Browsing by Author "Ait Allouche Nouara"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Détection des précipitations en utilisant un réseau de neurones MLP.
    (Université Mouloud Mammeri, 2015) Bouab Ghania; Ait Allouche Nouara; Ouallouche Fethi
    Le nord de l’Algérie possède un climat méditerranéen, régulièrement soumis à des phénomènes météorologiques violents caractérisé notamment par des pluies intenses et des vents violents [1]. Dans ce mémoire, nous avons présenté une méthode de détection de la pluie en utilisant un réseau de neurones. Ce dernier est de type perceptron multicouches. Nous avons utilisé quatre entrées qui sont (WV7.3, IR8.7, IR10.8et IR12.0.) issues du radiomètre SEVIRI du satellite MSG. Dans la phase d’apprentissage, nous avons utilisé comme sorties les classes « pluie » et« Non-pluie » issues du radar de Sétif. Le radar météorologique permet de détecter à distance les champs de précipitations et de les suivre en temps réel avec une bonne résolution dans une région de surface réduite [2]. Par contre, le satellite météorologique permet d’obtenir régulièrement des images de la partie supérieure de l’atmosphère à grande échelle dans divers canaux couvrant le spectre visible et infrarouge. Dans le cas de l’utilisation des données satellite, il n’existe pas de relation directe avec le taux de précipitations mais présente l’avantage de l’étendue de la région d’étude [3]. Les données sont collectées en deux temps. Une partie a été collectée durant la période d’Octobre 2008 à Mars 2009; elle est utilisée pour l’étalonnage de la méthode développée. La deuxième partie est enregistrée d’Octobre 2009 à Mars 2010; elle nous servira pour l’évaluation de notre technique. L’analyse des résultats montre que la méthode MLP surpasse CST sensiblement en termes de probabilité de détection des nuages pluviogènes. Par rapport à la méthode CST, la méthode MLP présente pourcentage d’erreur en termes de fausse détection et de fausses alarmes moins important. Le paramètre indice de réussite (CSI) qui dépend des scènes précipitantes montre une amélioration de l'algorithme MLP avec CSI (0,59) par rapport au CST (CSI 0,54). Tous ces résultats montrent une bonne performance de notre méthode dans l’identification des nuages précipitant