| Titre : | CLASSIFICATION AUTOMATIQUE DE L'OCCUPATION DE SOL PAR MACHINE LE ARNING A PARTIR DES DONNEES LIDAR AEROPORTEES |
| Auteurs : | TOUFIK,Oumayma;GOULHYANE,Malika, Auteur ; AIT EL KADI Kenza, Auteur ; CHAARI kawtar, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2023 |
| Format : | 141 |
| Langues: | Français |
| Mots-clés: | LiDAR aéroporté ; nuage de points ; élimination du bruit ; classification ; Machine Learning ; MNT ; MNS. |
| Résumé : |
Le développement des technologies LiDAR progresse dans une direction où les méthodes d'acquisition aéroportée par avion permettent d'obtenir, pour de vastes étendues, des nuages de points denses, entraînant ainsi une augmentation des volumes de données. Par conséquent, la gestion et le traitement de ces données de manière automatisée et rapide sont devenus indispensables. L'objectif principal de notre travail de fin d'étude est le filtrage et la classification automatique des nuages de points acquis par LiDAR aéroporté.
Pour le processus de filtrage des données, nous avons exploré différentes approches basées sur divers critères tels que la densité des points, l’altitude et l'intensité. Notre objectif était de réduire au maximum le bruit présent dans la donnée. Après plusieurs expérimentations, nous avons développé une combinaison de deux filtres, à savoir le filtre SOR et le filtre basé sur l’altitude. Cette combinaison s'est révélée efficace pour éliminer le bruit et les artefacts indésirables, améliorant ainsi la qualité globale de la donnée. Concernant la classification, l'utilisation des techniques de Machine Learning était la méthode la plus appropriée pour la reconnaissance automatique de l'occupation de sol, par le bias de deux approches. Tout d'abord, l'approche non supervisée, où nous avons testé le GMM et le K-Means pour identifier les regroupements de points sans étiquettes préalables. Ensuite, nous avons employé l'approche supervisée en utilisant différents modèles notamment le Random Forest, Decision Tree, KNN, Gradient Boosting et Naive Bayes. Ces modèles ont été entraînés sur un ensemble de données étiquetées, ce qui leur a permis d'apprendre à classifier automatiquement les différentes classes d'occupation du sol. L’implémentation du modèle Random Forest a démontré sa capacité à traiter des ensembles de données complexes et à fournir des résultats de classification précis et fiables. Notre travail a également inclus la génération de produits essentiels pour des éventuelles projets de la mise en place des mines. Ces livrables comprennent le Modèle Numérique de Terrain et le Modèle Numérique de Surface. Les deux modèles sont caractérisés par une précision élevée par rapport à d'autres options disponibles. |
| En ligne : | http://10.2.0.27//cda/ebooks/TOUFIK_GOULHYANE_2023.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041181 | 10116 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
