dc.contributor.author |
Ahouaou, Nesrine |
|
dc.contributor.author |
Kolla, Amira Raounak |
|
dc.contributor.other |
Chetibi, Meriem, Directeur de thèse |
|
dc.contributor.other |
Tachi, Salah Eddine, Directeur de thèse |
|
dc.contributor.other |
Alliche, Abd Malek, Directeur de thèse |
|
dc.date.accessioned |
2022-09-19T09:51:14Z |
|
dc.date.available |
2022-09-19T09:51:14Z |
|
dc.date.issued |
2022 |
|
dc.identifier.other |
EP00483 |
|
dc.identifier.uri |
http://repository.enp.edu.dz/jspui/handle/123456789/10585 |
|
dc.description |
Mémoire de Projet de Fin d’Études : Hydraulique : Alger, École Nationale Polytechnique : 2022 |
fr_FR |
dc.description.abstract |
Les inondations sont considérées comme l’un des phénomènes catastrophiques les plus destructeurs.
La susceptibilité aux inondations est définie comme la susceptibilité aux dommages causés par ce phénomène. Cependant, la prédiction précise des crues éclair reste difficile en raison de la complexité du phénomène. Par conséquent, la cartographie des zones sujettes aux inondations est d’un grand intérêt pour les scientifiques et les d´décideurs afin de réduire les effets négatifs du risque des inondations. Dans le présent travail, l’algorithme LightGBM avec ces trois boosters : DART, GOSS et GBDT ont ´et´e utilisés pour cartographier les cartes de susceptibilité aux inondations dans le bassin versant de Macta, au nord-ouest de l’Algérie. La pente, l’aspect de la pente, les précipitations, la densité des cours d’eau l’indice d’humidité topographique(TWI), l’indice de puissance des cours d’eau (SPI), la couverture végétale(NDVI), l’élévation , la courbure et l’ombrage (hillshade) sont les facteurs d’influence des inondations dans la zone ´étudiée. Ils ont été élaborés `a l’aide des systèmes d’information géographique. L’aire sous la courbe (AUC) a été utilisée pour évaluer la validité des modèles proposés. Les résultats montrent que les algorithmes d’apprentissage automatique utilisés ont donné de très bonnes performances, l’algorithme LightGBM combiné avec le booster GBDT était le modèle le plus optimal avec une valeur AUC de 0,95, suivi de LightGBM combiné avec le booster DART avec 0,94 et enfin, LightGBM combin´e avec le booster goss avec une valeur AUC de 0,88. |
fr_FR |
dc.language.iso |
fr |
fr_FR |
dc.subject |
Susceptibilité aux inondations |
fr_FR |
dc.subject |
Machine Learning |
fr_FR |
dc.subject |
LightGBM |
fr_FR |
dc.subject |
La Courbe (AUC) |
fr_FR |
dc.title |
Elaboration d’un SIG dans le cadre de la cartographie des zones sensibles aux inondations : cas du BV Macta |
fr_FR |
dc.type |
Thesis |
fr_FR |