| Titre : | Analyse comparative entre deux approches de prévision de l'expansion urbaine, la chaïne de Markov et le modèle ConvLSTM (Deep Learning |
| Auteurs : | LAKBER Charaf-Eddine ; IGHACHEN Hamza ; YAAGOUBI Reda |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2022 |
| Collection : | Expansion urbaine# ConvLSTM# Chaine de Markov# MLP# Automates cellulaires# Tιlιdιtection# Apprentissage profond# Sιquences temporelles |
| Format : | 120 |
| Mots-clés: | Expansion urbaine ; ConvLSTM ; Chaine de Markov ; MLP ; Automates cellulaires ; Télédétection ; Apprentissage profond ; Séquences. |
| Résumé : |
Face à l’étalement urbain qui s’amplifie au même rythme que les années avancent. Les villes sont aujourd’hui confrontées à de nombreux défis. Ce phénomène inquiétant a poussé les décideurs à repenser leur façon de faire et d’innover davantage sur le plan de développement et d’aménagement du territoire pour rendre leurs villes mieux aménagées et plus intelligentes par la prédiction spatio-temporelle en avance de l’expansion urbaine.
Pour prédire à quoi ressembleront les villes à l'avenir, les urbanistes s'appuient sur des données historiques et des modèles de croissance urbaine. Ces modèles peuvent avoir des ré-sultats multiples, mais ils fournissent généralement des estimations des empreintes urbaines binaires (c'est-à-dire des cartes avec des catégories urbaines ou non urbaines) dans une région d'étude au fil du temps. Les modèles de croissance urbaine aident les gouvernements locaux à estimer les investissements nécessaires dans les infrastructures publiques, telles que les routes, les hôpitaux, les écoles, les projets de logement et les équipements, ainsi que dans le dévelop-pement urbain durable. Les entreprises de services publics utilisent les prévisions de croissance urbaine pour prévoir la demande de services publics et pour planifier les investissements et les interventions dans leurs réseaux. C'est pourquoi les décideurs et les planificateurs ont besoin de prévisions de croissance urbaine pour empêcher les communautés de construire dans des zones protégées (zones humides, parcs nationaux, terres réservées aux communautés indigènes, etc.) ou sur des terrains exposés à des risques naturels tels que les inondations, les glissements de terrain et les éruptions volcaniques, entre autres. La chaine de Markov était le modèle utilisé pour la prédiction de l’occupation du sol généralement et donc l’urbanisation particulièrement jusqu’à l’apparition des méthodes basées sur les données (Data Driven) tel que l’apprentissage profond. Dans ce projet de fin d’études, un modèle ConvLSTM d’apprentissage profond est conçu et appliqué sur une zone périphérique de Casablanca et comparé au modèle statistique de Markov. La calibration du modèle est faite par une suite de13 images satellitaires d’un pas de 6 mois entre chacune, qu’ont fait l’objet d’une classification supervisée et d’une structuration sous forme des séquences basiques et suivantes. Le présent projet fin d’études nous a permis de tirer parti des avantages de l’intersection entre les technologies de SIG, télédétection, et Deep Learning, et réaliser une analyse compa-rative entre les deux méthodes de prédiction de l’expansion urbaine sur les aspects de précision et de complexités. |
| En ligne : | "http://10.2.0.27//cda/ebooks/LAKBER_IGHACHEN_2020.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 100008522 | 9904 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
