| Titre : | Cartographie des zones vulnérables aux inondations par GeoIA et images satellitaires – Cas de la ville de Fès |
| Auteurs : | MEFTAH EL KHAIR Younes, Auteur ; LYACOUBI Ayah, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2026 |
| Format : | 80 PAGES |
| Langues: | Français |
| Mots-clés: | Susceptibilité aux inondations ; Fès ; Apprentissage automatique ; Random Forest ; XGBoost ; SVM ; Sentinel-1 SAR ; SIG ; Télédétection. |
| Résumé : |
Les inondations comptent parmi les catastrophes naturelles les plus fréquentes et les plus destructrices à
l’échelle mondiale. Dans ce contexte, l’objectif de cette étude est de cartographier les zones vulnérables aux inondations dans le bassin versant d’Oued Fès, en combinant la télédétection radar, les systèmes d’information géographique (SIG) et les techniques d’apprentissage automatique, afin de produire une carte fiable d’aide à la prévention et à la gestion du risque d’inondation. Pour atteindre cet objectif, un inventaire de 1 200 points (600 inondés et 600 non inondés) a été constitué à partir d’une méthode de détection de changement appliquée à des images radar Sentinel-1, fondée sur un seuil de baisse de rétrodiffusion de −3 dB en polarisation VH. Cette méthode a été combinée à un masquage des plans d’eau permanents à l’aide du JRC Global Surface Water et à un filtrage du bruit de speckle. Dix facteurs conditionnels ont été retenus, notamment des variables topographiques, hydrologiques, d’occupation du sol et climatiques. Trois algorithmes d’apprentissage automatique — Random Forest, XGBoost et Support Vector Machine (SVM) — ont été entraînés et comparés selon une répartition stratifiée de 70/30, avec optimisation des hyperparamètres par recherche aléatoire et validation croisée à 4 plis. Le modèle Random Forest a obtenu les meilleures performances, avec une AUC de test de 0,994, une AUC de validation croisée de 0,955 ± 0,014 et une exactitude de 93,6 %, devançant XGBoost (AUC = 0,979) et le SVM (AUC = 0,860). La précipitation, le NDVI et l’altitude ont été identifiés comme les facteurs les plus influents. La carte finale, produite à partir du modèle Random Forest, indique qu’environ 39 % de la superficie du bassin versant présente une susceptibilité élevée à très élevée, principalement le long des axes de drainage principaux et dans les secteurs de faible pente. Ces résultats soulignent l’intérêt de combiner la télédétection radar et l’apprentissage automatique pour cartographier la susceptibilité aux inondations et fournir un outil d’aide à la décision pour la gestion du risque. |
| Examinateur : | EL BOHNANAT Mohamed |
| Président : | EL AYACHI Moha |
| Rapporteur : | LYACOUBI Ayah |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/MEFTAH_EL_KHAIR_Younes_2026_11022.pdf |
Exemplaires (2)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200042661 | 11022 | Support papier | Salle des thèses/PFE (RDC) | Master | Consultation sur place Exclu du prêt |
| 200042662 | 11022 | Support papier | Salle des thèses/PFE (RDC) | Master | Consultation sur place Exclu du prêt |
