| Titre : | Evaluation des Modèles Deep Learning CNN-ViT, KanHybrid, DeepLabV3+ et U-Net pour la Détection du Stress Hydrique des Orangers en Utilisant l’Imagerie Satellitaire et l’Imagerie Drone. |
| Auteurs : | MASKINI, I; HAMZAOUI, H, Auteur ; BOUZIANI Mourad, Auteur ; YAAGOUBI Reda, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Format : | 149 |
| Langues: | Français |
| Mots-clés: | Deep Learning ; Stress hydrique ; U-Net ; Segmentation sémantique ; DeeplabV3+ ; KanHybrid. |
| Résumé : |
La détection du stress hydrique est essentielle pour améliorer la gestion de l’irrigation en agriculture, surtout face au changement climatique. Le CWSI (Crop Water Stress Index) est un indicateur clé, mais son calcul demeure complexe. L’imagerie drone et satellite présente un fort potentiel, mais son usage pour estimer le CWSI reste peu exploré. Cette étude utilise des méthodes de Deep learning pour simplifier l’estimation et la classification du stress hydrique à partir d'images thermiques et multispectrales. Nous avons d'abord utilisé des images satellitaires Landsat 8, traitées et labellisées avec des données terrain. Le modèle KanHybrid, combinant convolutions et mécanismes d’attention, a atteint une précision de 93.59%, un score F1 de 93.28% et un Recall de 93.59%, surpassant le modèle CNN-ViT, qui a obtenu une précision de 87.74%, un F1 score de 88.25%, et un Recall de 88.76%. Ces résultats montrent l’efficacité de KanHybrid pour capturer les variations spectrales complexes dans les images satellitaires. Ensuite, deux missions avec des drones équipés de caméras thermiques et multispectrales ont permis de générer des ortho-images, à partir desquelles les indices NDVI, LST et CWSI ont été calculés. Pour la classification du stress hydrique, deux modèles de segmentation, U-Net et DeepLabV3+, ont été utilisés. U-Net a obtenu une précision de 97.01%, un score F1 de 97.08% sur les images satellitaires, et une précision de 99.58% avec un score F1 de 99.51% sur les images drone. DeepLabV3+, qui capture le contexte à
différentes échelles, a atteint une précision de 95.56% et un score F1 de 95.69% sur les données satellitaires, tandis que les performances sur les images drone étaient de 84.44% pour la précision et le score F1. Ces résultats soulignent la capacité des modèles à traiter efficacement les données multi-sources, avec KanHybrid mieux adapté aux images satellitaires, et U-Net et DeepLabV3+ performants pour la segmentation d’images de drone, notamment dans la classification fine du stress hydrique. |
| En ligne : | http://10.2.0.27//cda/ebooks/MASKINI_HAMZAOUI_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041343 | 10314 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
