Évaluation de deux méthodes de prédiction de l'occupation du sol basées sur les rotations de cultures dans une perspective de prédiction d’inondations boueuses

Details

Supervisors

Bielders, Charles

Faculty

Faculté des bioingénieurs

Degree label

Master [120] : bioingénieur en sciences et technologies de l'environnement

Abstract

La Belgique centrale est de plus en plus touchée par des inondations boueuses ces dernières années. L’une des causes de ces inondations boueuses est la présence de certaines cultures favorisant l’érosion. La prédiction des types de cultures plusieurs mois avant les évènements orageux permettrait de prédire ces inondations boueuses et permettrait aux communes d’identifier les sites à risques afin d’anticiper les problèmes. L’objectif de cette étude est de prédire cette occupation du sol en se basant sur les rotations de cultures. L’étude s’intéresse aux méthodes probabilistes comme les chaines de Markov et les réseaux de neurones. Ce travail analyse tout d’abord les données d’occupations du sol des années précédentes au niveau temporel et géographique. Il prédit ensuite l’occupation du sol selon 23 types de cultures et selon 4 groupes de cultures par les deux méthodes citées. Il ressort de travail que l’utilisation des chaines de Markov est plus facile à mettre en place et donne de meilleurs résultats. De plus, celle-ci possède un aspect stochastique qui permet de mieux comprendre la logique de prédiction. Cette méthode permet de prédire, dès janvier, 54% de la surface agricole lorsque classifiée en 23 cultures et 79% lorsque classifiée en 4 groupes de cultures (hiver, printemps, prairie, autres). A partir de ces conclusions, il faut reconnaitre que les résultats semblent peu exploitables pour être intégrés dans un système d’alerte d’inondations boueuses. Il faudrait les améliorer et continuer la recherche dans le domaine des chaines de Markov. Ainsi, une méthode plus complexe comme les Markov Logic Network pourrait être envisagée. Enfin, la prise en compte d’image satellites pourrait également aider à améliorer la prédiction.