[PDF] Développement dune boîte à outils pour comprendre et prédire la

View - Download Développement dune boîte à outils pour comprendre et prédire la

Previous PDF

Next PDF

Remerciements

Table des matières

TABLE DES MATIERES

TABLE DES MATIERES

Table des illustrations

INTRODUCTION GENERALE

CHAPITRE I

CHAPITRE II

CHAPITRE III

CHAPITRE IV

CONCLUSION GENERALE

Liste des tableaux

CHAPITRE II

CHAPITRE III

Introduction générale :

Les macrophytes aquatiques : de la

biologie des espèces à la structuration des communautés

INTRODUCTION GENERALE

A. LES MACROPHYTES DANS LES HYDROSYSTEMES

1. Biologie et adaptation des macrophytes submergés aux conditions environnementales

1.1. Définition et classification des macrophytes

1.2. Diversité des types biologiques chez les macrophytes

Figure 1. Les diff ér en ts types biologiques de macrophy tes : (A) Hélophytes ; (B) Amphiphytes ; (C)

Hydrophytes ; (1) Hydrophytes fixés à feui lles flottantes ; (2) Hydrophytes fixés submerg és ; (3)

INTRODUCTION GENERALE

Au niveau morphologique :

Au niveau physiologique :

Figure 2. Schéma c onceptuel de la multiplic ation végé tative chez les macroph ytes submergés : (A)

Multiplication par fragm entation de tiges : l'expansion latérale est li mitée par la vi tesse d' écoulement

élevée adjacente au patch (flèche longue) ; (B) Multiplication par expansion latérale (organes de réserve)

des zon es végétalisée s et établissement de nouv eaux patchs par grain es (ou au tres diaspores) ; (C)

INTRODUCTION GENERALE

Figure 3. Schéma simplifié des voies d'assimilation du carbone lors de la photosynthèse, pour différents

types de métabolisme : C3, C4 et CAM (Crassulacean Acid Metabolism).

2. Rôles des macrophytes au sein des écosystèmes aquatiques

2.1. Importance fonctionnelle des végétaux aquatiques

INTRODUCTION GENERALE

Figure 5. Modèle conceptuel des effets directs et indirects des macrophytes sur le mouvement de al. (2001).

2.1.3. Effets sur les biocénoses

INTRODUCTION GENERALE

2.2. Impacts des forts développements des végétaux aquatiques submergés

B. DETERMINISME MULTIFACTORIEL DES ASSEMBLAGES DE MACROPHYTES SUBMERGES

DANS L'

INTRODUCTION GENERALE

1. Facteurs physiques

1.1. Lumière

1.2. Température

INTRODUCTION GENERALE

1.3. Hydromorphologie

1.3.1. Hydrodynamique

Figure 7. Modèle d'interactions réciproques entre la str ucture de la vég étation, l'écoulement de l'eau et la dynam ique sédimentaire. Les fl èches grises indiquent la contribution de la végétation au p rocessus de morp hogenè se (érosion, transport et dépôt des sédiments). La végétation modifie la vites se d'é coulement, l a profondeur d'écoulement et le rég ime d' écoulement et e lle contrôle également la cohésion des sédiments par ses racines (Source : Corenblit et al., 2007).

INTRODUCTION GENERALE

1.3.2. Substrat

2. Facteurs chimiques

2.1. Carbone

2.2. Nutriments

INTRODUCTION GENERALE

3. Facteurs biotiques

3.1. Interactions au sein des macrophytes

INTRODUCTION GENERALE

3.3. Altérations anthropogéniques

INTRODUCTION GENERALE

C. DEMETHER, UNE BOITE A OUTILS POUR APPREHENDER LA DYNAMIQUE SPATIALE ET

TEMPORELLE DES HERBIERS DES MILIEUX FLUVIAUX

1. Genèse et présentation générale du projet

INTRODUCTION GENERALE

2. Présentation de la boîte à outils et implication de mes travaux de recherche

2.1. Modèle mécaniste multispécifique de la biomasse submergée

Figure 8. Schéma conce ptuel du mo dèle mécaniste de végétation aquatique submer gée du projet

2D.

2.2. Outils expérimentaux et numériques pour le développement du modèle

INTRODUCTION GENERALE

D. ORGANISATION DU MEMOIRE DE THESE

Figure 9. Schéma de la boîte à outils et de son articulation avec le modèle DEMETHER permettant de prédire

ů'évolution spatiale et temporelle de la biomasse submergée des différentes espèces. Les encadrés rouges

marquent les tâches réalisées dans le cadre de ce travail de thèse.

INTRODUCTION GENERALE

Chapitre I :

La Garonne moyenne et ses

espèces de macrophytes

DEMETHER

La Garonne moyenne et ses

espèces de macrophytes

AVANT-PROPOS

CHAPITRE I

A. ͕'

Figure 1. Carte du bassin hydrograpique (zone bleutée) de la Garonne (Source : SMEAG). Figure 2. Diagramme ombrother mique à Toulouse (Source : www.climate-data.org). (2014).

CHAPITRE I

B. DEFINITION DE LA ZONE 'ETUDE ET DES ESPECES DU PROJET DEMETHER www.geoportail.gouv.fr). A B 1 km 100 m Bras mort Limite aval

Limite amont

CHAPITRE I

1.2. Hydromorphologie

Figure 5. Relevés de

bathymétrie à Seilh à

Figure 6. Carte de profondeur à Seilh

(mesures effectuées le 9 mars 2018). 100 m

Figure 7. Photographies aériennes (prises par drone en septembre 2017) du site d'étude. (A) Missions

d'acquisition d'images. Chaque point fait référence à une prise de vue, chaque couleur correspond à une

mission; (B) Exemple d'une photographie aérienne prise à 30 m de hauteur au-dessus des herbiers de

macrophytes plurispécifiques ; (C) Fragment d'orthomosaïque du site.

CHAPITRE I

1.3. Ripisylve et disponibilité de la lumière

Figure 8. Cartographie du substrat sur le site de Se ilh (résolution spatiale : 50 cm). Cette carte a été réalisée sur la du site, prise le 21 septembre 2017.

Développement faible

Développement modéré

Développement important Ripisylve

2. Espèces macrophytiques du modèle DEMETHER

Figure 9. Cartographies de la ripisylve : (A) Relevés télémétriques ; (B) Représentation de la ripisylve par

" faible », " modéré » et " important » de la ripisylve correspondent aux gammes de hauteurs de la forêt

CHAPITRE I

Figure 10. Cartographie du recouvrement total des macrophytes observé à Seil h en septembre 2017 (résolution spatiale : 3 m ). Cette carte a été réal isée sur la base de l a pho tointerprétation

2.1. Myriophyllum spicatum L. (1753)

CHAPITRE I

2.2. Ranunculus fluitans Lam. (1779)

Figure 12. Ranunculus fluitans : (A) Herbiers en fleurs à Seilh ; (B) Touffes ; (C) Fleurs à la surface (Source :

Espel, 2017) ; (D) Architecture des touffes de renoncule (Source : www.i-flora.com).

C. CONCLUSION

Chapitre II :

Développer des algorithmes de

machine learning pour cartographier automatiquement la végétation submergée par télédétection Vers une étude spatiale et temporelle des herbiers de la Garonne pour la calibration du modèle DEMETHER

Développer des algorithmes de

machine learning pour cartographier automatiquement la végétation submergée par télédétection

AVANT-PROPOS

CHAPITRE II

A. INTRODUCTION

1. Suivi des macrophytes

1.1. Méthodes directes : relevés in situ

1.2. Méthodes subaquatiques

1.3. Méthodes aériennes et satellites

CHAPITRE II

CHAPITRE II

Tableau 1. Synthèse des approches de cartographie automatique de la végétation aquatique submergée par télédétection.

Type de

capteur Nom du capteur Références Milieu Résolution spatiale (m) Spectre Nombre de bandes Coût (US $/km²) Traitement d'images Algorithmes utilisés

Aéroporté Airborne

Thematic

Mapper Malthus et George, 1997 Lac artificiel 2 Multispectral 10 Mission spécifique Classification Analyse discriminante linéaire

AISA Lu et Cho, 2011;

'Ğŝůůet Costa, 2013 Ecosystème côtier 2 Hyperspectral >200 Mission spécifique Classification /Régression Régression linéaire APEX Bolpagni et al., 2014 Lac 5 Hyperspectral 98 Mission spécifique Classification Mahalanobis distance classification

CASI Mumby et al., 1997;

Phinn et al., 2008;

Hunter et al., 2010;

Kotta et al., 2013 Lac/Océan

/Ecosystème côtier 1 à 4 Hyperspectral /Multispectral 8 à 25 Mission spécifique Classification /Régression Euclidean minimum distance (EMD);

Gaussian maximum likelihood

(GML);

Support Vector Machines (SVM) ;

Minimum-distance- to-means

classification ;

Boosted regression tree ;

Régression linéaire

CASI2 Becker et al., 2007 Zone humide 2 Hyperspectral 288 Mission spécifique Classification Spectral Angle Mapper (SAM) CIR Valta-Hulkkonen et al., 2005 Lac 0,5 Multispectral 4 Mission spécifique Classification Maximum Likelihood

Classification (MLC)

UAV + Go Pro Hero 3 Flynn et Chapra, 2014 Rivière 0,25 Multispectral 3 Mission spécifique Classification Spectral Angle Mapper (SAM)

HYMAP Williams et al., 2003;

Underwood et al., 2006;

Hestir et al., 2008 Delta/Rivière 3 Hyperspectral 128 Mission spécifique Classification Decision tree

Spectral feature fitting (SFF)

Photographie

aérienne Valta-Hulkkonen et al., 2003,

2004 Lac 1,56 Multispectral -- Mission

spécifique Classification Maximum Likelihood

Classification (MLC)

CHAPITRE II

Type de

capteur Nom du capteur Références Milieu Résolution spatiale (m) Spectre Nombre de bandes Coût (US $/km²) Traitement d'images Algorithmes utilisés

Satellite ALOS AVNIR2 Jiang et al., 2012;

Villa et al., 2015 Lac 10 Multispectral 4 Gratuit Classification Classification Tree (CT)

EO-1 ALI/

Hyperion Pu et al., 2012 Ecosystème

côtier 10 à 30 Multispectral /Hyperspectral 10 à 220 -- Classification /Régression Maximum Likelihood

Classification (MLC) ;

Régression linéaire multiple

HJ-1A et HJ1B Luo et al., 2017 Lac 30 Multispectral 4 Classification Classification Tree (CT)

IKONOS Maeder et al., 2002;

'Ğŝůůet Costa, 2013 Ecosystème côtier /Réservoir 4 4

1 Multispectral 4 5 à 15 Classification

/Régression Maximum Likelihood

Classification (MLC) ;

K-Nearest Neighors (K-NN) ;

Minimum-distance-to-means

classification ;

Régression linéaire

IRS P6, LISS-3 Ma et al., 2008 Lac -- Multispectral -- -- Classification Decision tree Landsat Ackleson et Klemas, 1987 Bai 30 Multispectral 5 à 7 Gratuit Classification CLUSTER Landsat-8 Villa et al., 2015 Lac 30 Multispectral 8 Gratuit Classification Classification Tree (CT)

Landsat ETM+ Baker et al., 2006;

MacAlister et Mahaxay, 2009;

Zhao et al., 2011, 2012, 2013 Zones

humides /Lac 30 Multispectral 5 à 7 Gratuit Classification Decision tree ;

Maximum Likelihood

Classification (MLC)

Landsat TM Luczkovich et al., 1993;

Mumby et al., 1997;

Zhao et al., 2013 Ecosystème

côtier 30 Multispectral 5 Gratuit Classification Régression linéaire

Landsat-5 TM Dekker et al., 2005;

Nelson et al., 2006;

Phinn et al., 2008;

Roelfsema et al., 2009;

Pu et al., 2012;

Shuchman et al., 2013;

Brooks et al., 2015;

Oyama et al., 2015;

Villa et al., 2018 Lac

/Ecosystème côtier 30 Multispectral 5 Gratuit Classification /Régression Régression logistique ;

Minimum-distance-to-means

classification

Type de

capteur Nom du capteur Références Milieu Résolution spatiale (m) Spectre Nombre de bandes Coût (US $/km²) Traitement d'images Algorithmes utilisés

Satellite Landsat-7 TM Dekker et al., 2005;

Schweizer et al., 2005;

côtier 30 Multispectral 7 Gratuit Classification /Régression Maximum Likelihood

Classification (MLC) ; Distance

based methods (Minimum

Distance, Spectral Angle Mapper

(SAM))

Régression linéaire simple

MODIS Liu et al., 2015 Lac 250 Multispectral 2 à 9 Gratuit Classification --

Quickbird Wolter et al., 2005;

Phinn et al., 2008;

Yuan et Zhang, 2008;

Dogan et al., 2009;

Heblinski et al., 2011 Lac

/Ecosystème côtier 2,44 Multispectral 4 5 à 15 Classification K-means unsupervised classification

Régression linéaire

Sentinel-2 Traganos et al., 2018;

Villa et al., 2018 Lac

/Ecosystème côtier 10 Multispectral 8 à 13 Gratuit Classification /Régression Régression linéaire ;

Support Vector Machine (SVM)

Random Forest (RF) ;

CART

SPOT XS Mumby et al., 1997 Ecosystème

côtier 10 Multispectral 3 1,1 Régression Régression linéaire

SPOT 5

Jensen et al., 1993;

Lieutaud et Puech, 1996;

Pasqualini et al., 2005;

Davranche et al., 2010;

Schmidt et Witte, 2010; Villa

et al., 2018 Milieu lagunaire /Etang /Bai/Lac /Rivière 2,5 à 10 Multispectral 3 à 4 1,1 Classification Classification Tree (CT) ;

Maximum Likelihood

Classification (MLC) ;

Analyse en composantes

principales (ACP) ;

Spectral Angle Mapper (SAM)

WORLDVIEW-2

Shuchman et al., 2013;

Carle et al., 2014;

Robertson et al., 2015;

Whiteside et Bartolo, 2015 Zone

humide/Lac 2 Multispectral 8 30 Classification Maximum Likelihood

Classification (MLC) ;

Decision Tree

CHAPITRE II

B. MATERIELS ET METHODES

Figure 1. Schéma des principales étapes pour le développement de notre méthode de cartographie automatique de la

biomasse aérienne de la végétation aquatique submergée et de son proxy, le recouvrement total. A

E B D C G F H

CHAPITRE II

1. Acquisition de données

1.1. Relevés terrain de recouvrement

0-1 % 16 (30 %) 359 (40 %)

1-10 % 6 (11 %) 65 (7 %)

11-25 % 7 (12 %) 99 (11 %)

26-50 % 12 (21 %) 160 (18 %)

51-75 % 10 (18 %) 100 (11 %)

>75 % 4 (7 %) 97 (11 %)

Figure 2. Protocole d'échantillonnage du recouvrement de la végétation aquatique submergée sur le site

(A) Localisation des 55 placettes d'échantillonnage sur le site. Les points rouges correspondent aux 55

placettes échantillonnées sur le terrain.

correspondent aux 16 quadrats (Q) de 0,75 m de côté. Le point vert symbolise la position de la placette

relevée avec le GPS RTK. Q 3 m

B A Aval

Amont 0,75 mXY

CHAPITRE II

Space). Toulouse Seilh

A B 100 m 2 km

2. Modélisation du recouvrement par machine learning et cartographie

2.1. Définition des variables prédictives : influence des bandes spectrales

où PIR correspond à la bande du proche-infrarouge, R à la bande du rouge et V à la bande du vert.

CHAPITRE II

2.3.1. Apprentissage et paramétrisation des algorithmes

*Overfitting et underfitting d'entrainement et sur le sous-ensemble de validation (ou sous-ensemble de test pour un petit jeu de données) sont tracées en fonction du ou des hyperparamètres testés :

overfitting : le mod èle a été trop bie n aju sté aux points d e donnée s spécifiqu es d e l'ensembl e

d'apprentissage, et sa fonction prédictive se généralise mal.

Si les deu x erreurs so nt élevées, il y a underfitting : le mod èle pré dictif généré lors de la phase

CHAPITRE II

2.3.2. Optimisation des hyperparamètres

Le Random Forest :

Le Su pport Vector Reg ression :

Figure 5. Structure du Random Forest, appli qué en www.towardsdatascience.com.

Figure 6. Illustr ation du

Support Vector Re gression. C

représente la fonction de coût, www.saedsayad.com.

CHAPITRE II

Le K-Nearest Neighbors :

algorithme K-Nearest Neighbors, ap pliqué en

2.4. Cartographies de recouvrement prédit et sélection du meilleur modèle de régression

2.4.1. Evaluation de la performance des modèles

2.4.2. Evaluation des résultats cartographiques de recouvrement prédit

3. Estimation de la biomasse à partir du recouvrement prédit

CHAPITRE II

Avec X le recouvrement total (%) et Y la densité de biomasse aérienne toutes espèces confondues (gMS.m-2).

C. RESULTATS

1. Modélisation du recouvrement par machine learning et cartographie

1.1. Quelles données spectrales ?

CHAPITRE II

1.2. Existe-t-il un meilleur algorithme ?

Algorithme Données

(m de côté) Nombre recouvrement prédit (%) R² RMSE

Random Forest RVB PIR

0,75 880 100,00 0,71 20,30

Support Vector

Regression RVB

0,75 880 100,00 0,74 19,40

RVB PIR

0,75 880 100,00 0,67 21,29

K-Nearest

Neighbors RVB

0,75 880 91,55 0,74 19,61

A B C

Figure 8. Cartographie du recouvrement total (%) prédit par les 3 algorithmes de machine learning pour deux jeux de

données multispe ctrales. (A) Random Forest ; (B) Support Vecto r Regr ession ; (C) K-Nearest Neig hbors ; " RVB »

représentele " dataset 0 » avec les bandes du rouge, vert et du bleu et " RVB PIR » le " dataset 1 » avec les mêmes

bandes du visible et celle du proche-infrarouge. 55P correspond aux 55 placettes (entités de 3 m de côté), et 880Q aux

880 quadrats (entités de 0,75 m de côté).

CHAPITRE II

Random Forest ; (B) Support Vector Regression ; (C) K-Nearest Neighbors ; (1) 55 placettes ; (2) 880 quadrats. La droite rouge représente un modèle linéaire avec lequel le recouvrement serait

parfaitement prédit. RVB représente les bandes du rouge, vert et du bleu, respectivement et PIR, le proche-infrarouge.

Figure 10. Comparaison des erreurs moyennes de prédiction des modèles (RMSE), selon le jeu de données spectrales,

Forest ; (B) Support Vector Regression ; (C) K-Nearest Neighbors. Les DataSetX correspondent aux 4 jeux de données

CHAPITRE II

Figure 11. Cartographie des différences entre recouvrements prédits et observés pour les 3 algorithmes de machine

learning et deux jeux d e do nnées spectrales. (A) Random Forest ; (B) Sup port Vector Regressio n ; (C) K-Nearest

Neighbors ; " RVB » représente le " dataset 0 » avec les bandes du rouge, vert et du bleu et " RVB PIR » le " dataset 1 »

avec les mêmes bandes du visible et celle du proche-infrarouge. 55P correspond aux 55 placettes (entités de 3 m de

côté), et 880Q aux 880 quadrats (entités de 0,75 m de côté). Les zones vertes (différences positives) représentent une

surprédiction du recouvrement alors que les zones rouge (différences négatives) montrent une sous prédiction. C B A

2.1. Effet de la taille des entités échantillonnées

CHAPITRE II

Regression ; (C) K-Nearest Neighbors ; " RVB » représentele "dataset 0» avec les bandes du rouge, vert et du bleu et " RVB PIR » le "dataset 1» avec les mêmes bandes du visible et celle

du proche-infrarouge.

Random Forest (A) ; (B) Support Vector Regression ; (C) K-Nearest Neighbors ; " RVB » représentele "dataset 0» avec les bandes du rouge, vert et du bleu et " RVB PIR » le "dataset 1»

avec les mêmes bandes du visible et celle du proche-infrarouge. Les zones vertes (différences positives) représentent une surprédiction du recouvrement alors que les zones rouge

(différences négatives) montrent une sous prédiction.

CHAPITRE II

Figure 14. Evolution de la RMSE (%) en fonction du nombre de quadrats pour des modèles développés par

le Random Forest. " RVB » représentele "dataset 0» avec les bandes du rouge, vert et du bleu et " RVB

PIR » le "dataset 1» avec les mêmes bandes du visible et celle du proche-infrarouge.

3. Estimation de la biomasse à partir du recouvrement

Avec X le recouvrement total (%) et Y la densité de biomasse aérienne toutes espèces confondues (gMS.m-2). Figure 15. Résultats du meilleur modèle de régression sélectionné : le modèle est issu du Random Forest,

basé sur le " dataset 1 » (RVB PIR) et 880 quadrats, comparés à la cartographie de recouvrement observé

(cf. Chapitre I). (A) Carte de recouvrement observé en septembre 2017 ; (B) Carte du recouvrement prédit

en septembre 2017 par le RF ; (C) Recouvrement prédit en fonction du recouvrement observé au sein des

quadrats ; (D) Carte des différences entre recouvrements prédits et observés. Figure 16. Modélisation de la densité de biomasse aérienne de mac rophytes submergés en fonc tion de leu r

CHAPITRE II

3.2. Cartographie spatiale de biomasse aérienne

D. DISCUSSION

Figure 17. Cartog raphi e de la biomasse

aérienne toutes espè ces confondues enquotesdbs_dbs23.pdfusesText_29

[PDF] Architecture des ordinateurs - Université Bordeaux I

[PDF] Fonctionnement d 'un ordinateur depuis zéro - Free

[PDF] Architecture des ordinateurs - Université Bordeaux I

[PDF] ARCHITECTURE DES SYSTÈMES INFORMATIQUES 1 - Lirmm

[PDF] GPRS : Principes et Architecture - Efort

[PDF] Architecture des Réseaux

[PDF] Qualification d architectures fonctionnelles - Verimag

[PDF] Définition d 'une architecture fonctionnelle pour le système d

[PDF] L architecture des premières maisons européennes d Alger, 1830

[PDF] L Art de l Islam: XIVème exposition itinérante de - unesdoc - Unesco

[PDF] Architecture Logicielle - Deptinfo

[PDF] Architecture logicielle - mbf i3s

[PDF] Architecture logicielle - mbf i3s

[PDF] Architecture logicielle MVC - LIG Membres

[PDF] 1 Architecture traditionnelle et réhabilitation au Maroc - RehabiMed