Dead Trees Detection Based on Machine Learning and Remote Sensing / Manelle Benarbia  

Public ISBD Titre : Dead Trees Detection Based on Machine Learning and Remote Sensing Type de document : texte imprimé Auteurs : Manelle Benarbia, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (51 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection  Artificial Intelligence  Machine Learning  Deep Learning  Remote Sensing  Vegetation Indices  Classification  Détection des arbres morts  Intelligence Artificielle  Apprentissage Automatique  Apprentissage Approfondu  télédétection  Indices de Vegetations Index. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing holds significance in efficient and scalable monitoring, early disturbance detection, assessing ecosystem health, managing resources, and planning conservation efforts. This approach facilitates timely interventions, enhances forest management practices, and contributes to environmental monitoring, ensuring the sustainability and resilience of forest ecosystems. In this thesis, we focus on classifying dead trees using remote sensing images obtained from the Sentinel 2 satellite and Vegetation Indices (VIS). We initially extracted three VIs: the Normalised Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil Adjusted Vegetation Index. Subsequently, we selected three prominent classification algorithms for Machine Learning (ML): Decision Tree (DT), Random Forest (RF), and Support Vector Machine (SVM). Additionally, we compared their performances with the Deep Learning Neural Network (DNN). Notably, the Random Forest algorithm attained the highest accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la télédétection revêt une grande importance pour une surveillance efficace et évolutive, la détection précoce des perturbations, l’évaluation de la santé des écosystèmes, la gestion des ressources et la planification de la conservation. Elle permet des interventions rapides, améliore les pratiques de gestion forestière et contribue aux efforts de surveillance environnementale, garantissant ainsi la durabilité et la résilience des écosystèmes forestiers. Dans ce mémoire, nous avons classifié les arbres morts en utilisant des images de télédétection acquises à partir du satellite Sentinel 2 et desindices de végétation (VIS). Nous avons tout d’abord extrait trois indices de végétation, à savoir l’indice de végétation par différence normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des principaux algorithmes d’apprentissage automatique pour effectuer la classificationarbres de décision (DT), les forêts aléatoires (RF), les machines à vecteurs de support (SVM) en plus du réseau de neurons (DNN). Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu la meilleure précision dans la classification des arbres morts, atteignant une précision de 0,73. Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : pdf Dead Trees Detection Based on Machine Learning and Remote Sensing [texte imprimé] / Manelle Benarbia, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2023 . - 1 vol (51 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection  Artificial Intelligence  Machine Learning  Deep Learning  Remote Sensing  Vegetation Indices  Classification  Détection des arbres morts  Intelligence Artificielle  Apprentissage Automatique  Apprentissage Approfondu  télédétection  Indices de Vegetations Index. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing holds significance in efficient and scalable monitoring, early disturbance detection, assessing ecosystem health, managing resources, and planning conservation efforts. This approach facilitates timely interventions, enhances forest management practices, and contributes to environmental monitoring, ensuring the sustainability and resilience of forest ecosystems. In this thesis, we focus on classifying dead trees using remote sensing images obtained from the Sentinel 2 satellite and Vegetation Indices (VIS). We initially extracted three VIs: the Normalised Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil Adjusted Vegetation Index. Subsequently, we selected three prominent classification algorithms for Machine Learning (ML): Decision Tree (DT), Random Forest (RF), and Support Vector Machine (SVM). Additionally, we compared their performances with the Deep Learning Neural Network (DNN). Notably, the Random Forest algorithm attained the highest accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la télédétection revêt une grande importance pour une surveillance efficace et évolutive, la détection précoce des perturbations, l’évaluation de la santé des écosystèmes, la gestion des ressources et la planification de la conservation. Elle permet des interventions rapides, améliore les pratiques de gestion forestière et contribue aux efforts de surveillance environnementale, garantissant ainsi la durabilité et la résilience des écosystèmes forestiers. Dans ce mémoire, nous avons classifié les arbres morts en utilisant des images de télédétection acquises à partir du satellite Sentinel 2 et desindices de végétation (VIS). Nous avons tout d’abord extrait trois indices de végétation, à savoir l’indice de végétation par différence normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des principaux algorithmes d’apprentissage automatique pour effectuer la classificationarbres de décision (DT), les forêts aléatoires (RF), les machines à vecteurs de support (SVM) en plus du réseau de neurons (DNN). Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu la meilleure précision dans la classification des arbres morts, atteignant une précision de 0,73. Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0755	MAI/0755	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Machine Learning for crop yield forecasting / Khaled, Abdennour  

Public ISBD Titre : Machine Learning for crop yield forecasting Type de document : texte imprimé Auteurs : Khaled, Abdennour, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (45 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : blablaAtteindre la sécurité alimentaire est l’un des principaux objectifs du gouvernement Algérien. La demande alimentaire mondiale augmente avec l’augmentation de la population ce qui aura un impact sur les prix et la disponibilité des aliments. La prévision du rendement des cultures peut aider à résoudre le problème de l’approvisionnement alimentaire. En étant capable de prédire le rendement des cultures pendant la saison de croissance, l’importation et l’exportation peuvent être planifiées, et l’assistance alimentaire humanitaire peut être organisée. Le rendement des cultures peut être prédit grâce à l’utilisation d’enquêtes manuelles, de modèles de simulation de cultures ou de données de télédétection. L’enquête manuelle est la méthode traditionnelle de prévision du rendement des cultures qui nécessite des informations de terrain sur les cultures, par exemple, le comptage et l’évaluation des plantes et leur état de santé, etc. Les enquêtes manuelles sont coûteuses et difficiles à mettre à l’échelle. La télédétection (RS) pour la prédiction du rendement des cultures a été largement utilisée au cours des dernières décennies, elle est définie comme la science d’observer un objet sans le toucher [3]. Les données RS peuvent être collectées à partir de satellites, de drones ou même de simples caméras. RS a la capacité de fournir des outils de prévision de rendement plus abordables car un nombre important d’images RS est disponible gratuitement. De nos jours, les images RS sont utilisées pour extraire des indices de végétation tels que l’indice de végétation par différence normalisée (NDVI) et l’indice de végétation amélioré (EVI), etc., qui sont ensuite utilisés pour la prévision du rendement des cultures. Récemment, les chercheurs ont commencé à appliquer des techniques d’apprentissage automatique (ML) aux données spatiales en plus des données météorologiques traditionnelles et des propriétés du sol..., pour la prévision du rendement des cultures. Ces méthodes ont conduit à une amélioration globale de la précision des prédictions. Après l’émergence de modèles d’apprentissage en profondeur, les chercheurs se tournent vers ces techniques de prédiction de rendement telles que le réseau neuronal convolutif (CNN) et la mémoire à long terme (LSTM), où elles fonctionnent bien. Côte titre : MAI/0557 En ligne : https://drive.google.com/file/d/1ncQ9zIowqfVffc2IsX8Z9o57H1149ZLn/view?usp=shari [...] Format de la ressource électronique : pdf Machine Learning for crop yield forecasting [texte imprimé] / Khaled, Abdennour, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2021 . - 1 vol (45 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : blablaAtteindre la sécurité alimentaire est l’un des principaux objectifs du gouvernement Algérien. La demande alimentaire mondiale augmente avec l’augmentation de la population ce qui aura un impact sur les prix et la disponibilité des aliments. La prévision du rendement des cultures peut aider à résoudre le problème de l’approvisionnement alimentaire. En étant capable de prédire le rendement des cultures pendant la saison de croissance, l’importation et l’exportation peuvent être planifiées, et l’assistance alimentaire humanitaire peut être organisée. Le rendement des cultures peut être prédit grâce à l’utilisation d’enquêtes manuelles, de modèles de simulation de cultures ou de données de télédétection. L’enquête manuelle est la méthode traditionnelle de prévision du rendement des cultures qui nécessite des informations de terrain sur les cultures, par exemple, le comptage et l’évaluation des plantes et leur état de santé, etc. Les enquêtes manuelles sont coûteuses et difficiles à mettre à l’échelle. La télédétection (RS) pour la prédiction du rendement des cultures a été largement utilisée au cours des dernières décennies, elle est définie comme la science d’observer un objet sans le toucher [3]. Les données RS peuvent être collectées à partir de satellites, de drones ou même de simples caméras. RS a la capacité de fournir des outils de prévision de rendement plus abordables car un nombre important d’images RS est disponible gratuitement. De nos jours, les images RS sont utilisées pour extraire des indices de végétation tels que l’indice de végétation par différence normalisée (NDVI) et l’indice de végétation amélioré (EVI), etc., qui sont ensuite utilisés pour la prévision du rendement des cultures. Récemment, les chercheurs ont commencé à appliquer des techniques d’apprentissage automatique (ML) aux données spatiales en plus des données météorologiques traditionnelles et des propriétés du sol..., pour la prévision du rendement des cultures. Ces méthodes ont conduit à une amélioration globale de la précision des prédictions. Après l’émergence de modèles d’apprentissage en profondeur, les chercheurs se tournent vers ces techniques de prédiction de rendement telles que le réseau neuronal convolutif (CNN) et la mémoire à long terme (LSTM), où elles fonctionnent bien. Côte titre : MAI/0557 En ligne : https://drive.google.com/file/d/1ncQ9zIowqfVffc2IsX8Z9o57H1149ZLn/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0557	MAI/0557	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Machine Learning in Forestry using Remote Sensing Data study case / Yousra Belayat  

Public ISBD Titre : Machine Learning in Forestry using Remote Sensing Data study case : Classification of Forest Species Type de document : texte imprimé Auteurs : Yousra Belayat, Auteur ; Yasmina Saker, Auteur ; Nabila Chergui, Directeur de thèse Année de publication : 2022 Importance : 1 vol (35 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Forest species classification Machine Learning Index. décimale : 004 Informatique Résumé : The importance of forests cannot be understated. From the timber we use for building to the air we breathe, forests are essential to our capacity to thrive. Machine learning has been extensively used in forestry for many issues where forest tree species classification is one of the most significant applications. It aims to categorise trees into groups; genera or families. Besides, this task can widely benefit from the emergence of Remote Sensing (RS) images that can remotely capture the status of forests and facilitate their management. The integration of RS with ML can take the classification of forest tree species to another level of precision and easiness and allow the extraction of new insights. This thesis aimed at classifying forest tree species based on remote sensing images acquired from Sentinel-2 satellite and Vegetation Indices (VIs). We first extracted three VIs, the Normalised Difference Vegetation Index (NDVI), the Enhanced Vegetation Index (EVI) and the Atmospherically Resistant Vegetation Index (ARVI). Next, we selected three major Machine Learning (ML) classification algorithms to perform the classification, Decision Tree (DT), RandomForest (RF) and Support Vector Machine (SVM). Then, we compared their performances based on four evaluation metrics; precision, recall, F-score and accuracy. As results, the RF outperformed the other algorithms with an accuracy of 0.76, precision = 0.71, Recall = 0.72 and F-score = 0.71. Côte titre : MAI/0681 En ligne : https://drive.google.com/file/d/10L8qXxREIWDvneI9KO7vPytTtjrsDGFL/view?usp=share [...] Format de la ressource électronique : pdf Machine Learning in Forestry using Remote Sensing Data study case : Classification of Forest Species [texte imprimé] / Yousra Belayat, Auteur ; Yasmina Saker, Auteur ; Nabila Chergui, Directeur de thèse . - 2022 . - 1 vol (35 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Forest species classification Machine Learning Index. décimale : 004 Informatique Résumé : The importance of forests cannot be understated. From the timber we use for building to the air we breathe, forests are essential to our capacity to thrive. Machine learning has been extensively used in forestry for many issues where forest tree species classification is one of the most significant applications. It aims to categorise trees into groups; genera or families. Besides, this task can widely benefit from the emergence of Remote Sensing (RS) images that can remotely capture the status of forests and facilitate their management. The integration of RS with ML can take the classification of forest tree species to another level of precision and easiness and allow the extraction of new insights. This thesis aimed at classifying forest tree species based on remote sensing images acquired from Sentinel-2 satellite and Vegetation Indices (VIs). We first extracted three VIs, the Normalised Difference Vegetation Index (NDVI), the Enhanced Vegetation Index (EVI) and the Atmospherically Resistant Vegetation Index (ARVI). Next, we selected three major Machine Learning (ML) classification algorithms to perform the classification, Decision Tree (DT), RandomForest (RF) and Support Vector Machine (SVM). Then, we compared their performances based on four evaluation metrics; precision, recall, F-score and accuracy. As results, the RF outperformed the other algorithms with an accuracy of 0.76, precision = 0.71, Recall = 0.72 and F-score = 0.71. Côte titre : MAI/0681 En ligne : https://drive.google.com/file/d/10L8qXxREIWDvneI9KO7vPytTtjrsDGFL/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0681	MAI/0681	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 3 / 3)