Détection des types de cultures par des images satellitaires multispectrales en utilisant les techniques d'apprentissage profond (deep learning)
| dc.contributor.author | Djaboub, Djamel Eddine | |
| dc.date.accessioned | 2025-04-24T08:41:04Z | |
| dc.date.available | 2025-04-24T08:41:04Z | |
| dc.date.issued | 2024-12-17 | |
| dc.description.abstract | La pression sur les ressources agricoles est de plus en plus importante en raison des changements climatiques, des pratiques agricoles diversifiées et de la croissance démographique, ce qui rend nécessaire une gestion durable des terres cultivées. Les techniques classiques de télédétection présentent des difficultés à classer précisément les différents types de cultures, en particulier en raison de la similitude des signatures spectrales de certaines cultures, des données satellitaires incomplètes ou bruitées, ainsi que des effets des conditions climatiques. Ce travail repose sur le modèle BreizhCrops, développé pour l'étude des données multispectrales et temporelles provenant des satellites Sentinel-2. De plus, il utilise divers modèles de Deep Learning avancés tels que TempCNN, OmniscaleCNN, MSResNet, LSTM et Transformer afin de classifier avec précision les différentes cultures agricoles. Pour améliorer la précision globale des prédictions, on applique la méthode d'ensemble learning qui permet de combiner les résultats de plusieurs modèles afin d'optimiser la performance globale. Parallèlement, l'approche Random Forest est utilisée pour évaluer l'importance de chaque bande spectrale dans le processus de classification, ce qui permet d'identifier les bandes les plus pertinentes et d'affiner ainsi les analyses. | |
| dc.identifier.uri | http://dspace.ensa.dz/handle/123456789/3816 | |
| dc.language.iso | fr | |
| dc.title | Détection des types de cultures par des images satellitaires multispectrales en utilisant les techniques d'apprentissage profond (deep learning) | |
| dc.type | Thesis |