Xác định các yếu tố quyết định thẩm thấu nước bằng việc xử lý các dữ liệu quang học sentinel 2

UNIVERSITẫ NATIONALE DU VIETNAM HANOăI INSTITUT FRANCOPHONE INTERNATIONAL 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 ÉM OIRE DE FIN D’ÉTUDES DU M ASTER INFORM ATIQUE Autorisé soutenir, C Gomez & J-S Bailly, le 02 novembre 2018 HANOI 2018 i UNIVERSIT NATIONALE DU VIETNAM HANOI INSTITUT FRANCOPHONE INTERNATIONAL ABOUBACAR DJIBO Maman Sani Cartographie des d†terminants de l’infiltrabilit† des sols par traitement de s†rie de donn†es satellite optiques Sentinel-2 X¡c ành c¡c yu t quyt nh th'm thĐu nữợc bng viằc xò lỵ cĂc d liằu quang hồc Sentinel-2 Spcialit : Systmes Intelligents et Multim†dia Code : Programme pilote M MOIRE DE FIN D’ TUDES DU MASTER INFORMATIQUE Sous la direction de : Mme GOMEZ C†cile , Charg†e de recherche l’IRD M BAILLY Jean-St†phane, Enseignant chercheur AgroParisTech HANOI 2018 ii UNIVERSIT NATIONALE DU VIETNAM HANOI INSTITUT FRANCOPHONE INTERNATIONAL M†moire de stage Master Option : Syst–mes Intelligents et Multim†dia (SIM) Promotion : XXI 2016 - 2018 Cartographie des d†terminants de l’infiltrabilit† des sols par traitement de s†rie de donn†es satellite optiques Sentinel-2 ABOUBACAR DJIBO Maman Sani Encadrants : Mme GOMEZ C†cile Charg†e de recherche (IRD, UMR LISAH) 02 Mai - 31 Octobre 2018 Table des mati–res Introduction 1.1 1.2 1.3 Contexte Scientifique 1.1.1 Li 1.1.2 T† 1.1.3 O 1.1.4 Le Contexte Administratif 1.2.1 Po 1.2.2 Le Conclusion Pr†sentation des donn†es 2.1 La zone d’†tude 2.1.1 Lo 2.1.2 Le 2.2 Les donn†es d’observation 2.3 Les donn†es sentinel-2 2.4 Conclusion Les m†thodes propos†es 3.1 Les m†thodes de classification non supervis†e 3.1.1 Km 3.1.2 C 3.1.3 Im 3.2 Les m†thodes de classification supervis†e 3.3 3.2.1 Ra 3.2.2 Su Apprentissage, test et validation des mod–les d 3.4 3.3.1 Va 3.3.2 Pa Les indicateurs de qualit† 3.4.1 i La 3.4.2 Co 3.4.3 Indi 3.5 Outils et environnement de d†veloppement 3.6 Conclusion R†sultats 4.1 Approche mono-date par classification non supe 4.1.1 R† 4.1.2 R† 4.1.3 Co 4.1.4 Con 4.2 Approche mono-date par classification supervis† 4.2.1 App 4.2.2 App 4.2.3 Con 4.3 Approche multi-date non ordonn†es par classific 4.3.1 App 4.3.2 App 4.3.3 Con 4.4 Approche multi-date semi ordonn†es par classif 4.4.1 Con 4.5 Approche multi-dates ordonn†es par classificatio 4.6 Comparaison entre l’approche multi-date non-o 4.7 Conclusion Conclusion G†n†rale et Perspectives ii Table des figures 1.1 Processus d’acquisition d’une image satellitaire par 1.2 Exemple de signatures spectrales de quelques objet 2.1 Localisation du bassin versant de kamech 2.2 Exemple de suivi des †tats de surface sur Kamech 2.3 Parcellaire de Kamech 2.4 Distribution des classes de la v†g†tation verte En a 5%, :Vgtv_5-25%, :Vgtv_25-50%, :Vgtv_50-7 2.5 Distribution des classes de la v†g†tation s–che E :Tvgts_25-50%, :Tvgts_50-75%, :Tvgts_75-10 2.6 Distribution des classes travail du sol En abscisse 2.7 Distribution des classes de la rugosit† En abscisse 2.8 Distribution des classes de faci–s En abscisse : :F2, :Satur†e 2.9 Exemple des donn†es Sentinel-2, avec band1 = B band4 = B5, band5 = B6, band6 = B7, band7 = B8 B11, band10 = B12 de la figure 2.10 Caract†ristiques de l’instrument multi-spectral (MS 2.11 Image Sentinel du 2016-08-04 avec le parcellaire de 3.1 Exemple du choix du nombre de cluster par la m†th 3.2 Exemple du fonctionnement de l’algorithme du ran 3.3 Exemple d’un hyper-plan avec la maximisation de l 3.4 Processus de la validation crois†e 3.5 Partitionnement relatifs 3.6 Partitionnement relatifs donn†e 4.1 Evolution de l’inertie et l’indice de Calinski en fonction du nombre du clus 4.2 Dendrogramme (image du aout 2016) 4.3 Classification par Kmeans (image du aout 2016) 4.4 Classification par CAH (image du aout 2016) 4.5 Evolution de l’inertie et l’indice de Calinski en fonction du nombre du clus iii 4.6 Dendrogramme (image du d†c 2016) 4.7 Classification Kmeans (image du d†c 2016) 4.8 Classification CAH (image du d†c 2016) 4.9 Comparaison des r†sultats de l’indice de rand ent et kmeans 4.10 Pr†cision du RF et SVM sur les donn†es test avec l’a pixellaire 4.11 Classement des bandes spectrales bas†es sur la m Decrease in Accuracy) obtenue 4.12 Spatialisation de la v†g†tation verte sur les donn† pixellaire avec le RF 4.13 Matrice de confusion de la VgtV des donn†es du 20 4.14 Pr†cision du RF et SVM avec l’approche mono-dat 4.15 Spatialisation de la v†g†tation verte sur les donn† parcellaire avec RF 4.16 Matrice de confusion de la VgtV 4.17 Pr†cision du RF et SVM avec l’approche multi-date laire 4.18 Spatialisation de la v†g†tation verte sur les donn†es multi-date non-ordonn†e l’†chelle pixellaire avec 4.19 Matrice de confusion de la VgtV des donn†es du 20 ordonn†e 4.20 Pr†cision du RF et du SVM avec l’approche multiparcellaire 4.21 Spatialisation de la v†g†tation s–che avec l’appro †chelle parcellaire, avec RF 4.22 Matrice de confusion de la v†g†tation s–che des proche multi-date non-ordonn†e [23] Agence spatiale europ†enne 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 Munoz-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] Francois Waldner, Guadalupe Sepulcre Canto, and Pierre Defourny Automated an-nual 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, Jus-tin 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 Caract†ristiques g†n†rales, suiv i des †tats de surf ace et leur caract†-risation hydrodynamique, 2007 Institut de Recherche et de Developpement (IRD), 2007 64 Annexes Annexe A : R†sultats int†graux de l’approche Mono-Date Super-vis†e Nous pr†sentons ici l’int†gralit† des r†sultats de l’approche mono-date supervis†e Table 1: Pr†cision de la m†thode de Random Forest et de SVM sur la v†g†tation verte date Random Forest Date 2016-08-04 2016-10-03 2016-11-02 2016-11-22 2016-12-02 Table 2: Pr†cision de la m†thode de Random Forest et de SVM sur la v†g†tation s–che par date Random Forest Date 2016-08-04 2016-10-03 2016-11-02 2016-11-22 2016-12-02 Table 3: Pr†cision de la m†thode de Random Forest et de SVM sur le travail du sol date Random Forest Date 2016-08-04 2016-10-03 2016-11-02 2016-11-22 2016-12-02 65 Table 4: Pr†cision de la m†thode de Random Forest et de SVM sur la rugosit† date Random Forest Date 2016-08-04 2016-10-03 2016-11-02 2016-11-22 2016-12-02 Table 5: Pr†cision de la m†thode de Random Forest et de SVM sur le faci–s date Random Forest Date 2016-08-04 2016-10-03 2016-11-02 2016-11-22 2016-12-02 Annexe B : Combinaison des spectres avec les indices Nous pr†sentons dans cette partie les r†sultats de la combinaison des bandes spectrales avec les indices spectraux dans le but d’am†liorer les r†sultats de la classification Pour rappel, nous avons utilis† le NDVI pour la v†g†tation verte et le NDTI pour les variables li†es au travail du sol Figure 1: Pr†cision du RF sur les donn†es test avec Figure 2: Pr†cision du RF sur les donn†es test avec les spectres et les indices les spectres entier La figure pr†sente les r†sultats 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 caract†riser la v†g†tation s–che dont les bandes spectrales sont compatibles avec le capteur Sentinel-2, raison pour laquelle la figure se retrouve avec juste trois courbes (v†g†tation verte, rugosit† et faci–s) Nous n’avons pas †tudi† le travail du sol, parce qu’il ne pr†sente pas une variabilit† 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’am†liorer la pr†cision du mod–le, surtout en d†cembre (87% par rapport 84%), p†riode laquelle la v†g†tation est assez abondante En effet l’indice normalis† de la v†g†tation permet de caract†riser la v†g†tation verte en effectuant le rapport entre la r†flectance du proche infrarouge (que la v†g†tation r†fl†chit fortement) et la r†flectance du canal rouge (que la v†g†tation absorbe) Ainsi l’ajout de cette information aux informations des bandes spectrales permis d’am†liorer l†g–rement la performance du mod– le De m¶me pour l’indice normalis† de labour avec la rugosit† et le faci–s 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 q trình đào tạo : khơng 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 thông qua thuật toán rừng ngẫu nhiên với phương pháp tiếp cận ngày mà chúng tơi đề xuất Ngồi 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 chúng tơi 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 H ỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc BẢN NHẬN XÉT LU ẬN 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 ngh ệ thông tin/Informatique Chuyên ngành/Spécialité: ệHthống thông minh đa phương tiện/ Systèmes Intelligents et Multimédia Mã s ố chuyên ngành/Code de la spécialité: Chuyên ngànhí tđiểm / Programme pilote Của học viên/Nom de l'étudiant:ABOUBACAR DJIBO Maman Sani Họ tên cán ộb phản biện/Nom du rapporteur: Agnès BEGUE Cơ quan công tác/Etablissement du rapporteur: CIRAD Tính cấp thiết, ý ngh ĩa lý lu ận th ực tiễn đề tài lu ận 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 nghiênứ uc / Méthodologie de recherche La méthodologie de recherche est clairement présentée Différents types de classification ont été testés (supervisés et non pervisés),su sur différents jeux de données d’images (mono et multi-date), avec différent partitionnements des jeux de données de terrain Cơ sở lý lu ận t 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 m ới 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 v ăn 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 h ạn chế nội dung hình th ức 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 rèst 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 lesvariables,4 et conclure sur l’estimation de l’infiltrabilité partir d’images optiques) Mức độ đạt cơng trình nghiên cứu so với u ầcu 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 nh ững yêu ầcu luận văn Thạc sĩ k ết cơng trình nghiên cứu trình bày lu ận văn, đồng ý cho h ọc viênABOUBACAR 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 B Ộ PHẢN BIỆN RAPPORTEUR ... faci–s Le tableau 2. 2 pr†sente les dates auxquelles ces variables ont †t† observ†es Date champs (J/M/A) 01/09 /20 16 28 /09 /20 16 03/11 /20 16 21 /11 /20 16 02/ 12/ 2016 d’observations Table 2. 2: Dates d’observations... 1.1 .2 T† 1.1.3 O 1.1.4 Le Contexte Administratif 1 .2. 1 Po 1 .2. 2 Le Conclusion Pr†sentation des donn†es 2. 1 La zone d’†tude 2. 1.1 Lo 2. 1 .2 Le 2. 2 Les donn†es d’observation 2. 3 Les donn†es sentinel- 2. .. Pr†cision de la m†thode de Random Forest et de SV date, avec t1 = 20 16-08-04, t2 = 20 16-10-03, t3 = 20 16-11- 02, t4 = 20 16= 20 16- 12- 02 Pr†cision de la m†thode de Random Forest et de SVM sur la v†g†tation