SURVEILLANCE EN TEMPS RÉEL DES CONTAMINANTS DU SOL À L'AIDE DE BIOCAPTEURS MICROBIENS ET D'UNE MACHINE À VECTEURS DE SUPPORT
DOI :
https://doi.org/10.59277/RRST-EE.2026.2.27Mots-clés :
Capteurs biologiques microbiens, Machines à vecteurs de support (SVM), Contaminants du sol, Agriculture de précision, Détection des polluants, Signaux électrochimiquesRésumé
La surveillance continue et en temps réel de la contamination des sols est essentielle à la protection de l'environnement. Cependant, les analyses traditionnelles en laboratoire sont lentes, coûteuses et inadaptées aux interventions de terrain en continu. Dans ce travail, nous proposons une stratégie hybride de surveillance des sols combinant des biocapteurs microbiens et un classificateur à vecteurs de support (SVM) pour la détection rapide des contaminants. Des bactéries d’Escherichia coli spécifiquement modifiées sont conçues pour réagir au plomb (Pb²⁺), au mercure (Hg²⁺) et aux composés organophosphorés. Elles y parviennent en générant des biosignaux électriques dont la tension varie de 0,2 V à 1,5 V pour des concentrations de contaminants supérieures à 50 ppm. Ces biosignaux sont convertis en format numérique à l'aide d'un convertisseur analogique-numérique 12 bits à une fréquence d'échantillonnage de 1 kHz, puis filtrés, normalisés, et leurs caractéristiques statistiques sont extraites. Un jeu de données contenant 3 200 points de mesure, collectés sur trois mois, est utilisé, dont 1 200 servent à la fois à l'entraînement et à la validation du SVM. En utilisant un noyau à fonction de base radiale, le système étudié atteint une précision de classification de 96,8 % et un score F1 de 96,4 % pour les cinq catégories d'état du sol. La dérive des capteurs est compensée par une mise à jour en ligne du modèle ; le système est donc fiable et capable de surveiller en continu la contamination des sols sur le terrain.
Références
(1) M.M. Hassan, Y. Xu, J. Sayada, M. Zareef, M. Shoaib, X. Chen, H. Li, Q. Chen, Progress of machine learning-based biosensors for the monitoring of food safety: A review, Biosens. Bioelectron., 267, pp. 1–8 (2025).
(2) L. Wang, Y. Cheng, I.M. Meftaul, F. Luo, M.A. Kabir, R. Doyle, Z. Lin, R. Naidu, Advancing soil health: challenges and opportunities in integrating digital imaging, spectroscopy, and machine learning for bioindicator analysis, Anal. Chem., 96, 20, pp. 8109–8123 (2024).
(3) S. Aiswarya, S. Sangeetha, Augmenting Innovation: Artificial Intelligence among Women Entrepreneurs, Ramanujan Int. J. Bus. Res., 8, 2, pp. 40–49 (2023).
(4) D.R. Arun, C.C. Columbus, A. Bhuvanesh, A.S. Sumithra, Smart crowd monitoring system using IoT-based YOLO-ghost, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 3, pp. 345–350 (2024).
(5) T.G. Sheethal, N. Hiremani, Design and analysis of machine learning enhanced photonic crystal biosensor for bacterial detection, J. Opt., pp. 1–8 (2025).
(6) Z. Abdelfettah, M.M. Taouti, N. Benaya, Development and realization of an audiometer with automatic tests and intelligent diagnostics using neural networks, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 3, pp. 369–374 (2024).
(7) M. Mousavizadegan, F. Shalileh, S. Mostajabodavati, J. Mohammadi, M. Hosseini, Machine learning-assisted image-based optical devices for health monitoring and food safety, TrAC Trends Anal. Chem., pp. 1–10 (2024).
(8) V. Dimić, P. Milošević, Z. Đurić, A. Stokić, V. Nikolić, Information system development of electric car charging stations by unified modeling language diagrams, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 4, pp. 555–560 (2025).
(9) K. Srairi, M. Khalil, M. Benbouzid, Adaptive synergetic and long-range communication LORA for quadrotor control and indoor localization via interval analysis, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 3, pp. 385–390 (2025).
(10) A. Dena, A.N. Machraoui, B. Mizaikoff, Intelligent microcontroller-based infrared attenuated total reflection spectroscopy for high-throughput screening and discrimination of foodborne fungi, Spectrochim. Acta Part A: Mol. Biomol. Spectrosc., 323, pp. 1–10 (2024).
(11) N.J. Sacco, J.C. Suárez-Barón, E. Cortón, S.R. Mikkelsen, Strategies to improve the performance of microbial biosensors: Artificial intelligence, genetic engineering, nanotechnology, and synthetic biology, In: Advanced Materials and Techniques for Biosensors and Bioanalytical Applications, CRC Press, pp. 265–282 (2020).
(12) H. Qian, E. McLamore, N. Bliznyuk, Machine learning for improved detection of pathogenic E. coli in hydroponic irrigation water using impedimetric aptasensors: A comparative study, ACS Omega, 8, 37, pp. 34171–34179 (2023).
(13) C.G. Dumitrache, C.V. Marian, G. Predusca, F.M. Barbu, M. Neferu, Wireless authentication system for Internet of Things using FreeRADIUS and blockchain, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 4, pp. 585–590 (2025).
(14) K.S.K. Veni, S.T.K. Christa, J.P. Paul, J. Joyce, IoT-based voltage control in smart grid with feed-forward control in automatic voltage regulator, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 1, pp. 75–80 (2025).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
