Adresse
Infodoc : Réseau des bibliothèques et centres de documentation d'AgroParisTechFrance
contact
Array ( [TITRE] => <b>Type de document : </b> [TITRE_CLEAN] => Type de document [OPAC_SHOW] => 1 [TYPE] => list [AFF] => Mémoire [ID] => 4 [NAME] => cp_typdoc [DATATYPE] => integer [VALUES] => Array ( [0] => 4 ) )
![Classement des parcelles de tournesol selon leur qualité d’implantation en fonction d’indices de végétation issus de Sentinel-2 et des variables météorologiques](https://infodoc.agroparistech.fr/img_cache/pmb_agroparistech_record_220254.webp)
Titre : |
Classement des parcelles de tournesol selon leur qualité d’implantation en fonction d’indices de végétation issus de Sentinel-2 et des variables météorologiques
|
Auteur(s) : |
Aly Kounta, Auteur
Lucile Sautot, Tuteur Christophe Sausse, Responsable de stage Agroparistech (Montpellier; FRA), Organisme de soutenance |
Type de document : | Mémoire |
Filière : | MS : SILAT -- Systèmes d'informations localisées pour l'aménagement des Territoires |
Sujets : | Apprentissage automatique ; Tournesol -- Culture ; Végétation -- Télédétection Technique de prévision ; Classification |
Résumé : |
L’objectif de ce projet a été de classer les parcelles de tournesol par diverses méthodes de Machine-Learning à partir d’une longue série temporelle d’indices de végétation d’une résolution de 10 m (Sentinel 2) en combinaison avec des variables météorologiques in situ. Les données issues des indices de végétation ont été acquis sur la plateforme Google Earth Engine (GEE) et les données météorologiques fournies par Météo France. Quatre zones d’études ont servi à entrainer les modèles (Beauce, Gers, Poitou-Charentes et Yonne) et les modèles ont été calibré selon leur paramètre par défaut et validé par des métriques spécifiques. Les modèles basés sur la série temporelle (stratégie1) et des variables météorologiques (stratégie 2) fournissent de bonnes performances de prédiction (RF : F1 s[...] L’objectif de ce projet a été de classer les parcelles de tournesol par diverses méthodes de Machine-Learning à partir d’une longue série temporelle d’indices de végétation d’une résolution de 10 m (Sentinel 2) en combinaison avec des variables météorologiques in situ. Les données issues des indices de végétation ont été acquis sur la plateforme Google Earth Engine (GEE) et les données météorologiques fournies par Météo France. Quatre zones d’études ont servi à entrainer les modèles (Beauce, Gers, Poitou-Charentes et Yonne) et les modèles ont été calibré selon leur paramètre par défaut et validé par des métriques spécifiques. Les modèles basés sur la série temporelle (stratégie1) et des variables météorologiques (stratégie 2) fournissent de bonnes performances de prédiction (RF : F1 score de 0.8 et un AUC de 0.89 (stratégie1), C.5.0 : F1 score de 0.8649 et un AUC de 0.869 (stratégie 2), mais la combinaison des deux stratégies octroie plus de fiabilité dans la prédiction du peuplement (C.5.0 : F1 score de 0.8485 et un AUC de 0.9305). |
Date de publication : | 2023 |
Mention d'édition : | AgroParisTech |
Format : | 35 p. |
Note(s) : |
Stage de fin d'étude de la formation MS Systèmes d'informations localisées pour l'aménagement des territoires SILAT
|
Langue(s) : | Français |
Organisme d'accueil : | Terres Inovia (Thiverval-Grignon) |
Lien vers la notice : | https://infodoc.agroparistech.fr/index.php?lvl=notice_display&id=220254 |
Exemplaires (1)
Localisation | Emplacement | Pôle | Section | Cote | Support | Disponibilité |
---|---|---|---|---|---|---|
Montpellier | Serveur | Télédetection | MEM-MS-2023-KOUN-E | Numérique | Diffusable Exclu du prêt |
Documents numériques (1)
![]() KOUNTA_2023 Adobe Acrobat PDF |