08, ...]
  },
  "prette_a_detecter": true
}

Code correspondant :

# app.py ligne 409
def run_regression():
    log_data, coefficient, intercept, mse, INDEX_values, humidity_values = \
        get_para_and_apply_regression(polygone, file_path, start_date, end_date)

    regression_data = {
        'optimal_index': log_data,
        'coefficient': coefficient,
        'intercept': intercept,
        'mse': mse,
        'INDEX_values': INDEX_values_list,
        'humidity_values': humidity_values_list
    }
    regression_ref.set(regression_data)

Phase 5 : Détection d'Humidité

graph TD
    A[POST /detect] --> B[Vérifier prette_a_detecter = true]
    B --> C[Récupérer paramettre_de_regression]
    C --> D[Charger image satellite date demandée]
    D --> E[Calculer indice optimal_index]
    E --> F[Appliquer formule: H = coefficient × I + intercept]
    F --> G[Générer carte d'humidité]
    G --> H[Retourner tile_url pour Leaflet]

Pas de modification de la DB - Lecture seule des paramètres.

Cas d'Usage des Statuts Booléens

`mesures_sur_terrain`

Valeur	Signification	Actions possibles
`false` / absent	Pas de données terrain	Upload CSV requis
`true`	CSV uploadé et stocké	Lancer régression

Utilisé dans :

Interface pour afficher/masquer bouton "Lancer calculs"
Validation avant régression

`prette_a_detecter`

Valeur	Signification	Actions possibles
`false` / absent	Pas de calibration	Compléter workflow
`true`	Régression effectuée, modèle validé	Détection activée

Utilisé dans :

Route /check_prette_a_detecter/{zone_id} (ligne 205)
Activer/désactiver page "Détection des changements"

`programmer_rendez_vous`

Valeur	Signification	Workflow
`false` / absent	Pas de rendez-vous	Planification disponible
`true`	Rendez-vous programmé	En attente intervention terrain

Utilisé dans :

Gestion des demandes administrateur
Suivi des zones en attente de mesures

Règles de Sécurité Firebase Recommandées

{
  "rules": {
    "users": {
      "$userId": {
        ".read": "$userId === auth.uid",
        ".write": "$userId === auth.uid",

        "zones": {
          "$zoneId": {
            ".validate": "newData.hasChildren(['name', 'coordinates'])"
          }
        }
      }
    }
  }
}

Principes :

Chaque utilisateur accède uniquement à ses données
Validation de la structure minimale des zones
Admin peut avoir accès lecture seule (à configurer selon besoins)

📈 Exemple Complet d'une Zone Calibrée

{
  "users": {
    "omNKKc8Q8WOecpAExmi271x9lCr2": {
      "email": "[email protected]",
      "name": "test10Q",
      "phone": "123423",
      "zones": {
        "23dc505c-71ca-4ae9-94aa-2d666325544a": {
          "name": "Parcelle Expérimentale 1",
          "description": "Culture de blé irrigué - Campagne 2024",
          "coordinates": "[[-0.8960151672908979, 35.582239292725276], [-0.902280807549687, 35.581750659855274], [-0.8985042572567182, 35.57295475838894], [-0.8867454529354292, 35.57532835076638]]",

          "mesures_sur_terrain": true,
          "file_url": "https://storage.googleapis.com/agritech-wise.appspot.com/terrain1.csv",
          "prette_a_detecter": true,
          "programmer_rendez_vous": false,

          "paramettre_de_regression": {
            "optimal_index": "RVI",
            "coefficient": 0.7542,
            "intercept": 1.823,
            "mse": 0.0234,

            "INDEX_values": [
              2.5122194205786568, 2.3456789012345678, 2.6789012345678901,
              2.4567890123456789, 2.567890123456789
            ],

            "humidity_values": [1.95, 2.12, 2.08, 2.15, 2.03]
          }
        }
      }
    }
  }
}

Requêtes Firebase Courantes

Récupérer toutes les zones d'un utilisateur

# app.py ligne 182
user_id = session['user']['localId']
zones = get_user_zones(user_id)  # → firebase_config.py

# firebase_config.py
def get_user_zones(user_id):
    zones_ref = db.reference(f'users/{user_id}/zones')
    return zones_ref.get()

Vérifier statut d'une zone

# app.py ligne 197
zone_ref = db.reference(f'users/{user_id}/zones/{zone_id}')
zone_data = zone_ref.get()
prette_a_detecter = zone_data.get('prette_a_detecter', False)

Mettre à jour paramètres de régression

# app.py ligne 428
regression_ref = user_ref.child(f'zones/{zone_id}/paramettre_de_regression')
regression_ref.set(regression_data)

zone_ref.update({'prette_a_detecter': True})

Statistiques et Optimisations

Taille Estimée par Zone

Composant	Taille approximative
Métadonnées de base	500 bytes
Coordinates (polygone 10 points)	300 bytes
INDEX_values (50 mesures)	400 bytes
humidity_values (50 mesures)	400 bytes
Total par zone	~1.6 KB

Capacité Firebase :

Plan gratuit : 1 GB stockage
→ ~625,000 zones possibles (limite théorique)

Checklist de Validation d'une Zone

name non vide
coordinates contient au moins 3 points
mesures_sur_terrain = true
file_url accessible et CSV valide
paramettre_de_regression existe
optimal_index dans la liste autorisée
mse < 0.1 (seuil de qualité)
prette_a_detecter = true

Name		Name	Last commit message	Last commit date
Latest commit History 10 Commits
doc		doc
static		static
templates		templates
.gitignore		.gitignore
README BDD.md		README BDD.md
README.md		README.md
app.py		app.py
detection_functions.py		detection_functions.py
my_functions.py		my_functions.py
requirements.txt		requirements.txt

wissalouarda6/AgriTech_WISE

Folders and files

Latest commit

History

Repository files navigation

🌾 AgriTech-WISE

Vue d'ensemble

Caractéristiques innovantes

Cas d'usage

Stack technologique

Backend

Cloud & Base de données

Frontend

Méthodologie scientifique

Indices calculés

Sentinel-2 (optique - 10m résolution)

Sentinel-1 (radar SAR - 10m résolution)

Pipeline d'analyse

Installation et configuration

Prérequis

Installation étape par étape

1. Cloner le projet

2. Environnement virtuel

3. Dépendances

4. Configuration Earth Engine

5. Configuration Firebase

6. Lancer l'application

Format des données terrain

Structure CSV requise

Exemple de fichier

Recommandations

Guide d'utilisation

1️ Créer un compte

2️ Définir une zone d'intérêt

3️ Uploader les mesures terrain

4️ Lancer la régression

5️ Visualiser les résultats

6️ Détection de changements (optionnel)

Structure du projet

Configuration avancée

Paramètres Sentinel-1

Paramètres Sentinel-2

Personnalisation de la palette

Tests et validation

Vérifier l'installation

Exemple de test de régression

Guidelines

Roadmap

Limitations et considérations

Limitations techniques

Considérations scientifiques

Architecture de la Base de Données Firebase - AgriTech-WISE

Schéma Hiérarchique

Description Détaillée des Entités

1️ Niveau Utilisateur : /users/{userId}

2️ Niveau Zone : /users/{userId}/zones/{zoneId}

Métadonnées de base

Workflow et Statuts

3️ Niveau Régression : /users/{userId}/zones/{zoneId}/paramettre_de_regression

Paramètres du modèle

Données d'entraînement

Flux de Données et Routes Flask

Phase 1 : Inscription et Gestion Utilisateur

Phase 2 : Création de Zone

Phase 3 : Upload Mesures Terrain

Phase 4 : Régression et Calibration

Phase 5 : Détection d'Humidité

Cas d'Usage des Statuts Booléens

mesures_sur_terrain

prette_a_detecter

programmer_rendez_vous

Règles de Sécurité Firebase Recommandées

📈 Exemple Complet d'une Zone Calibrée

Requêtes Firebase Courantes

Récupérer toutes les zones d'un utilisateur

Vérifier statut d'une zone

Mettre à jour paramètres de régression

Statistiques et Optimisations

Taille Estimée par Zone

Checklist de Validation d'une Zone

1️ Niveau Utilisateur : `/users/{userId}`

2️ Niveau Zone : `/users/{userId}/zones/{zoneId}`

3️ Niveau Régression : `/users/{userId}/zones/{zoneId}/paramettre_de_regression`

`mesures_sur_terrain`

`prette_a_detecter`

`programmer_rendez_vous`

Packages