Analyse des images Méteosat Seconde Génération (MSG) pour l’estimation des précipitations / Osmani, Affef  

Public ISBD Titre : Analyse des images Méteosat Seconde Génération (MSG) pour l’estimation des précipitations : Etude de cas en Algérie Type de document : texte imprimé Auteurs : Osmani, Affef, Auteur ; Fateh Seghir, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (49 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Estimation des Précipitations k-means MSG Index. décimale : 004 Informatique Résumé : Ce travail porte sur l’estimation des précipitations en utilisant l’information infrarouge du canal C9 (10.80 ¹m) du satellite Météosat Seconde Génération (MSG). Pour ce faire, nous avons élaboré une méthode portant sur un seuil de température. Cette dernière constitue une alternative permettant de simplifier la classification des nuages. Le principe est de définir une valeur de seuil pour les données utilisées, à partir desquelles les pixels des images IR10.8 sont considérés pluvieux ou non. Une approche d’estimation des précipitations basée sur le concept de la classification non supervisée en k-means est proposée. Donc Le modèle élaboré ayant comme sortie deux classes (clusters), dont l’une des classes est celle des pixels considérés précipitants et l’autre pas de précipitation. Les données acquises par le capteur MSG-SEVIRI représentent la période allant du 1er octobre 2016 au 31 mars 2017, et la région d’étude concerne le nord-est de l’Algérie. Les résultats recueillis sont comparés aux données obtenues par le programme d’estimation des précipitations par multicapteurs (MPE) de l’Organisation Européenne pour l’exploitation des satellites météorologiques. Afin de valider le modèle développé. Note de contenu : Sommaire Remerciement i Dédicaces ii Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii Liste des tableaux vi Table des figures vii 0.1 Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 Les satellites MSG 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Dispositifs d’imagerie Satellitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Les satellites météorologiques . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1.1 Les satellites géostationnaires . . . . . . . . . . . . . . . . . . . . 4 1.2.1.2 Les satellites polaires . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Les satellites Météosat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.2.1 Météosat de première génération . . . . . . . . . . . . . . . . . . . 5 1.2.2.2 Météosat seconde génération (MSG) . . . . . . . . . . . . . . . . . 6 1.3 Principe d’acquisition des images MSG . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Data Mining 14 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.1 Processus d’extraction de connaissances à partir de données ECD . . . . 15 2.2.2 Techniques de data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.2.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2.3 Les règle d’association . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2.4 Clustering (segmentation) . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Réseaux de Neurones Artificiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1 Neurone biologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 iv TABLE DE MATIÈRE 2.3.2 Neurone artificiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 Architecture des réseaux neuronaux . . . . . . . . . . . . . . . . . . . . . . 21 2.3.3.1 Les réseaux de neurones non bouclés (statiques) . . . . . . . . . 22 2.3.3.2 Les réseaux de neurones bouclés (dynamiques) . . . . . . . . . . 23 2.3.4 Apprentissage supervisé et non supervisé . . . . . . . . . . . . . . . . . . . 23 2.4 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.1 L’algorithme de K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3 Etat d’art 28 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Méthodes d’estimation des précipitations par satellite . . . . . . . . . . . . . . . . 32 3.4 Etude comparative des techniques de classification . . . . . . . . . . . . . . . . . . 33 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4 Conception et Implémentation 34 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2 Site d’étude et les données utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2.1 Présentation du site . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2.2 Ensembles de données (Dataset) . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.3 Conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.4 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.4.1 Environnement et outils de mise en oeuvre . . . . . . . . . . . . . . . . . . 37 4.4.1.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.4.2 Méthode d’identification et de classification . . . . . . . . . . . . . . . . . . 38 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Bibliographie 42 Annexe 46 Les nuages et les précipitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Les nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Formation des nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Formation des nuages de convection . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Types de précipitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 v LISTE DES TABLEAU Côte titre : MAI/0303 En ligne : https://drive.google.com/file/d/1uKdfzh0n9YAQ6X4684DFL7dMIG2K8Yfu/view?usp=shari [...] Format de la ressource électronique : pdf Analyse des images Méteosat Seconde Génération (MSG) pour l’estimation des précipitations : Etude de cas en Algérie [texte imprimé] / Osmani, Affef, Auteur ; Fateh Seghir, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (49 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Estimation des Précipitations k-means MSG Index. décimale : 004 Informatique Résumé : Ce travail porte sur l’estimation des précipitations en utilisant l’information infrarouge du canal C9 (10.80 ¹m) du satellite Météosat Seconde Génération (MSG). Pour ce faire, nous avons élaboré une méthode portant sur un seuil de température. Cette dernière constitue une alternative permettant de simplifier la classification des nuages. Le principe est de définir une valeur de seuil pour les données utilisées, à partir desquelles les pixels des images IR10.8 sont considérés pluvieux ou non. Une approche d’estimation des précipitations basée sur le concept de la classification non supervisée en k-means est proposée. Donc Le modèle élaboré ayant comme sortie deux classes (clusters), dont l’une des classes est celle des pixels considérés précipitants et l’autre pas de précipitation. Les données acquises par le capteur MSG-SEVIRI représentent la période allant du 1er octobre 2016 au 31 mars 2017, et la région d’étude concerne le nord-est de l’Algérie. Les résultats recueillis sont comparés aux données obtenues par le programme d’estimation des précipitations par multicapteurs (MPE) de l’Organisation Européenne pour l’exploitation des satellites météorologiques. Afin de valider le modèle développé. Note de contenu : Sommaire Remerciement i Dédicaces ii Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii Liste des tableaux vi Table des figures vii 0.1 Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 Les satellites MSG 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Dispositifs d’imagerie Satellitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Les satellites météorologiques . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1.1 Les satellites géostationnaires . . . . . . . . . . . . . . . . . . . . 4 1.2.1.2 Les satellites polaires . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Les satellites Météosat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.2.1 Météosat de première génération . . . . . . . . . . . . . . . . . . . 5 1.2.2.2 Météosat seconde génération (MSG) . . . . . . . . . . . . . . . . . 6 1.3 Principe d’acquisition des images MSG . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Data Mining 14 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.1 Processus d’extraction de connaissances à partir de données ECD . . . . 15 2.2.2 Techniques de data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.2.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2.3 Les règle d’association . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2.4 Clustering (segmentation) . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Réseaux de Neurones Artificiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1 Neurone biologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 iv TABLE DE MATIÈRE 2.3.2 Neurone artificiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 Architecture des réseaux neuronaux . . . . . . . . . . . . . . . . . . . . . . 21 2.3.3.1 Les réseaux de neurones non bouclés (statiques) . . . . . . . . . 22 2.3.3.2 Les réseaux de neurones bouclés (dynamiques) . . . . . . . . . . 23 2.3.4 Apprentissage supervisé et non supervisé . . . . . . . . . . . . . . . . . . . 23 2.4 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.1 L’algorithme de K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3 Etat d’art 28 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Méthodes d’estimation des précipitations par satellite . . . . . . . . . . . . . . . . 32 3.4 Etude comparative des techniques de classification . . . . . . . . . . . . . . . . . . 33 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4 Conception et Implémentation 34 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2 Site d’étude et les données utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2.1 Présentation du site . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2.2 Ensembles de données (Dataset) . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.3 Conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.4 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.4.1 Environnement et outils de mise en oeuvre . . . . . . . . . . . . . . . . . . 37 4.4.1.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.4.2 Méthode d’identification et de classification . . . . . . . . . . . . . . . . . . 38 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Bibliographie 42 Annexe 46 Les nuages et les précipitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Les nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Formation des nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Formation des nuages de convection . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Types de précipitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 v LISTE DES TABLEAU Côte titre : MAI/0303 En ligne : https://drive.google.com/file/d/1uKdfzh0n9YAQ6X4684DFL7dMIG2K8Yfu/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0303	MAI/0303	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)