Veuillez utiliser cette adresse pour citer ce document : http://repository.enp.edu.dz/jspui/handle/123456789/11355
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorHassam, Ibrahim Mehdi-
dc.contributor.otherBermad, Abdelmalek, Directeur de thèse-
dc.contributor.otherAliane, Youcef, Directeur de thèse-
dc.date.accessioned2025-12-02T09:27:09Z-
dc.date.available2025-12-02T09:27:09Z-
dc.date.issued2025-
dc.identifier.otherEP01040-
dc.identifier.urihttp://repository.enp.edu.dz/jspui/handle/123456789/11355-
dc.descriptionMémoire de Projet de Fin d’Études : Hydraulique:Alger, École Nationale Polytechnique : 2025fr_FR
dc.description.abstractLes barrages algériens font l’objet d’un suivi quotidien par l’ANBT avec mesures journalières de cotes, surfaces et volumes. Cependant, ces observations restent sujettes à des erreurs de saisie, des lacunes temporelles lors d’absence d’opérateurs et des difficultés d’accès pour la recherche.L’absence d’une source de mesure indépendante rend difficile la validation croisée des données d’exploitation. Cette étude développe une méthodologie innovante de suivi par télédétection radar Sentinel-1 couplée à l’apprentissage automatique XGBoost, visant à fournir des estimations précises et automatisées avec une fréquence accrue et des coûts réduits, tout en offrant une source de validation croisée pour la modernisation de la gestion des ressources en eau. La méthodologie intègre l’exploitation d’images Sentinel-1 (polarisation VV), un prétraitement sur Google Earth Engine, une extraction par seuillage adaptatif, une calibration XGBoost sur données ANBT de référence, et l’établissement de relations polynomiales surface-volume. L’application sur sept barrages de tailles variées révèle des performances remarquables pour les ouvrages de petite et moyenne taille (< 15 km2), avec des coefficients de détermination supérieurs à 0,98 et des erreurs inférieures à 3%. XGBoost améliore significativement les estimations brutes du seuillage radar (réductions d’erreur de 14% à 47%). Cependant, l’étude révèle des limites pour les très grands réservoirs. Beni Haroun (39 km2) présente des performances dégradées (R2=0,560), illustrant la nécessité d’adaptations méthodologiques spécifiques. Les résultats démontrent qu’après calibration, l’approche satellitaire fonctionner de manière autonome, offrant une source de validation croisée des mesures terrain à coût réduit. Cette recherche ouvre des perspectives pour la détection automatique d’anomalies, la reconstruction de séries temporelles continues, et contribue à la modernisation des pratiques de gestion des ressources en eau en Algérie.fr_FR
dc.language.isofrfr_FR
dc.subjectBarragesfr_FR
dc.subjectTélédétection radarfr_FR
dc.subjectSentinel-1fr_FR
dc.subjectMachine Learningfr_FR
dc.subjectXGBoostfr_FR
dc.subjectValidationfr_FR
dc.subjectcroiséefr_FR
dc.subjectSuivi hydrologiquefr_FR
dc.subjectGestion des ressources en eaufr_FR
dc.subjectAlgériefr_FR
dc.subjectSARfr_FR
dc.titleGestion Des Barrages Par Remote Sensing Et Machine Learningfr_FR
dc.typeThesisfr_FR
Collection(s) :Département Hydraulique

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
pfe.hyd.2025.HASSAM.Ibrahim.Mehdi.pdfPH0082530.93 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.