| Titre : | Fusion des images satellitaires Sentinel-2 et Sentinel-3 pour la génération de la température de surface en comparaison avec une image Landsat-8 |
| Auteurs : | ES-SAFI Mohammed Hamza, Auteur ; NAIMI Mustapha, Auteur ; MERDAS, M ; SMIEJ, A, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Format : | 124 |
| Langues: | Français |
| Mots-clés: | Température de surface terrestre ; NDVI ; Sentinel ; Landsat-8 ; Résolution spatiale ; Reduction de l’échelle ; Modélisation ; Apprentissage automatique. |
| Résumé : |
Les méthodes modernes de génération de la température de surface terrestre (LST) jouent un rôle clé dans l'amélioration de la précision des prévisions environnementales et climatiques. Ce rapport analyse l'intégration des images Sentinel-2 et Sentinel-3 pour estimer la LST à une résolution de 10 mètres, en utilisant le NDVI à 10 m et la LST à 1 km comme variables d'entrée. Ces estimations sont ensuite comparées à une image LST de Landsat-8. L'objectif principal est d'évaluer l'efficacité de différents modèles, à savoir le Decision Tree, le RFR (Random Forest Regressor), le modèle Séquentiel et le KNN (K-Nearest Neighbors), pour la réduction d'échelle (downscaling) de la LST, tout en étudiant l'impact des diverses méthodes de traitement des données sur la précision des résultats.
Pour ce faire, les données ont été préparées en extrayant et reprojetant les images NDVI et LST. Les images Sentinel-2 fournissent les données NDVI, tandis que les images SLSTR de Sentinel-3 fournissent la LST à une résolution de 1 km. Un seuillage du NDVI a été appliqué pour conserver uniquement les valeurs supérieures à un seuil de 0,1, afin de ne retenir que les données pertinentes, ce qui réduit le bruit en éliminant les pixels avec un NDVI trop faible. De plus, un masque nuage a été utilisé pour retirer les artefacts dus aux nuages des images Sentinel-3. Au total, 96 cartes ont été générées grâce aux différents modèles. Les résultats obtenus avec le modèle RFR ont révélé une différence moyenne de -5,64°C et un RMSE (Root Mean Square Error) de 6,54°C, ce qui indique des variations notables entre les prévisions du modèle et les données observées. En comparaison, les autres modèles ont montré des performances variables. Le modèle Decision Tree a présenté une précision inférieure à celle du RFR, avec des erreurs moyennes et un RMSE plus élevés, notamment en raison d'une tendance au surapprentissage sur les données d'entraînement. Le modèle Séquentiel a offert des résultats intermédiaires, mais moins précis que le RFR. Quant au KNN, bien qu'il ait réussi à capter certaines tendances, il a eu du mal à gérer la variabilité des données et a affiché une erreur moyenne et un RMSE plus élevés que le modèle RFR. La comparaison entre les estimations LST et celles de Landsat-8 a révélé des écarts significatifs, mettant en lumière les difficultés liées à la fusion de données provenant de capteurs ayant des résolutions spatiales différentes. En conclusion, bien que le modèle RFR ait montré les meilleures performances pour l'estimation de la LST parmi les modèles testés, des ajustements supplémentaires des paramètres du modèle ainsi que des techniques de traitement des données sont nécessaires pour optimiser les résultats. La comparaison des performances des différents modèles a révélé des écarts notables, soulignant la nécessité d'une validation plus approfondie des méthodes employées afin d'améliorer la précision des prévisions. Les résultats démontrent également les défis liés à la fusion de données de résolutions spatiales distinctes et l'importance d'affiner les approches de modélisation pour obtenir des prédictions plus fiables. |
| En ligne : | http://10.2.0.27//cda/ebooks/ES_SAFI_Mohammed_Hamza_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041460 | 10414 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
