Intégration des données MODIS, Landsat et des algorithmes de fusion d'images satellitaires pour la production d'images synthétiques améliorées / Anes Abdelkader Lahmer

Public ISBD Titre : Intégration des données MODIS, Landsat et des algorithmes de fusion d'images satellitaires pour la production d'images synthétiques améliorées Type de document : document multimédia Auteurs : Anes Abdelkader Lahmer, Auteur ; Mohamed Salah Eddin Rouiba, Auteur ; Chadli Bendjedid Kadri, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département de génie civil Année de publication : 2025 Importance : 119 p Note générale : Option : Géomatique et topographie Langues : Français (fre) Mots-clés : Télédétection  Fusion d’images satellitaires  MODIS  Landsat  Algorithmes temporels  STARFM  ESTARFM  FSDAF  ELSTFM  NDVI  NDWI  Surveillance environnementale  Inondations  Agriculture de précision Résumé : Cette étude vise à intégrer les données satellites MODIS et Landsat à l’aide de quatre algorithmes temporels (STARFM, ESTARFM, FSDAF, ELSTFM) pour produire des images synthétiques haute résolution (30 mètres), combinant une fréquence temporelle élevée et une précision spatiale. L’objectif est d’améliorer la surveillance des phénomènes de surface tels que les changements agricoles et les inondations. La méthodologie a été appliquée à trois zones distinctes en Algérie (deux zones inondées et une zone agricole irriguée), avec une évaluation quantitative des résultats à l’aide d’indicateurs comme le RMSE, MAE, PSNR, R², ainsi que les indices NDVI et NDWI. Les résultats ont montré que l’algorithme ESTARFM est le plus performant dans les environnements complexes, tandis que ELSTFM est plus adapté aux zones agricoles régulières. FSDAF a donné de bons résultats dans des contextes dynamiques, alors que STARFM a montré des performances limitées. L’étude souligne l’importance de choisir l’algorithme en fonction du contexte environnemental, et met en évidence l’efficacité de la fusion MODIS-Landsat pour appuyer la surveillance environnementale, l’agriculture de précision et la gestion des risques. note de thèses : Mémoire de master en génie civil Intégration des données MODIS, Landsat et des algorithmes de fusion d'images satellitaires pour la production d'images synthétiques améliorées [document multimédia] / Anes Abdelkader Lahmer, Auteur ; Mohamed Salah Eddin Rouiba, Auteur ; Chadli Bendjedid Kadri, Directeur de thèse . - Laghouat : Université Amar Telidji - Département de génie civil, 2025 . - 119 p. Option : Géomatique et topographie Langues : Français (fre) Mots-clés : Télédétection  Fusion d’images satellitaires  MODIS  Landsat  Algorithmes temporels  STARFM  ESTARFM  FSDAF  ELSTFM  NDVI  NDWI  Surveillance environnementale  Inondations  Agriculture de précision Résumé : Cette étude vise à intégrer les données satellites MODIS et Landsat à l’aide de quatre algorithmes temporels (STARFM, ESTARFM, FSDAF, ELSTFM) pour produire des images synthétiques haute résolution (30 mètres), combinant une fréquence temporelle élevée et une précision spatiale. L’objectif est d’améliorer la surveillance des phénomènes de surface tels que les changements agricoles et les inondations. La méthodologie a été appliquée à trois zones distinctes en Algérie (deux zones inondées et une zone agricole irriguée), avec une évaluation quantitative des résultats à l’aide d’indicateurs comme le RMSE, MAE, PSNR, R², ainsi que les indices NDVI et NDWI. Les résultats ont montré que l’algorithme ESTARFM est le plus performant dans les environnements complexes, tandis que ELSTFM est plus adapté aux zones agricoles régulières. FSDAF a donné de bons résultats dans des contextes dynamiques, alors que STARFM a montré des performances limitées. L’étude souligne l’importance de choisir l’algorithme en fonction du contexte environnemental, et met en évidence l’efficacité de la fusion MODIS-Landsat pour appuyer la surveillance environnementale, l’agriculture de précision et la gestion des risques. note de thèses : Mémoire de master en génie civil

---

1 (1 - 1 / 1) Par page : 25 50 100 200