東華大學圖書館 |

Language: English

Help

回圖書館首頁

手機版館藏查詢

Back

Switch To: Labeled | MARC Mode | ISBD

Estimation du Debit en Riviere a L'a...

Ziadi, Samar,

Linked to FindBook

Google Book

Amazon

博客來

Estimation du Debit en Riviere a L'aide de L'imagerie Radarsat en Utilisant L'apprentissage Profond = = River Flow Estimation Using Radarsat Imagery Using Deep Learning /

Record Type:	Electronic resources : Monograph/item
Title/Author:	Estimation du Debit en Riviere a L'aide de L'imagerie Radarsat en Utilisant L'apprentissage Profond =/ Samar Ziadi.
Reminder of title:	River Flow Estimation Using Radarsat Imagery Using Deep Learning /
Author:	Ziadi, Samar,
Description:	1 electronic resource (99 pages)
Notes:	Source: Masters Abstracts International, Volume: 86-05.
Contained By:	Masters Abstracts International86-05.
Subject:	Deep learning. -
Online resource:	https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=31682775
ISBN:	9798342782708

Estimation du Debit en Riviere a L'aide de L'imagerie Radarsat en Utilisant L'apprentissage Profond = = River Flow Estimation Using Radarsat Imagery Using Deep Learning /
Ziadi, Samar,

Estimation du Debit en Riviere a L'aide de L'imagerie Radarsat en Utilisant L'apprentissage Profond =River Flow Estimation Using Radarsat Imagery Using Deep Learning /Samar Ziadi. - 1 electronic resource (99 pages)

Source: Masters Abstracts International, Volume: 86-05.

L'estimation du debit en rivieres est un parametre cle pour la gestion des ressources hydriques, la prevention des risques lies aux inondations et la planification des equipements hydroelectriques. Lorsque le debit d'eau est tres eleve lors d'evenements extremes, les methodes de jaugeage traditionnelles ne peuvent pas etre utilisees. De plus, les stations du reseau hydrometrique sont generalement eparses et leur repartition spatiale n'est pas optimale. Par consequent, de nombreuses sections de rivieres ne peuvent etre suivies par des mesures et observations du debit. Pour ces raisons, pendant la derniere decennie, les capteurs satellitaires ont ete consideres comme une source d'observation complementaire aux observations traditionnelles du niveau d'eau et du debit en rivieres. L'utilisation d'une telle approche a fourni un moyen de maintenir et d'etendre le reseau d'observation hydrometrique.L'approche avec teledetection permet d'estimer le debit a partir des courbes de tarage qui met en relation le debit instantane (Q) et la geometrie d'une section transversale du chenal (la largeur ou la profondeur effective de la surface d'eau). En revanche, cette methode est associee a des limitations, notamment, sa dependance aux courbes de tarage. En effet, en raison de leurs natures empiriques, les courbes de tarage sont limitees a des sections specifiques et ne peuvent etre appliquees dans d'autres rivieres. Recemment, des techniques d'apprentissage profond ont ete appliquees avec succes dans de nombreux domaines, y compris en hydrologie.Dans le present travail, l'approche d'apprentissage profond a ete choisie, en particulier les reseaux de neurones convolutifs (CNN), pour estimer le debit en riviere. L'objectif principal de ce travail est de developper une approche d'estimation du debit en rivieres a partir de l'imagerie RADARSAT 1&2 a l'aide de l'apprentissage profond. La zone d'etude se trouve dans l'ecozone du bouclier boreal a l'Est du Canada. Au total, 39 sites hydrographiques ont fait l'objet de cette etude. Dans le present travail, une nouvelle architecture de CNN a ete a ete proposee, elle s'adapte aux donnees utilisees et permet d'estimer le debit en riviere instantane. Ce modele donne un resultat du coefficient de determination (R²) et de Nash-Sutcliffe egale a 0.91, le resultat d'erreur quadratique moyenne egale a 33 m³ /s. Cela demontre que le modele CNN donne une solution appropriee aux problemes d'estimation du debit avec des capteurs satellites sans intervention humaine.

French

ISBN: 9798342782708Subjects--Topical Terms:

3554982
Deep learning.

Estimation du Debit en Riviere a L'aide de L'imagerie Radarsat en Utilisant L'apprentissage Profond = = River Flow Estimation Using Radarsat Imagery Using Deep Learning /
LDR:05875nmm a22003973i 4500 001 2437373
005 20251119142803.5
006 m o d
007 cr|nu||||||||
008 261011s2023 miu||||||m |||||||eng d
020 $a 9798342782708
035 $a (MiAaPQD)AAI31682775
035 $a (MiAaPQD)English
035 $a AAI31682775
040 $a MiAaPQD $b eng $c MiAaPQD $e rda
100 1 $a Ziadi, Samar, $e author. $3 3828325
245 1 0 $a Estimation du Debit en Riviere a L'aide de L'imagerie Radarsat en Utilisant L'apprentissage Profond = $b River Flow Estimation Using Radarsat Imagery Using Deep Learning / $c Samar Ziadi.
264 1 $a Ann Arbor : $b ProQuest Dissertations & Theses, $c 2023
300 $a 1 electronic resource (99 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Masters Abstracts International, Volume: 86-05.
500 $a Advisors: Chokmani, Karem.
502 $b M.S. $c Institut National de la Recherche Scientifique (Canada) $d 2023.
520 $a L'estimation du debit en rivieres est un parametre cle pour la gestion des ressources hydriques, la prevention des risques lies aux inondations et la planification des equipements hydroelectriques. Lorsque le debit d'eau est tres eleve lors d'evenements extremes, les methodes de jaugeage traditionnelles ne peuvent pas etre utilisees. De plus, les stations du reseau hydrometrique sont generalement eparses et leur repartition spatiale n'est pas optimale. Par consequent, de nombreuses sections de rivieres ne peuvent etre suivies par des mesures et observations du debit. Pour ces raisons, pendant la derniere decennie, les capteurs satellitaires ont ete consideres comme une source d'observation complementaire aux observations traditionnelles du niveau d'eau et du debit en rivieres. L'utilisation d'une telle approche a fourni un moyen de maintenir et d'etendre le reseau d'observation hydrometrique.L'approche avec teledetection permet d'estimer le debit a partir des courbes de tarage qui met en relation le debit instantane (Q) et la geometrie d'une section transversale du chenal (la largeur ou la profondeur effective de la surface d'eau). En revanche, cette methode est associee a des limitations, notamment, sa dependance aux courbes de tarage. En effet, en raison de leurs natures empiriques, les courbes de tarage sont limitees a des sections specifiques et ne peuvent etre appliquees dans d'autres rivieres. Recemment, des techniques d'apprentissage profond ont ete appliquees avec succes dans de nombreux domaines, y compris en hydrologie.Dans le present travail, l'approche d'apprentissage profond a ete choisie, en particulier les reseaux de neurones convolutifs (CNN), pour estimer le debit en riviere. L'objectif principal de ce travail est de developper une approche d'estimation du debit en rivieres a partir de l'imagerie RADARSAT 1&2 a l'aide de l'apprentissage profond. La zone d'etude se trouve dans l'ecozone du bouclier boreal a l'Est du Canada. Au total, 39 sites hydrographiques ont fait l'objet de cette etude. Dans le present travail, une nouvelle architecture de CNN a ete a ete proposee, elle s'adapte aux donnees utilisees et permet d'estimer le debit en riviere instantane. Ce modele donne un resultat du coefficient de determination (R²) et de Nash-Sutcliffe egale a 0.91, le resultat d'erreur quadratique moyenne egale a 33 m³ /s. Cela demontre que le modele CNN donne une solution appropriee aux problemes d'estimation du debit avec des capteurs satellites sans intervention humaine.
520 $a Estimating river flow is a key parameter for effective water resources management, flood risk prevention and hydroelectric facilities planning. In cases of very high flow of water or extreme events, traditional gauging methods cannot be reliable. In addition, hydrometric network stations are often sparse and their spatial distribution is not optimal. Therefore, many river sections cannot be monitored using traditional flow measurements and observations. For these reasons, satellite sensors are considered as a complementary observation source to traditional water level and flow observations in the last decades. The use of this kind of approach has provided a way to maintain and expand the hydrometric observation network.Remote sensing data can be used to estimate flow from rating curves that relate the instantaneous flow (Q) to the geometry of a channel cross-section (the effective width or depth of the water surface). On the other hand, remote sensing is also associated with limitations, notably its dependence on the rating curves. Indeed, due to their empirical nature, rating curves are limited to specific sections and cannot be applied in other rivers. Recently, deep learning techniques have been successfully applied in many fields, including hydrology.In the present work, the deep learning approach has been chosen, in particular convolutional neural networks (CNN), to estimate river flow. The main objective of this work is to develop an approach to estimate river flow from RADARSAT 1&2 imagery using deep learning. In this study, 39 hydrographic sites of the Boreal Shield ecozone in Eastern Canada were considered. A new CNN architecture was developed to provide a straightforward estimation of the instantaneous river flow rate.The achieved results demonstrated a coefficient of determination (R²) and Nash-Sutcliffe values of 0.91, and a root mean square error of 33m³ /s. This indicates the effectiveness of CNN in automatic flow estimation with satellite sensors.
546 $a French
590 $a School code: 0866
650 4 $a Deep learning. $3 3554982
650 4 $a Satellites. $3 924316
650 4 $a Radar. $3 594027
650 4 $a Stream flow. $3 3560049
650 4 $a Aerospace engineering. $3 1002622
650 4 $a Remote sensing. $3 535394
690 $a 0538
690 $a 0800
690 $a 0799
710 2 $a Institut National de la Recherche Scientifique (Canada). $b French. $e degree granting institution. $3 3828326
720 1 $a Chokmani, Karem $e degree supervisor.
773 0 $t Masters Abstracts International $g 86-05.
790 $a 0866
791 $a M.S.
792 $a 2023
856 4 0 $u https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=31682775