Gestion Des Barrages Par Remote Sensing Et Machine Learning

Show simple item record

dc.contributor.author Hassam, Ibrahim Mehdi
dc.contributor.other Bermad, Abdelmalek, Directeur de thèse
dc.contributor.other Aliane, Youcef, Directeur de thèse
dc.date.accessioned 2025-12-02T09:27:09Z
dc.date.available 2025-12-02T09:27:09Z
dc.date.issued 2025
dc.identifier.other EP01040
dc.identifier.uri http://repository.enp.edu.dz/jspui/handle/123456789/11355
dc.description Mémoire de Projet de Fin d’Études : Hydraulique:Alger, École Nationale Polytechnique : 2025 fr_FR
dc.description.abstract Les 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.iso fr fr_FR
dc.subject Barrages fr_FR
dc.subject Télédétection radar fr_FR
dc.subject Sentinel-1 fr_FR
dc.subject Machine Learning fr_FR
dc.subject XGBoost fr_FR
dc.subject Validation fr_FR
dc.subject croisée fr_FR
dc.subject Suivi hydrologique fr_FR
dc.subject Gestion des ressources en eau fr_FR
dc.subject Algérie fr_FR
dc.subject SAR fr_FR
dc.title Gestion Des Barrages Par Remote Sensing Et Machine Learning fr_FR
dc.type Thesis fr_FR


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search Repository


Advanced Search

Browse

My Account