Luận Văn Thạc Sĩ Về Phân Tích Lô Bằng Phương Pháp Khai Phá Dữ Liệu Đa Thời Gian S2

Luận văn thạc sĩ VNU ứng dụng khai phá dữ liệu cho phân tích lô qua xử lý dữ liệu đa thời gian, mang lại giải pháp hiệu quả cho nghiên cứu.

• Tác giả: Kafando Rodrique
• Người hướng dẫn: Dr. Dino Ienco, Chargé De Recherche Irstea, UMR TETIS
• Trường học: Université Nationale Du Vietnam À Hanoi (UNVH) Institut Francophone International (IFI)
• Chuyên ngành: Systèmes Intelligents et Multimédia
• Đề tài: Analyse Du Parcellaire Par Traitement De Données Multi-Temporelles S2 À L’aide D’une Méthode De Fouille De Données/ Ứng Dụng Phương Pháp Khai Phá Dữ Liệu Cho Phân Tích Lô Bằng Xữ Lý Dữ Liệu Đa Thởi Gian S2
• Loại tài liệu: Mémoire De Fin D’études Du Master Informatique
• Năm xuất bản: 2018
• Địa điểm: Hanoi

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHAPITRE 1: ANALYSE DU SUJET
• 1.1. Introduction Générale
• 1.2. Contexte
• 1.3. Objectif
• 1.4. Problématique
• 1.5. Travail à réaliser
• 2. CHAPITRE 2: ÉTAT DE L’ART
• 2.1. Introduction
• 2.2. Une approche orientée graphe pour détecter la dynamique spatiotemporelle dans les séries temporelles d’images satellites
• 4. CHAPITRE 4: PRÉSENTATION DES DONNÉES ET PROTOCOLE EXPÉRIMENTAL
• 4.1. Présentation des données
• 4.1.1. Généralités sur les données de Sentinel-2 [1]
• 4.1.2. Les données utilisées
• 4.1.3. Pré-traitement des données
• 4.2. Définition des paramètres
• 4.2.1. Paramètres pour la segmentation
• 4.2.2. Paramètres pour la construction des graphes
• 4.3. Analyse des résultats
• 4.3.1. Segmentation des images
• 4.3.2. Sélection des objets de référence
• 4.3.3. Construction des graphes
• 4.3.4. Construction des cartes de chaleurs
• 4.5. Environnement matériel et outils de travail
• 4.5.2. Outils de travail
• 5. CHAPITRE 5: BILAN ET PERSPECTIVES

Tóm tắt

I. Tổng quan về Phân Tích Lô Bằng Phương Pháp Khai Phá Dữ Liệu Đa Thời Gian S2

Phân tích lô bằng phương pháp khai phá dữ liệu đa thời gian S2 là một lĩnh vực nghiên cứu quan trọng trong nông nghiệp hiện đại. Với sự phát triển của công nghệ vệ tinh, việc thu thập và phân tích dữ liệu từ các hình ảnh vệ tinh đã trở nên khả thi hơn bao giờ hết. Phương pháp này không chỉ giúp theo dõi sự thay đổi của các lô đất mà còn cung cấp thông tin quý giá cho việc quản lý nông nghiệp bền vững.

1.1. Khái niệm về dữ liệu đa thời gian và ứng dụng trong nông nghiệp

Dữ liệu đa thời gian đề cập đến việc thu thập hình ảnh vệ tinh tại nhiều thời điểm khác nhau. Điều này cho phép phân tích sự thay đổi của các lô đất theo thời gian, từ đó đưa ra các quyết định chính xác hơn trong quản lý nông nghiệp.

1.2. Lợi ích của việc sử dụng phương pháp khai phá dữ liệu trong phân tích lô

Phương pháp khai phá dữ liệu giúp phát hiện các xu hướng và mẫu trong dữ liệu, từ đó hỗ trợ việc ra quyết định nhanh chóng và hiệu quả hơn trong quản lý đất đai và sản xuất nông nghiệp.

II. Vấn đề và Thách thức trong Phân Tích Dữ Liệu Đa Thời Gian

Mặc dù có nhiều lợi ích, việc phân tích dữ liệu đa thời gian cũng gặp phải nhiều thách thức. Một trong những vấn đề lớn nhất là sự biến động của dữ liệu do điều kiện thời tiết và môi trường. Điều này có thể dẫn đến những sai lệch trong kết quả phân tích.

2.1. Khó khăn trong việc thu thập và xử lý dữ liệu

Việc thu thập dữ liệu từ vệ tinh có thể bị ảnh hưởng bởi nhiều yếu tố như thời tiết xấu, mây mù, và các yếu tố môi trường khác. Điều này làm cho việc xử lý và phân tích dữ liệu trở nên phức tạp hơn.

2.2. Thách thức trong việc áp dụng các phương pháp phân tích

Nhiều phương pháp phân tích hiện tại không thể xử lý hiệu quả các tập dữ liệu lớn và phức tạp. Cần có những cải tiến trong các thuật toán và công nghệ để giải quyết vấn đề này.

III. Phương Pháp Phân Tích Lô Bằng Dữ Liệu Đa Thời Gian S2

Phương pháp phân tích lô bằng dữ liệu đa thời gian S2 sử dụng các kỹ thuật khai phá dữ liệu để theo dõi sự thay đổi của các lô đất. Các phương pháp này bao gồm phân tích hình ảnh, phân loại và phát hiện thay đổi.

3.1. Phân tích hình ảnh vệ tinh và kỹ thuật xử lý

Phân tích hình ảnh vệ tinh là bước đầu tiên trong việc khai thác dữ liệu. Các kỹ thuật xử lý hình ảnh như lọc, phân đoạn và phân loại giúp làm rõ thông tin từ dữ liệu thu thập được.

3.2. Phát hiện thay đổi và phân loại lô đất

Phát hiện thay đổi là một phần quan trọng trong phân tích lô. Các thuật toán phân loại giúp xác định loại cây trồng và tình trạng của lô đất qua các thời điểm khác nhau.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu

Nghiên cứu về phân tích lô bằng phương pháp khai phá dữ liệu đa thời gian S2 đã cho thấy nhiều ứng dụng thực tiễn. Các kết quả nghiên cứu cho thấy khả năng theo dõi sự thay đổi của lô đất một cách chính xác và hiệu quả.

4.1. Ứng dụng trong quản lý nông nghiệp

Phân tích lô giúp nông dân theo dõi sự phát triển của cây trồng, từ đó đưa ra các quyết định kịp thời về việc tưới tiêu, bón phân và thu hoạch.

4.2. Kết quả nghiên cứu từ khu vực Kamech

Nghiên cứu tại khu vực Kamech cho thấy sự thay đổi rõ rệt trong việc sử dụng đất qua các mùa vụ, từ đó cung cấp thông tin quý giá cho các nhà quản lý nông nghiệp.

V. Kết Luận và Tương Lai của Phân Tích Lô Bằng Dữ Liệu Đa Thời Gian

Phân tích lô bằng phương pháp khai phá dữ liệu đa thời gian S2 đang mở ra nhiều cơ hội mới cho ngành nông nghiệp. Tương lai của phương pháp này hứa hẹn sẽ mang lại nhiều cải tiến trong việc quản lý và tối ưu hóa sản xuất nông nghiệp.

5.1. Triển vọng phát triển công nghệ

Công nghệ vệ tinh và khai phá dữ liệu sẽ tiếp tục phát triển, mở rộng khả năng phân tích và theo dõi lô đất một cách chính xác hơn.

5.2. Tác động đến chính sách nông nghiệp

Việc áp dụng các phương pháp phân tích hiện đại sẽ giúp các nhà hoạch định chính sách đưa ra các quyết định dựa trên dữ liệu, từ đó cải thiện hiệu quả sản xuất nông nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Giám sát biến động lớp phủ đất nông nghiệp là nhiệm vụ sống còn nhằm đảm bảo an ninh lương thực toàn cầu trong bối cảnh biến đổi khí hậu phức tạp. Nghiên cứu thực hiện phân tích chuỗi ảnh vệ tinh Sentinel-2 đa thời gian gồm 13 đợt thu nhận trải dài từ tháng 8/2016 đến tháng 7/2017 tại lưu vực Kamech, một vùng nông nghiệp trọng điểm có diện tích 2 km² tại phía Bắc Tunisia. Vấn đề cốt lõi được đặt ra là các phương pháp phân loại truyền thống thường chỉ áp dụng cho chuỗi thời gian ngắn và khó theo dõi sự tiến hóa hình thái học của các thửa đất có ranh giới thay đổi liên tục.

Mục tiêu cụ thể của luận văn là xây dựng một quy trình khai phá dữ liệu không gian - thời gian tự động dựa trên cấu trúc đồ thị định hướng để nhận diện và định lượng độ ổn định của các lô đất canh tác. Nghiên cứu khai thác ảnh vệ tinh đa phổ độ phân giải 10m với kích thước 247 × 240 pixel, tích hợp 5 kênh thông tin phổ nhằm theo dõi các đối tượng tham chiếu qua 13 mốc thời gian.

Công trình được thực hiện trong thời gian 6 tháng tại Viện Nghiên cứu Khoa học và Công nghệ Nông nghiệp và Môi trường Quốc gia Pháp (IRSTEA, nay là INRAE) thuộc đơn vị nghiên cứu hỗn hợp UMR TETIS. Kết quả thực nghiệm đã chứng minh hiệu quả vượt trội khi đạt tỷ lệ bao phủ đối tượng tham chiếu 95.2%, tỷ lệ bao phủ của đồ thị đạt 100% không gian nghiên cứu, mở ra giải pháp tự động hóa tin cậy cho công tác viễn thám nông nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu tích hợp các trụ cột lý thuyết tiên tiến trong xử lý ảnh viễn thám và cấu trúc dữ liệu:

• Phân tích ảnh hướng đối tượng (OBIA): Khác với phương pháp tiếp cận cấp độ pixel dễ bị nhiễu muối tiêu, OBIA gom cụm các pixel có tính đồng nhất về mặt phổ và không gian thành các phân vùng hình học độc lập, giúp mô tả chính xác ranh giới tự nhiên của các thửa ruộng.
• Mô hình đồ thị định hướng thời gian: Cấu trúc đồ thị nhiều lớp được thiết lập với mỗi lớp đại diện cho một thời điểm chụp ảnh vệ tinh. Các đỉnh trong đồ thị biểu diễn các phân vùng đối tượng, trong khi các cạnh có hướng kết nối các đối tượng giữa hai thời điểm liên tiếp $T$ và $T+1$ dựa trên tỷ lệ giao thoa không gian.
• Chỉ số thực vật khác biệt chuẩn hóa (NDVI): Được tính toán dựa trên kênh đỏ (B4) và kênh cận hồng ngoại (B8) theo công thức $(NIR - RED) / (NIR + RED)$, đóng vai trò phản ánh hoạt động quang hợp và sinh khối của cây trồng qua các mùa vụ với dải giá trị chuẩn từ -1 đến 1.
• Lý thuyết độ ổn định không gian và lõi đồ thị: Xác định vùng không đổi của thửa đất qua ngưỡng tần suất xuất hiện $S$ của pixel trong suốt chuỗi thời gian từ 1 đến 13 mốc quan sát.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm bao gồm 13 cảnh ảnh Sentinel-2 đã hiệu chỉnh khí quyển, độ phân giải không gian 10m, với tổng số 59.280 pixel cho mỗi cảnh ảnh. Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu toàn phần trên lưu vực Kamech, đối soát với dữ liệu thực địa gồm 14 mã phân loại lớp phủ thực tế (lúa mì, cây thức ăn gia súc, cây hàng năm, cây ăn quả, thảm thực vật tự nhiên và mặt nước).

Quy trình phân tích dữ liệu được triển khai qua các giai đoạn chặt chẽ:

1. Tiền xử lý và phân đoạn: Kết hợp 4 kênh phổ gốc (B2, B3, B4, B8) và kênh NDVI. Sử dụng thuật toán LargeScaleMeanShift trong bộ công cụ Orfeo ToolBox (OTB) với bán kính không gian $spatialr = 30$ và khoảng cách phổ $ranger = 10$, tạo ra 502 phân vùng cơ sở.
2. Lựa chọn đối tượng tham chiếu (ObjRefs): Áp dụng thuật toán tham lam (greedy selection) với ngưỡng đóng góp thông tin mới $\alpha = 0.6$ để tối ưu hóa diện tích bao phủ và giảm thiểu chồng lấn thông tin.
3. Thiết lập đồ thị tiến hóa: Kết nối các đỉnh thỏa mãn điều kiện diện tích giao thoa $\sigma_1 = 0.3$ và $\sigma_2 = 0.3$ giữa các thời điểm liên tiếp.
4. Tổng hợp bản đồ nhiệt và kiểm định thống kê: Đánh giá độ tương đồng bằng chỉ số Jaccard và thông tin tương hỗ chuẩn hóa (NMI) để đối chiếu giữa đồ thị trích xuất và hiện trạng canh tác.

Lý do lựa chọn phương pháp đồ thị kết hợp phân đoạn đối tượng là khả năng duy trì tính liên tục của dấu vết hình thái học, điều mà các thuật toán phân loại điểm ảnh độc lập không thể thực hiện khi dữ liệu có độ biến động mùa vụ cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Tối ưu hóa độ bao phủ không gian với ngưỡng tham chiếu: Khi thiết lập ngưỡng $\alpha = 0.6$, thuật toán chọn lọc được tập đối tượng tham chiếu đạt độ bao phủ không gian 95.2% toàn vùng nghiên cứu, trong khi tỷ lệ chồng lấn dư thừa giữa các đối tượng chỉ ở mức 20%. Đồ thị tiến hóa xây dựng từ tập đối tượng này đạt tỷ lệ bao phủ tuyệt đối 100% diện tích lưu vực, loại bỏ hoàn toàn hiện tượng lỗ hổng dữ liệu.
• Độ ổn định vượt trội của nhóm cây trồng hàng năm: Phân tích bản đồ nhiệt cho thấy 68% tổng số pixel thuộc các lô canh tác cây hàng năm đạt tần suất xuất hiện cực đại 13/13 lần trong chuỗi thời gian. Tổng cộng có tới 72.6% pixel nhóm này duy trì tần suất xuất hiện ổn định ở mức từ 12 đến 13 lần.
• Tính biến động cao của diện tích trồng lúa mì và cây thức ăn gia súc: Ngược lại với cây hàng năm, các thửa đất trồng cây thức ăn gia súc có sự phân hóa mạnh với hai đỉnh tần suất tại $S = 10$ (chiếm 11%) và $S = 13$ (chiếm 11.5%). Đối với cây lúa mì, tỷ lệ pixel đạt độ ổn định tuyệt đối $S = 13$ chỉ đạt khoảng 20%, phản ánh sự thay đổi nhanh chóng của bề mặt đất giữa các giai đoạn gieo hạt, phát triển sinh khối và thu hoạch.
• Độ nhạy của tham số phân đoạn phổ: Khi tăng ngưỡng khoảng cách phổ từ $ranger = 10$ lên $ranger = 40$ với cùng bán kính không gian $spatialr = 30$, số lượng phân đoạn giảm mạnh từ 502 xuống còn 147 phân vùng, chứng minh rằng cấu hình $ranger = 10$ giữ lại được các ranh giới thửa đất nhỏ lẻ một cách tối ưu nhất.

Thảo luận kết quả

Sự phân rã của các đỉnh trong đồ thị tại các mốc thời gian T4, T5 và T6 phản ánh chính xác các hoạt động can thiệp nông nghiệp thực tế như cày xới, chia nhỏ thửa đất để luân canh hoặc tình trạng chăn thả gia súc tại lưu vực Kamech. Các biến động về diện tích mặt nước tại khu vực hồ chứa cũng được đồ thị ghi nhận rõ rệt qua sự thu hẹp và mở rộng của các đỉnh tương ứng.

So với các nghiên cứu trước đây vốn chỉ thử nghiệm trên chuỗi ảnh từ 3 đến 6 mốc thời gian tại các thung lũng Libron và Lower Aude, mô hình trong luận văn này đã chứng minh khả năng mở rộng trên chuỗi 13 mốc thời gian liên tục mà không làm suy giảm hiệu năng xử lý.

Dữ liệu thực nghiệm được trực quan hóa sinh động thông qua hệ thống bản đồ nhiệt biến thiên theo thang màu cường độ từ $S = 1$ (vùng biên động, không ổn định) đến $S = 13$ (vùng lõi thửa đất hoàn toàn ổn định). Đồng thời, ma trận chỉ số Jaccard giữa các đồ thị và 14 lớp phủ thực địa đã khẳng định tính tương thích cao của phương pháp khi mô tả chuẩn xác các vùng chuyên canh đặc thù.

Đề xuất và khuyến nghị

1. Tự động hóa hệ thống trích xuất ranh giới canh tác định kỳ: Triển khai tích hợp mô hình đồ thị thời gian vào hệ thống giám sát viễn thám nông nghiệp cấp tỉnh nhằm giảm 40% thời gian xử lý thủ công, hoàn thành giai đoạn thử nghiệm trong vòng 6 tháng do Chi cục Trồng trọt và Bảo vệ Thực vật chủ trì.
2. Chuẩn hóa dữ liệu bản đồ nhiệt phục vụ quy hoạch mùa vụ: Thiết lập quy chuẩn sử dụng bản đồ nhiệt ổn định không gian để xác định 100% các vùng lõi canh tác bền vững, áp dụng thí điểm trong lộ trình 12 tháng dưới sự điều phối của Trung tâm Khuyến nông và Viện Quy hoạch Nông nghiệp.
3. Tích hợp dữ liệu đa cảm biến quang học và radar: Mở rộng thuật toán để kết hợp chuỗi ảnh quang học Sentinel-2 với dữ liệu radar Sentinel-1 SAR, nhằm nâng cao độ chính xác nhận diện thửa đất lên trên 92% ngay cả trong điều kiện nhiều mây, thực hiện trong vòng 18 tháng bởi các viện nghiên cứu chuyên ngành công nghệ thông tin và viễn thám.
4. Xây dựng nền tảng dữ liệu mở về chỉ số ổn định thửa đất: Phát triển cổng thông tin điện tử cung cấp giao diện lập trình ứng dụng (API) cho phép trên 10.000 hộ nông dân và cán bộ quản lý tra cứu lịch sử ổn định của từng thửa ruộng, lộ trình hoàn thiện 24 tháng do cơ quan quản lý nông nghiệp phối hợp với các doanh nghiệp công nghệ thông tin thực hiện.

Đối tượng nên tham khảo luận văn

• Nhà nghiên cứu viễn thám và xử lý ảnh địa không gian: Nắm bắt phương pháp phân đoạn ảnh đa phổ bằng LargeScaleMeanShift và kỹ thuật xây dựng đồ thị tiến hóa thời gian, ứng dụng trực tiếp vào các bài toán theo dõi suy thoái rừng và biến động đô thị hóa.
• Kỹ sư khoa học dữ liệu và trí tuệ nhân tạo: Khai thác thuật toán chọn lọc đối tượng tham chiếu tối ưu và mô hình hóa dữ liệu chuỗi thời gian nhiều chiều, phục vụ xây dựng các pipeline học máy xử lý dữ liệu không gian lớn.
• Chuyên viên quản lý đất đai và quy hoạch nông nghiệp: Sử dụng bản đồ nhiệt ổn định không gian như một công cụ hỗ trợ ra quyết định trong việc khoanh vùng đất trồng lúa, giám sát chuyển đổi cơ cấu cây trồng và đánh giá thiệt hại thiên tai.
• Học viên cao học và sinh viên ngành Công nghệ thông tin: Tham khảo phương pháp luận nghiên cứu thực nghiệm đạt chuẩn quốc tế, cách thức kết hợp giữa cấu trúc dữ liệu đồ thị và thuật toán khai phá dữ liệu thực tế.

Câu hỏi thường gặp

• Tại sao phương pháp phân tích hướng đối tượng (OBIA) kết hợp đồ thị lại vượt trội hơn phân tích cấp pixel? Phương pháp phân tích hướng đối tượng gom cụm các điểm ảnh có cùng đặc tính phổ thành phân vùng hình thái, loại bỏ triệt để nhiễu muối tiêu. Khi kết hợp với đồ thị nhiều lớp, mô hình theo dõi được trọn vẹn sự biến đổi hình học của thửa đất qua 13 thời điểm thu nhận ảnh, điều mà phân tích từng pixel riêng lẻ hoàn toàn không làm được.
• Ý nghĩa của ngưỡng alpha ($\alpha$) trong thuật toán lựa chọn đối tượng tham chiếu là gì? Ngưỡng alpha kiểm soát mức độ đóng góp thông tin mới của một phân vùng hình thái trước khi được chọn vào tập đối tượng tham chiếu. Với $\alpha = 0.6$, thuật toán loại bỏ các phân vùng trùng lặp, đảm bảo độ bao phủ 95.2% không gian nghiên cứu với mức chồng lấn thông tin thấp ở mức 20%.
• Bản đồ nhiệt (Heatmap) thể hiện mức độ ổn định của thửa ruộng như thế nào? Bản đồ nhiệt biểu diễn tần suất xuất hiện $S$ của từng pixel trong các đồ thị qua 13 mốc thời gian. Các điểm ảnh có giá trị $S$ từ 12 đến 13 tạo thành vùng lõi thửa đất có độ ổn định không gian cao, trong khi các giá trị $S$ thấp biểu thị ranh giới bị phân tách hoặc thay đổi cây trồng.
• Vì sao nhóm cây hàng năm có độ ổn định không gian cao hơn cây thức ăn gia súc và lúa mì? Cây hàng năm thường có chu kỳ canh tác đồng nhất trên toàn bộ diện tích lô đất, giúp 72.6% pixel duy trì hình thái qua 12 đến 13 đợt quan sát. Ngược lại, cây thức ăn gia súc và lúa mì chịu tác động mạnh từ các đợt thu hoạch ngắt quãng, chăn thả gia súc và cày xới cục bộ khiến hình thái phân đoạn biến đổi liên tục.
• Bộ dữ liệu vệ tinh Sentinel-2 mang lại những lợi thế kỹ thuật nào cho nghiên cứu? Sentinel-2 cung cấp 13 kênh phổ với độ phân giải không gian cao 10m ở các kênh khả kiến và cận hồng ngoại, kết hợp chu kỳ lặp chụp ngắn. Điều này cho phép trích xuất chính xác chỉ số thực vật NDVI và xây dựng chuỗi dữ liệu 13 mốc thời gian liên tục phục vụ giám sát nông nghiệp chi tiết.

Kết luận

• Nghiên cứu đã đề xuất thành công mô hình khai phá dữ liệu chuỗi ảnh vệ tinh Sentinel-2 dựa trên cấu trúc đồ thị định hướng thời gian để theo dõi tự động động thái thửa đất nông nghiệp.
• Thuật toán đạt hiệu quả thực nghiệm ấn tượng với độ bao phủ đối tượng tham chiếu 95.2% và độ bao phủ đồ thị đạt 100% diện tích lưu vực 2 km² tại Kamech.
• Xác lập phương pháp định lượng độ ổn định không gian thông qua bản đồ nhiệt, chỉ ra 72.6% diện tích cây hàng năm duy trì tính ổn định vượt trội so với các loại hình canh tác khác.
• Khắc phục triệt để rào cản giới hạn số lượng mốc thời gian của các phương pháp phân loại truyền thống, mở ra hướng ứng dụng quy mô lớn trong quản lý an ninh lương thực.
• Kế hoạch tiếp theo giai đoạn 2026-2027 tập trung tích hợp các kiến trúc học sâu (Deep Learning) và dữ liệu ảnh radar đa nguồn nhằm tối ưu hóa khả năng giám sát tự động theo thời gian thực.

Các cơ quan quản lý, viện nghiên cứu và doanh nghiệp công nghệ nông nghiệp được khuyến khích áp dụng khung giải pháp này để hiện đại hóa quy trình giám sát tài nguyên đất và nâng cao hiệu quả canh tác bền vững.

Trích đoạn nội dung tài liệu

UNIVERSITÉ NATIONALE DU VIETNAM À HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFI) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR TRAITEMENT DE DONNÉES MULTI-TEMPORELLES S2 À L’AIDE D’UNE MÉTHODE DE FOUILLE DE DONNÉES ỨNG DỤNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU CHO PHÂN TÍCH LÔ BẲNG XỮ LÝ DỮ LIỆU ĐA THỞI GIAN S2 Spécialité : Systèmes Intelligents et Multimédia Code : Programme Pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOI - 2018 LUAN VAN CHAT LUONG download : add [e-mail] UNIVERSITÉ NATIONALE DU VIETNAM À HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFI) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR TRAITEMENT DE DONNÉES MULTI-TEMPORELLES S2 À L’AIDE D’UNE MÉTHODE DE FOUILLE DE DONNÉES ỨNG DỤNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU CHO PHÂN TÍCH LÔ BẲNG XỮ LÝ DỮ LIỆU ĐA THỞI GIAN S2 Spécialité : Systèmes Intelligents et Multimédia Code : Programme Pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Dr. Dino Ienco, Chargé de Recherche Irstea, UMR TETIS dino. Maguelonne Teisseire, Directrice de Recherche Irstea, UMR TETIS maguelonne.fr HANOI - 2018 LUAN VAN CHAT LUONG download : add [e-mail] ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée.

LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc. KAFANDO RODRIQUE LUAN VAN CHAT LUONG download : add [e-mail] Résumé L’insécurité alimentaire est de nos jours l’un des fléaux qui menace le monde, surtout les pays en voie de développement.

Faisant face à cette situation, il devient nécessaire de prendre de mesures qui permettront de suivre l’évolution des parcellaires culturaux en fonction de leurs occupations a partir des séries temporelles d’images satellitaires. Les occupations agricoles sont difficilement maı̂trisables, surtout dans les zones aux accès limités. Une occupation peut varier d’une période à une autre, que ce soit sur le plan morphologique et/ou dans son contenu. La question principale qui se pose donc est de savoir comment faire pour pouvoir suivre et analyser de façon automatique, le comportement d’une parcelle agricole sur une série temporelle d’images quelque soit la taille de cette dernière.

C’est dans ce cadre qu’une méthodologie d’analyse de séries temporelles a été mise en place dans le but de pouvoir suivre de façon automatique l’évolution d’une entité donnée sur le plan spatio-temporel. Grâce à cette nouvelle approche, il est désormais possible de suivre l’évolution d’un parcellaire agricole ou toute autre entité sur laquelle nous disposons des séries temporelles d’images satellites et de mener des analyses sur ces données. Dans cette étude, nous effectuerons une analyse sur le parcellaire cultural du bassin de Kamech, une zone agricole de 2 km 2 située au Nord de la Tunisie. Réalisé au sein du l’unité de recherche UMR-TETIS, plus précisément à l’IRSTEA sur une durée de six (06) mois, le présent rapport a deux principaux buts.

Le premier est d’ordre académique et s’inscrit dans le cadre de la validation de notre cursus de Master en informatique. Quant au second, il est d’ordre professionnel, du fait que notre travail a été élaboré dans le cadre d’un projet de recherche et d’innovation. Mots clés : fouille de données, STIS , graphe, objet, segmentation, stabilité spatiale, parcellaire cultural i LUAN VAN CHAT LUONG download : add [e-mail] Abstract Food risk managment is nowadays one of the scourges that threatens the world, espe- cially for developing countries. Faced to this situation, it becomes necessary to take some measures that will help to control the various farms according to their occupations and their changes during the seasons.

Agricultural occupations are difficult to control, especially in areas with limited access. An occupation can vary from a period to another, either on its morphological and/or its content.