| Titre : | Détection des sols salés basée sur les images satellitaires et les techniques d’apprentissage automatique |
| Auteurs : | AHLAM MOHAMMEDI, Auteur ; Soheyb Ayad, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (66 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | la salinit´e des sols , t´el´ed´etection, apprentisage automatique , bandes sp´ectrales , Conductivit´e ´Electrique . |
| Résumé : | La salinisation est un processus d’accumulation des sels `a la surface du sol et dans la zone racinaire des plantes qui occasionne des effets nocifs sur les v´eg´etaux et le sol; il s’en suit une diminution des rendements et, `a terme, une st´erilisation du sol. Ainsi la d´etection et la d´elimitation de ces zones restent le seul moyen pour faire face `a cette menace. Il existe bon nombres de techniques et de m´ethodes pour d´elimiter ces aires, la prospection sur terrain, analyses au aboratoire,...etc.Cependant, ces op´erations repr´esentent des processus complexes. Sur ce, la d´etection et la d´elimitation des sols sal´es repr´esente un v´eritable challenge qui suscite l’int´erˆet des chercheurs en ce domaine.Dans ce projet, nous avons cr´e´e une base de donn´ees d’informations spectrales sur le sol (pr´ecis´ement la r´egion de Biskra) en se basant sur des images satellitaires,ensuite nous avons ´etudi´e et impl´ement´e des mod`eles d’apprentissage automatique pour pr´edire la salinit´e du sol. Apr`es comparaisons entre les mod`eles d´evelopp´es,les r´esultats ont montr´e que la Gradient Boosting Regression est l’algorithme qui surpasse les autres mod`eles ´etudi´es. |
| Sommaire : |
Introduction générale 1
0.1 Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 Généralités sur les sols salés 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Généralités sur la télédétection . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Qu’est-ce que la télédétection ? . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Processus de la télédétection : . . . . . . . . . . . . . . . . . . . . 4 1.2.3 Le rayonnement électromagnétique . . . . . . . . . . . . . . . . . . 5 1.2.4 Le rayonnement électromagnétique et les différentes réponses spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.5 Le spectre électromagnétique . . . . . . . . . . . . . . . . . . . . . 7 1.2.6 Interactions rayonnement-cible . . . . . . . . . . . . . . . . . . . . 9 1.2.6.1 Signatures spectrales des surfaces naturelles : . . . . . . . 10 1.2.7 Détection passive et active . . . . . . . . . . . . . . . . . . . . . . 10 1.2.7.1 capteur active . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2.7.2 capteur passive . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2.8 Caractéristiques des images . . . . . . . . . . . . . . . . . . . . . . 12 1.2.8.1 Images satellitaires et résolution spatiale . . . . . . . . . 12 1.2.8.2 Images satellitaires et résolution spectrale . . . . . . . . . 12 1.3 Généralités sur les sols salés . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3.1 Definition des sols salés . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3.2 les sols salés en Algerie . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3.3 Les formes de salinisation du sols . . . . . . . . . . . . . . . . . . . 15 1.3.3.1 Salinisation primaire . . . . . . . . . . . . . . . . . . . . . 15 1.3.3.2 Salinisation secondaire . . . . . . . . . . . . . . . . . . . . 16 1.3.3.3 Caractéristiques des sols salés . . . . . . . . . . . . . . . . 16 1.3.3.3.1 Caractéristiques chimiques . . . . . . . . . . . . . 16 1.3.3.3.2 Les caractéristique physique . . . . . . . . . . . 17 1.4 La Comparaison entre les images Landsat 8 et les images Sentinel-2 . . . . 17 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 L’apprentissage automatique 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2 L’apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.1 La notion d’apprentissage automatique . . . . . . . . . . . . . . . 20 2.2.2 Les différents procédés d’apprentissage automatique . . . . . . . . . 20 2.2.2.1 L’apprentissage supervisé . . . . . . . . . . . . . . . . . . 20 2.2.2.2 L’apprentissage non-supervisé . . . . . . . . . . . . . . . . 21 2.2.3 La Comparaison entre l’apprentissage profond et l’apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2.4 Les applications d’apprentissage automatique . . . . . . . . . . . . 22 2.3 Algorithmes du regression d’apprentissage automatique et leurs applications 23 2.3.1 Modèle de régression linéaire simple . . . . . . . . . . . . . . . . . . 23 2.3.2 Régression Lasso . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.3.3 Régression logistique . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.3.4 Machines à vecteurs de support(SVM) . . . . . . . . . . . . . . . 24 2.3.5 Algorithme de régression multivariée . . . . . . . . . . . . . . . . 25 2.3.6 Algorithme de régression multiple . . . . . . . . . . . . . . . . . . 25 2.3.7 Algorithme des forêts aléatoires . . . . . . . . . . . . . . . . . . . . 26 2.3.8 Algorithme Ridge Régression . . . . . . . . . . . . . . . . . . . . . 26 2.4 Travaux Connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1 Articla 1 :Soil salinity prediction using a machine learning approach through hyperspectral satellite image , Salim KLIBI , September 2020 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1.1 L’objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1.2 La méthode utilisé . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1.3 Les résultats . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1.4 Les defis . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1.5 Les limites . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.2 Article 2 : Machine learning and multispectral data-based detection of soil salinity in an arid region Central Iran ,Vahid Habibi, October 2020 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.2.1 L’objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.2.2 La methode utiliseé . . . . . . . . . . . . . . . . . . . . . . 28 2.4.2.3 Les résultats . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.2.4 Les defis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.2.5 Les limites . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.4.3 Article 3 :Soil Salinity Mapping Using Machine Learning Algorithms with the Sentinel-2 MSI in Arid Areas China ,Jiaqiang Wang , December 2020 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4.3.1 L’objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4.3.2 La Methode utiliseé . . . . . . . . . . . . . . . . . . . . . 29 2.4.3.3 Les résultats . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4.3.4 Les limites . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4.3.5 Les defis . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3 Conception 31 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Collecte et l’analyse des données . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 L’architecture générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.1 La création de la base de donnée . . . . . . . . . . . . . . . . . . . 32 3.3.2 La prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.3 Les modèles de prédiction . . . . . . . . . . . . . . . . . . . . . . . 34 3.4 L’architecture Détaillée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.4.1 L’etape 1 : le base de données (Dataset) . . . . . . . . . . . . . . . 35 3.4.2 L’etape 2 : Le prétraitement : . . . . . . . . . . . . . . . . . . . . . 36 3.4.2.1 Les Bandes d’images Sentinel 2 et principe de fusion . . . 36 3.4.2.2 La Conductivité électrique (CE) . . . . . . . . . . . . . . 39 3.4.3 L’etape 3 :les algorithmes d’apprentissage automatique . . . . . . . 39 3.4.3.1 Algorithme MLP regression . . . . . . . . . . . . . . . . . 39 3.4.3.2 Algorithme Gradient Boosting Régression . . . . . . . . . 39 3.4.3.3 Algorithme Régression linéaire . . . . . . . . . . . . . . . 41 3.4.3.4 Algorithme Ridge Régression . . . . . . . . . . . . . . . . 41 3.4.3.5 Algorithme Lasso Régression . . . . . . . . . . . . . . . . 41 3.4.3.6 Algorithme Random Forest Régression . . . . . . . . . . . 42 3.4.3.7 Algorithme K Nearest Neighbors . . . . . . . . . . . . . . 42 3.4.4 L’etape 4 :La Comparaison entre les Algorithmes de regression . . 43 3.4.5 L’etape 5 :image avec niveaux de salinité . . . . . . . . . . . . . . 43 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4 Implémentation 45 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2 Présentation des environnements de développement utilisés . . . . . . . . 46 4.2.1 Environnement logiciel . . . . . . . . . . . . . . . . . . . . . . . . 46 4.3 Principaux outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.3.2 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.3.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.3.4 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.3.5 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.3.6 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.4 L’implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.4.1 Importe les bibliothèques et le modèles . . . . . . . . . . . . . . . . 48 4.4.2 La basee de donnée Utilisé : . . . . . . . . . . . . . . . . . . . . . . 50 4.5 Les processus des Modèles de prédiction . . . . . . . . . . . . . . . . . . . 51 4.5.1 Création du modèle MLP : . . . . . . . . . . . . . . . . . . . . . . 51 4.5.1.1 Compilation du modèle . . . . . . . . . . . . . . . . . . . 51 4.5.1.2 Visualisation des résultats . . . . . . . . . . . . . . . . . 52 4.5.1.3 Le prédiction du modèle MLP . . . . . . . . . . . . . . . 52 4.5.2 Création des modèle de régression . . . . . . . . . . . . . . . . . . 55 4.5.2.1 L’évaluation train des modèles de régression . . . . . . . . 55 4.5.2.2 Gradient Boosting Régression avec autres paramètres . . 55 4.5.3 l’importance des caractéristiques et la permutation des données . . 57 4.5.4 Discussion des résultats et comparison . . . . . . . . . . . . . . . . 58 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Conclusion Générale 60 Bibliography 60 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/663 | Mémoire master | bibliothèque sciences exactes | Consultable |
