Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques sentinel 2

U N I V E R SI T É N AT I ON A L E DU V I E T N A M H A N OăI I N ST I T U T F R A N C OP H ON E I N T E R N AT I ON A L A B OU B A C A R DJ I B O M aman Sani C artographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 X ác định yếu tố định thẩm thấu nước việc xử lý liệu quang học Sentinel-2 M É M OI R E DE F I N D’É T U DE S DU M A ST E R I N FOR M AT I QU E Autorisé soutenir, C Gomez & J-S Bailly, le 02 novembre 2018 H A N OI 2018 i UNIVERSITÉ NATIONALE DU VIETNAM HANOăI INSTITUT FRANCOPHONE INTERNATIONAL ABOUBACAR DJIBO Maman Sani Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 Xác định yếu tố định thẩm thấu nước việc xử lý liệu quang học Sentinel-2 Spécialité : Systèmes Intelligents et Multimédia Code : Programme pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Mme GOMEZ Cécile , Chargée de recherche l’IRD M BAILLY Jean-Stéphane, Enseignant chercheur AgroParisTech HANOI 2018 ii UNIVERSITÉ NATIONALE DU VIETNAM HANOăI INSTITUT FRANCOPHONE INTERNATIONAL Mộmoire de stage Master Option : Systèmes Intelligents et Multimédia (SIM) Promotion : XXI 2016 - 2018 Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 ABOUBACAR DJIBO Maman Sani Encadrants : Mme GOMEZ Cécile M BAILLY Jean-Stéphane Chargée de recherche Enseignant chercheur (IRD, UMR LISAH) (AgroParisTech, UMR LISAH) 02 Mai - 31 Octobre 2018 Table des matières Introduction 1.1 1.2 1.3 Contexte Scientifique 1.1.1 Lien avec l’infiltrabilité 1.1.2 Télédétection Multispectrale 1.1.3 Objectif du Stage 1.1.4 Les approches développées Contexte Administratif 1.2.1 Positionnement l’UMR LISAH 1.2.2 Le stage dans le projet A-MUSE Conclusion Présentation des données 2.1 La zone d’étude 2.1.1 Localisation géographique 2.1.2 Les parcelles observées 2.2 Les données d’observation 10 2.3 Les données sentinel-2 15 2.4 Conclusion 16 Les méthodes proposées 3.1 3.2 3.3 3.4 18 Les méthodes de classification non supervisée 18 3.1.1 Kmeans 19 3.1.2 Classification ascendante hiérarchique 21 3.1.3 Implémentation du Kmeans et du CAH 23 Les méthodes de classification supervisée 23 3.2.1 Random forest 24 3.2.2 Support Vector Machine 25 Apprentissage, test et validation des modèles de classification 27 3.3.1 Validation croisée 27 3.3.2 Partitionnement des données relatifs chaque approche 28 Les indicateurs de qualité 32 3.4.1 32 La précision i 3.4.2 Coefficient Kappa 33 3.4.3 Indice de rand normalisé 33 3.5 Outils et environnement de développement 34 3.6 Conclusion 34 Résultats 4.1 35 Approche mono-date par classification non supervisée 35 4.1.1 Résultats pour le 2016/08/04/ 35 4.1.2 Résultats pour le 2016/12/02 36 4.1.3 Comparaison des méthodes de Kmeans et CAH 38 4.1.4 Conclusion 39 Approche mono-date par classification supervisée 39 4.2.1 Approche pixellaire 39 4.2.2 Approche parcellaire 42 4.2.3 Conclusion 45 Approche multi-date non ordonnées par classification supervisée 45 4.3.1 Approche pixellaire 46 4.3.2 Approche parcellaire 48 4.3.3 Conclusion 50 Approche multi-date semi ordonnées par classification supervisée 50 4.4.1 Conclusion 53 4.5 Approche multi-dates ordonnées par classification supervisée 53 4.6 Comparaison entre l’approche multi-date non-ordonnée et l’approche mono-date 56 4.7 Conclusion 59 4.2 4.3 4.4 Conclusion Générale et Perspectives 60 ii Table des figures 1.1 Processus d’acquisition d’une image satellitaire par télédétection [17] 1.2 Exemple de signatures spectrales de quelques objets 2.1 Localisation du bassin versant de kamech 10 2.2 Exemple de suivi des états de surface sur Kamech (Z Jenhaoui, IRD Tunis) 11 2.3 Parcellaire de Kamech 11 2.4 Distribution des classes de la végétation verte En abscisse : Vgtv_0%, :Vgtv_05%, :Vgtv_5-25%, :Vgtv_25-50%, :Vgtv_50-75%, :Vgtv_75-100% 2.5 12 Distribution des classes de la végétation sèche En abscisse : Tvgts_5-25%, :Tvgts_25-50%, :Tvgts_50-75%, :Tvgts_75-100% 13 2.6 Distribution des classes travail du sol En abscisse :TR, :TA, :NT 14 2.7 Distribution des classes de la rugosité En abscisse :RT0, :RT2, :RT5 14 2.8 Distribution des classes de faciès En abscisse :F0, :F0/F1, :F1, :F1/F2, :F2, :Saturée 2.9 15 Exemple des données Sentinel-2, avec band1 = B2, band2 = B3, band3 = B4, band4 = B5, band5 = B6, band6 = B7, band7 = B8, band8 = B8a, band9 = B11, band10 = B12 de la figure 2.10 16 2.10 Caractéristiques de l’instrument multi-spectral (MSI) bord de Sentinel-2 [11] 17 2.11 Image Sentinel du 2016-08-04 avec le parcellaire de Kamech 17 3.1 Exemple du choix du nombre de cluster par la méthode Elbow (source : Wikipedia) 20 3.2 Exemple du fonctionnement de l’algorithme du random forest 25 3.3 Exemple d’un hyper-plan avec la maximisation de la distance 26 3.4 Processus de la validation croisée 28 3.5 Partitionnement relatifs l’approche mono-date et multi-date non-ordonnée 29 3.6 Partitionnement relatifs l’approche multi-date semi-ordonnée et multi-date ordonnée 30 4.1 Evolution de l’inertie et l’indice de Calinski en fonction du nombre du clusters 36 4.2 Dendrogramme (image du aoˆ ut 2016) 36 4.3 Classification par Kmeans (image du aoˆ ut 2016) 37 4.4 Classification par CAH (image du aoˆ ut 2016) 37 4.5 Evolution de l’inertie et l’indice de Calinski en fonction du nombre du clusters 37 iii 4.6 Dendrogramme (image du déc 2016) 37 4.7 Classification Kmeans (image du déc 2016) 38 4.8 Classification CAH (image du déc 2016) 38 4.9 Comparaison des résultats de l’indice de rand entre la classification hiérarchique et kmeans 39 4.10 Précision du RF et SVM sur les données test avec l’approche mono-date l’échelle pixellaire 40 4.11 Classement des bandes spectrales basées sur la mesure d’importance MDA (Mean Decrease in Accuracy) obtenue partir du modèle Forest Forest (RF) 41 4.12 Spatialisation de la végétation verte sur les données du 2016-12-02 l’échelle pixellaire avec le RF 41 4.13 Matrice de confusion de la VgtV des données du 2016-12-02 avec le RF 42 4.14 Précision du RF et SVM avec l’approche mono-date l’échelle parcellaire 43 4.15 Spatialisation de la végétation verte sur les données du 2016-12-02 l’échelle parcellaire avec RF 44 4.16 Matrice de confusion de la VgtV l’échelle parcellaire avec RF 44 4.17 Précision du RF et SVM avec l’approche multi-date non-ordonnée l’échelle pixellaire 46 4.18 Spatialisation de la végétation verte sur les données du 2016-12-02 avec l’approche multi-date non-ordonnée l’échelle pixellaire avec RF 47 4.19 Matrice de confusion de la VgtV des données du 2016-12-02 avec l’approche nonordonnée l’echelle pixellaire avec RF 47 4.20 Précision du RF et du SVM avec l’approche multi-date non-ordonnée l’échelle parcellaire 48 4.21 Spatialisation de la végétation sèche avec l’approche multi-date non-ordonnée échelle parcellaire, avec RF 49 4.22 Matrice de confusion de la végétation sèche des données du 2016-09-01 avec l’approche multi-date non-ordonnée l’échelle parcellaire 49 4.23 Résultats de la rugosité sur les modèles calibrés avec les données du 2016-11-03, 2016-11-22 et 2016-12-02 4.24 Résultats de la rugosité sur le modèle calibré avec les données du 2016-12-02 51 52 4.25 Matrice de confusion du modèle de la rugosité calibré sur les données du 201611-22 et testé sur les données du 2016-12-02 52 4.26 Spatialisation de la rugosité avec l’approche multi-date semi-ordonnée échelle pixellaire 53 4.27 Matrice de confusion de la période (t4 , t5 ) 54 4.28 Spatialisation des changements de végétation verte avec l’approche multi-date ordonnée échelle pixellaire avec le RF 55 4.29 Comparaison entre l’approche non-ordonnée et mono-date sur les résultats de la classification pixellaire de la végétation verte iv 56 4.30 Comparaison entre l’approche non-ordonnée et mono-date sur les résultats de la classification en fonction de la classe majoritaire dans la parcelle de la végétation verte 57 4.31 Carte de différence de l’approche non-ordonnée et mono-date de la classification parcellaire de la végétation verte du 2016-12-02 58 4.32 Étude de la caractérisation des parcelles par la superficie 58 Précision du RF sur les données test avec les spectres et les indices 66 Précision du RF sur les données test avec les spectres entier 66 v Liste des tableaux 1.1 Typologie des caractéristiques observables expliquant l’infiltrabilité [1] 1.2 Acteurs du projet 2.1 Statistiques de la superficie des parcelles suivies (en m2 ) 10 2.2 Dates d’observations des états de surface 10 2.3 Dimensions des données Sentinel-2 utilisées 16 3.1 Exemple matrice de confusion 33 4.1 Précision de la méthode du RF et de SVM sur la végétation verte avec l’approche pixellaire 4.2 Précision de la méthode du RF et de SVM sur la végétation verte avec l’approche parcellaire 4.3 44 Précision de la méthode du RF et de SVM sur la végétation verte avec l’approche non-ordonnée 4.4 42 47 Précision de la méthode de Random Forest et de SVM sur la végétation verte date, avec t1 = 2016-08-04, t2 = 2016-10-03, t3 = 2016-11-02, t4 = 2016-11-21, t5 = 2016-12-02 54 Précision de la méthode de Random Forest et de SVM sur la végétation verte date 65 Précision de la méthode de Random Forest et de SVM sur la végétation sèche par date 65 Précision de la méthode de Random Forest et de SVM sur le travail du sol date 65 Précision de la méthode de Random Forest et de SVM sur la rugosité date 66 Précision de la méthode de Random Forest et de SVM sur le faciès date 66 vi Remerciement Par ce document, je voudrais très sincèrement remercier mes deux encadrants Madame GOMEZ Cécile et Monsieur Jean-Stéphane BAILLY En effet, malgré leur emploi du temps très chargé, ils ont su se montrer disponible pour m’accompagner tout au long de ce stage En outre, je leur suis très reconnaissant pour m’avoir fait participer dans un projet d’envergure savoir le projet A-MUSE qui porte sur la surveillance de de caractéristiques observables de la surface du sol en lien avec l’infiltrabilité Je voudrais également remercier les membres du projet pour leurs interventions pertinentes et leurs orientations pointues durant les présentations de ce travail Je voudrais également remercier Monsieur Denis FEURER, pour les corrections apportées dans ce mémoire et ses orientations Je remercie Monsieur Jérôme MOLENAT, Directeur du LISAH pour m’avoir accueilli dans sa structure Je remercie également les agents du laboratoire avec qui j’ai collaboré durant ce stage Mes remerciements vont également l’endroit de notre très cher institut de formation, l’Institut de la Francophonie pour l’Innovation (IFI) Je remercie tout particulièrement le corps enseignant pour la qualité de la formation re¸cue et le personnel administratif pour la chaleureuse collaboration Je remercie également l’Agence Universitaire de la Francophonie (AUF), pour nous avoir donné l’opportunité de poursuivre nos études de Master l’IFI travers une bourse Enfin, je dis merci tous ceux ou toutes celles qui m’ont assisté durant ce travail vii Bibliographie [1] P Andrieux Protocole de description des etats de surface umr lisah, montpellier https ://www.umrlisah.fr/omere/eds_kamech/FILES/rapports/ProtocoleDescriptionEdS_2007.pdf, 2007 [2] Damien Arvor, Milton Jonathan, Margareth Simões Penello Meirelles, Vincent Dubreuil, and Laurent Durieux Classification of modis evi time series for crop mapping in the state of mato grosso, brazil International Journal of Remote Sensing, 32(22) :7847–7871, 2011 [3] AV Auzet Ruissellement, érosion et conditions de surface des sols l’échelle de versants et de petits bassins versants Memoire d’Habilitation Diriger des Recherches, 2000 [4] Mariana Belgiu and Ovidiu Csillik Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis Remote sensing of environment, 204 :509–523, 2018 [5] E Ben-Dor and A Banin Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties Soil Science Society of America Journal, 59(2) :364– 372, 1995 [6] Leo Breiman Random forests Machine learning, 45(1) :5–32, 2001 [7] Michel-Claude Girard and Colette-Marie Girard Traitement des données de télédétection-2e éd : Environnement et ressources naturelles Dunod, 2010 [8] Cristina Gómez, Joanne C White, and Michael A Wulder Optical remotely sensed time series data for land cover classification : A review ISPRS Journal of Photogrammetry and Remote Sensing, 116 :55–72, 2016 [9] Tibshirani Hastie and R Tibshirani & friedman, j.(2008) the elements of statistical learning ; data mining, inference and prediction [10] Markus Immitzer, Clement Atzberger, and Tatjana Koukal Tree species classification with random forest using very high spatial resolution 8-band worldview-2 satellite data Remote Sensing, 4(9) :2661–2693, 2012 62 [11] Markus Immitzer, Francesco Vuolo, and Clement Atzberger First experience with sentinel-2 data for crop and tree species classifications in central europe Remote Sensing, 8(3) :166, 2016 [12] J Leonard and P Andrieux Infiltration characteristics of soils in mediterranean vineyards in southern france Catena, 32(3-4) :209–223, 1998 [13] Andy Liaw, Matthew Wiener, et al Classification and regression by randomforest R news, 2(3) :18–22, 2002 [14] Victor Maus, Gilberto Câmara, Ricardo Cartaxo, Alber Sanchez, Fernando M Ramos, and Gilberto R de Queiroz A time-weighted dynamic time warping method for land-use and land-cover mapping IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(8) :3729–3739, 2016 [15] Farid Melgani and Lorenzo Bruzzone Classification of hyperspectral remote sensing images with support vector machines IEEE Transactions on geoscience and remote sensing, 42(8) :17781790, 2004 [16] Hannes Mă uller, Philippe Rufin, Patrick Griffiths, Auberto José Barros Siqueira, and Patrick Hostert Mining dense landsat time series for separating cropland and pasture in a heterogeneous brazilian savanna landscape Remote Sensing of Environment, 156 :490–499, 2015 [17] Alertes Météo La télédétection http ://www.alertesmeteo.com/geographie/teledetection.php, 2016, last access 3rd october 2018 [18] United Nation The world population prospects : 2015 revision https ://www.un.org/development/desa/publications/world-population-prospects2015-revision.html, 2015 [19] N Paré, P Andrieux, X Louchart, A Biarnès, and M Voltz Empirical prediction of the temporal change of hydraulic conductivity in tilled mediterranean vineyard In EGU General Assembly Conference Abstracts, volume 11, page 3012, 2009 [20] Fran¸cois Petitjean, Camille Kurtz, Nicolas Passat, and Pierre Gan¸carski Spatiotemporal reasoning for the classification of satellite image time series Pattern Recognition Letters, 33(13) :1805–1815, 2012 [21] Amélie Quiquerez, Emmanuel Chevigny, Pascal Allemand, Pierre Curmi, Christophe Petit, and Philippe Grandjean Assessing the impact of soil surface characteristics on vineyard erosion from very high spatial resolution aerial images (côte de beaune, burgundy, france) Catena, 116 :163–172, 2014 [22] Cornelius Senf, Pedro J Leitão, Dirk Pflugmacher, Sebastian van der Linden, and Patrick Hostert Mapping land cover in complex mediterranean landscapes using landsat : Improved classification accuracies from integrating multi-seasonal and synthetic imagery Remote Sensing of Environment, 156 :527–536, 2015 63 [23] Agence spatiale européenne Sentinel-2 https ://fr.wikipedia.org/wiki/Sentinel-2, 2018, last access october 2018 [24] Eric R Stoner and MF Baumgardner Characteristic variations in reflectance of surface soils Soil Science Society of America Journal, 45(6) :1161–1165, 1981 [25] Matthew Tighe, Carlos Mu˜ noz-Robles, Nick Reid, Brian Wilson, and Sue V Briggs Hydrological thresholds of soil surface properties identified using conditional inference tree analysis Earth Surface Processes and Landforms, 37(6) :620–632, 2012 [26] Christian Valentin and L-M Bresson Morphology, genesis and classification of surface crusts in loamy and sandy soils Geoderma, 55(3-4) :225–245, 1992 [27] Fran¸cois Waldner, Guadalupe Sepulcre Canto, and Pierre Defourny Automated annual cropland mapping using knowledge-based temporal features ISPRS Journal of Photogrammetry and Remote Sensing, 110 :1–13, 2015 [28] Jun Xiong, Prasad S Thenkabail, Murali K Gumma, Pardhasaradhi Teluguntla, Justin Poehnelt, Russell G Congalton, Kamini Yadav, and David Thau Automated cropland mapping of continental africa using google earth engine cloud computing ISPRS Journal of Photogrammetry and Remote Sensing, 126 :225–244, 2017 [29] Jenhaoui Z Caractéristiques générales, suiv i des états de surf ace et leur caractérisation hydrodynamique, 2007 Institut de Recherche et de Developpement (IRD), 2007 64 Annexes Annexe A : Résultats intégraux de l’approche Mono-Date Supervisée Nous présentons ici l’intégralité des résultats de l’approche mono-date supervisée Table 1: Précision de la méthode de Random Forest et de SVM sur la végétation verte date Random Forest Accuracy Date Test 2016-08-04 2016-10-03 92,18% 2016-11-02 86,7% 2016-11-22 85,5% 2016-12-02 86,2% Cross Val 91,56% 83,39% 85,9% 84,36% Kappa Kappa 78,05% 79,7% 79,7% 81,4% SVM Accuracy Test 86,9% 67,7% 73,7% 77% Cross Val 88% 67.5% 74,1% 73,7% Kappa Kappa 60% 57% 62,9% 69,3% Table 2: Précision de la méthode de Random Forest et de SVM sur la végétation sèche par date Random Forest Accuracy Date Test 2016-08-04 90,5% 2016-10-03 91,7% 2016-11-02 98,8% 2016-11-22 99,5% 2016-12-02 - Cross Val 88,2% 90,9% 98,4% 98,9% - Kappa Kappa 82,4% 77,6% 91,4% 96,8% - SVM Accuracy Test 83% 85,2% 97,7% 97,1% - Cross Val 83,6% 85% 98,3% 99% - Kappa Kappa 69,3% 57,7% 87,6% 93,4% - Table 3: Précision de la méthode de Random Forest et de SVM sur le travail du sol date Random Forest Accuracy Date Test 2016-08-04 2016-10-03 97,3% 2016-11-02 96,9% 2016-11-22 98,8% 2016-12-02 97,6% Cross Val 97,9% 97,3% 98,8% 97,2% Kappa Kappa 69,1% 82,17% 91,89% 75,01% 65 SVM Accuracy Test 97,5% 96,3% 97,7% 96,3% Cross Val 96,6% 96.4% 98,5% 95,9% Kappa Kappa 58,5% 80,3% 89,8% 54,5% Table 4: Précision de la méthode de Random Forest et de SVM sur la rugosité date Random Forest Accuracy Date Test 2016-08-04 2016-10-03 2016-11-02 86% 2016-11-22 90,3% 2016-12-02 89,8% Cross Val 83,16% 90% 91,1% Kappa Kappa 76,8% 76,4% 78,4% SVM Accuracy Test 71,5% 79,9% 79,6% Cross Val 67.3% 79,7% 79,3% Kappa Kappa 51,4% 46,8% 56,2% Table 5: Précision de la méthode de Random Forest et de SVM sur le faciès date Random Forest Accuracy Date Test 2016-08-04 92,8% 2016-10-03 86,05% 2016-11-02 95,02% 2016-11-22 93,6% 2016-12-02 87,2% Cross Val 94,1% 86,7% 93,9% 91,4% 88,5% Kappa Kappa 81,4% 71,66% 83,4% 85,83% 71,2% SVM Accuracy Test 88,6% 79,1% 91,7% 83,8% 79,7% Cross Val 90,1% 80% 90.7% 82,6% 80,6% Kappa Kappa 69,2% 56,06% 71,8% 59,09% 51,6% Annexe B : Combinaison des spectres avec les indices Nous présentons dans cette partie les résultats de la combinaison des bandes spectrales avec les indices spectraux dans le but d’améliorer les résultats de la classification Pour rappel, nous avons utilisé le NDVI pour la végétation verte et le NDTI pour les variables liées au travail du sol Figure 1: Précision du RF sur les données test avec Figure 2: Précision du RF sur les données test avec les spectres et les indices les spectres entier La figure présente les résultats de la combinaison des spectres et des indices, et la figure de la classification avec les spectres entiers En effet, nous n’avons pas pu 66 trouver un indice qui permet de caractériser la végétation sèche dont les bandes spectrales sont compatibles avec le capteur Sentinel-2, raison pour laquelle la figure se retrouve avec juste trois courbes (végétation verte, rugosité et faciès) Nous n’avons pas étudié le travail du sol, parce qu’il ne présente pas une variabilité dans l’espace et dans le temps (Fig 2.6) L’observation de ces deux figures, nous permet de constater que l’ajout du NDVI permet d’améliorer la précision du modèle, surtout en décembre (87% par rapport 84%), période laquelle la végétation est assez abondante En effet l’indice normalisé de la végétation permet de caractériser la végétation verte en effectuant le rapport entre la réflectance du proche infrarouge (que la végétation réfléchit fortement) et la réflectance du canal rouge (que la végétation absorbe) Ainsi l’ajout de cette information aux informations des bandes spectrales permis d’améliorer légèrement la performance du modèle De même pour l’indice normalisé de labour avec la rugosité et le faciès 67 THÔNG TIN VỀ LUẬN VĂN THẠC SĨ Họ tên học viên : ABOUBACAR DJIBO Maman Sani Giới tính : Nam Ngày sinh : 04/02/1993 Nơi sinh : Tahoua Quyết định công nhận học viên số 3631/QĐ-ĐHQGHN ngày 11/11/2016 Giám đốc Đại học Quốc gia Hà Nội Các thay đổi trình đào tạo : không Tên đề tài luận văn : Xác định yếu tố định thẩm thấu nước việc xử lý liệu quang học Sentinel-2 Chuyên ngành: Hệ thống thông minh Đa Phương tiện Mã số chuyên ngành đào tạo: 8480201.02 10 Cán hướng dẫn khoa học : Cecile GOMEZ et Jean-Stephane BAILLY 11 Tóm tắt kết luận văn : Các kết thu hứa hẹn, họ làm cho phân loại biến liên quan đến thâm nhập Thật vậy, chúng tơi phân loại thảm thực vật xanh 337 ô tổng số 384 khu vực nghiên cứu thơng qua thuật tốn rừng ngẫu nhiên với phương pháp tiếp cận ngày mà đề xuất Ngoài phương pháp tiếp cận nhiều ngày đặt hàng, chúng tơi phát thay đổi thảm thực vật xanh ô t vào ngày t + 12 Những hướng nghiên cứu : Theo quan điểm, đề xuất kết hợp số với quang phổ Quả thực nghiên cứu mà tiến hành, cho phép đạt kết khả quan, chúng tơi nghĩ kết hợp đạt kết tốt 13 Khả ứng dụng thực tiễn : nông học viễn thám Hà Nội, ngày tháng 11 năm 2018 HỌC VIÊN ABOUBACAR DJIBO Maman Sani PRESENTATION GENERALE DU MEMOIRE 15 Nom et Prénoms: ABOUBACAR DJIBO 16 Sexe: Masculin 17 Date de naissance: 04/02/1993 18 Lieu de naissance: Tahoua 19 Décision d’inscription sur la liste d’étudiants N° 3631/QĐ-ĐHQGHN Date: 11/11/2016 du Directeur de l’Université Nationale du Vietnam Hanoi 20 Changement dans le processus de formation: Non 21 Titre du mémoire: Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 22 Option: Systèmes Intelligents et Multimédia (SIM) 23 Code: 8480201.02 24 Encadrant: Cecile Gomez et Jean-Stephane Bailly 25 Résumé des résultats: Les résultats ont été prometteurs en ce sens qu'ils ont permis de classer les variables liées l’infiltrabilite En effet, nous avons pu classer la végétation verte dans 337 des 384 du site d'étude grâce l’algorithme de forêt aléatoire avec l'approche mono-date et multi-date non-ordonnée que nous avons proposée En plus avec l'approche multi-date ordonnée, nous pouvons détecter des changements de la végétation verte qu’une parcelle subi entre t sur t + 26 Prochaines recherches : Nous avons proposé une combinaison d'indices et de spectres En effet, la première étude que nous avons menée, nous a permis d’obtenir des résultats satisfaisants, nous avons donc pensé que cette combinaison pourrait permettre d’ameliorer les resultats que nous avons obtenus 27 Domaine d’application dans la réalité: agronomie et télédétection Hà Nội, le 9/11/2018 Etudiant ABOUBACAR DJIBO Maman Sani CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc BẢN NHẬN XÉT LUẬN VĂN THẠC SĨ RAPPORT DU MEMOIRE DE FIN D'ETUDES DE MASTER Về đề tài/ Sujet: Xác định yếu tố định thẩm thấu nước việc xử lý liệu quang học Sentinel-2 (Cartographie de determinants de l'infiltrabilité par traitement de série de données optiques Sentimel-2) Ngành/Secteur: Công nghệ thông tin/Informatique Chuyên ngành/Spécialité: Hệ thống thông minh đa phương tiện/ Systèmes Intelligents et Multimédia Mã số chuyên ngành/Code de la spécialité: Chuyên ngành thí điểm / Programme pilote Của học viên/Nom de l'étudiant: ABOUBACAR DJIBO Maman Sani Họ tên cán phản biện/Nom du rapporteur: Agnès BEGUE Cơ quan cơng tác/Etablissement du rapporteur: CIRAD Tính cấp thiết, ý nghĩa lý luận thực tiễn đề tài luận văn / Nécessité, sens théorique et pratique du sujet de mémoire Les enjeux pratiques du travail sont clairement décrits La théorie est également bien présentée avec une analyse bibliographique bien équilibrée Phương pháp nghiên cứu / Méthodologie de recherche La méthodologie de recherche est clairement présentée Différents types de classification ont été testés (supervisés et non supervisés), sur différents jeux de données d’images (mono et multi-date), avec différent partitionnements des jeux de données de terrain Cơ sở lý luận tổng quan đề tài nghiên cứu / Fondement théorique et littérature du sujet de recherche Le sujet est très bien introduit, il donne les informations de base pour la compréhension du travail Những đóng góp luận văn / Apports du mémoire Les apports du mémoire en termes de type de méthode classification privilégier pour la cartographie des variables de surface sont clairement identifiés Kết cấu, hình thức trình bày văn phong / Structure, présentation et style Le style du rapport est agréable et les illustrations sont bien faites Il reste toutefois quelques fautes de frappe/orthographe Những thiếu sót hạn chế nội dung hình thức luận văn (nếu có) / Lacunes et limites du mémoire (s'il y en a) - Về hình thức / Sur la forme: Le document est un peu long Les résultats sont très nombreux et certains auraient mérité d’être mis en annexe pour faciliter la lecture du document (et ainsi éviter de nombreuses répétitions) Attention certaines figures sont en fait des tableaux Về nội dung / Sur le contenu: Certains choix méthodologiques manquent de justification (pourquoi avoir fait le choix de la classification pixellaire ?), et la conclusion générale n’est pas assez détaillée (résumer les résultats obtenus sur les variables, et conclure sur l’estimation de l’infiltrabilité partir d’images optiques) - Mức độ đạt cơng trình nghiên cứu so với yêu cầu luận văn thạc sĩ / Conclusion générale par rapport aux exigences du mémoire de fin d'études du niveau Master Le travail est conséquent, avec de nombreux tests méthodologiques qui ont nécessité de la rigueur Le rapport est bien présenté Căn vào yêu cầu luận văn Thạc sĩ kết cơng trình nghiên cứu trình bày luận văn, tơi đồng ý cho học viên ABOUBACAR DJIBO Maman Sani bảo vệ luận văn trước Hội đồng En me basant sur les exigences d’un mémoire de fin d’études, je donne un avis favorable la soutenance du mémoire de fin d’études ABOUBACAR DJIBO Maman Sani devant le jury A Montpellier, le 19 novembre 2018 CÁN BỘ PHẢN BIỆN RAPPORTEUR ... Sani Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 Xác định yếu tố định thẩm thấu nước việc xử lý liệu quang học Sentinel-2. .. Mộmoire de stage Master Option : Systèmes Intelligents et Multimédia (SIM) Promotion : XXI 2016 - 2018 Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite. .. d’absorption spectrale et de hauteur de ligne de base [5], mais n’affectent généralement pas la position des bandes d’absorption [5] L’effet de la granulométrie des sols (taille des particules) joue ainsi