| Titre : | Contribution à l’étude de l’apport des algorithmes du Machine Learning à l’estimation de la phytomasse à partir des indicateurs issus de la télédétection (variables biophysiques et indices de végétation) |
| Auteurs : | SARKOUH_KECHCHOUR, Auteur ; YESSEF Mohamed, Auteur ; EL-AYACHI Moha, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat, 2021 |
| Format : | 128 |
| Langues: | Français |
| Mots-clés: | Machine Learning ; Deep Learning ; GEE ; SNAP ; R Studio ; Phytomasse ; zone aride ; variable biophysique ; indice de végétation ; régression multiple linéaire |
| Résumé : |
Le présent travail a pour objectif d’investiguer le potentiel des variables biophysiques et des indices de végétation dérivés de la télédétection, pour prédire la production des parcours dans les milieux aride et semi-aride, spécialement au niveau de la zone de DRÂA et la région SOUSS MASSA. L’étude a concerné 30 faciès pastoraux dont la productivité varie entre 69 et 5 385 kg MS / ha.
Concernant la phytomasse, les données ont été collectées sur le terrain au pic de production sur 21 parcelles au niveau de la région SOUS MASSA en 2018, 18 parcelles au niveau de la commune territoriale M’Hamid El Ghizlane en 2018, 14 parcelles à TIZNIT en 2021 et 13 parcelles au niveau du DRÂA en 2021. 11 parcelles qui reflètent le sol nu ont été ajoutées. Pour l'extraction et la préparation des données deux approches ont été adoptées : la première concerne les variables biophysiques, qui repose sur l'utilisation du réseau neuronal (ANN) pour extraire le LAI, Fapar, Fcover, Cw, Cab, et dans le but d'augmenter la variabilité du LAI, Google Earth Engine a été utilisé à travers le GPR. L’autre approche concerne les indices de végétation, qui se résume à l’utilisation de Google Earth Engine pour extraire les valeurs des indices de végétation de chaque parcelle à partir des images sans nuages. Les indices de végétation et les variables biophysiques calculées pour les parcelles inventoriées en 2018 et 2021 ont été utilisés dans l'algorithme de régression linéaire multivariée. Les résultats obtenus ont permis de choisir LAI, Fapar, Fcover, NDVI et SAVI comme étant les variables prédictives...etc. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/SARKOUH_KECHCHOUR_2021.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041619 | 9466 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
