| Titre : | Adaptation et évaluation d’un modèle CNN-ViT pour caractériser l’état hydrique des cultures à partir d’images satellitaires. |
| Auteurs : | LEHOUEL,Kawtar;SABER,Chaima, Auteur ; Mourad BOUZIANI, Auteur ; YAAGOUBI Reda, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2023 |
| Format : | 115 |
| Langues: | Français |
| Mots-clés: | Apprentissage profond ; Stress hydrique des cultures ; Transformateurs visuels ; CNN-ViT ; Segmentation sémantique ; DenseUNet. |
| Résumé : |
La détermination du stress hydrique des cultures joue un rôle crucial pour optimiser l'irrigation et améliorer la productivité agricole, garantissant ainsi la sécurité alimentaire. Les techniques d'apprentissage profond associées à la télédétection offrent des perspectives prometteuses dans ce domaine. Cependant, l’identification du stress hydrique présente des défis importants en raison de la variété des facteurs affectant les bandes spectrales et les indices de végétation, ainsi que des seuils spécifiques à chaque espèce et variété de culture. Actuellement, les recherches sur ce cas d'étude sont limitées à une caractérisation interparcellaire, ne tenant pas compte de la variabilité du phénomène à l'intérieur d'une même parcelle. Pour un suivi efficace des cultures, il devient essentiel de développer une architecture dédiée à une caractérisation intra-parcellaire et indépendante du type de cultures. Notre étude vise donc à déterminer une telle architecture répondant à ces besoins spécifiques, ainsi que les données sur lesquelles elle sera entraînée. La méthodologie proposée repose sur trois étapes principales : 1) la création d'un jeu de données annotées sur le stress hydrique des cultures en utilisant les images Landsat 8 et les données de validation de "The Soil Moisture Active Passive", 2) l’utilisation d’une architecture DenseUnet basée sur le principe d’encodeur-décodeur, et 3) l’adaptation d’une nouvelle architecture, CNNViT, qui est basée sur les transformateurs visuels faisant actuellement l'objet d'un développement actif. Nos résultats révèlent que DenseUNet est plus sensible au déséquilibre des classes lorsque les étiquettes sont principalement constituées de pixels d'arrière-plan. En revanche, CNN-ViT présente de bons résultats grâce à la nature de son architecture basée sur les patches avec un score F1 sur les données de test de 0,88, ce qui indique une bonne capacité de généralisation. De plus, nous avons effectué une expérience de rééchantillonnage afin d’évaluer les performances des architectures sur des données continues sans la prédominance de valeurs nulles. Les résultats ont montré que ce processus a amélioré les performances de DenseUNet, avec un score F1 de 0,76 avec une tendance au surappentissage, tandis que le score F1 du CNN-ViT a diminué à 0,77. |
| En ligne : | http://10.2.0.27//cda/ebooks/LEHOUEL_SABER_2023.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041174 | 10070 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
