75
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
V.2 Acquisition des données
Étant exploratoires, les travaux menés sur la détection du trait de côte se sont appuyés sur
des données multi-spectrales provenant de capteurs différents : des images en libre accès issues
de Sentinel-2 (haute résolution spatiale, temporelle et spectrale) disponibles et des images
issues de Pléiades (très haute résolution spatiale et faible résolution temporelle) dont
l’acquisition a été spécialement programmée ; ainsi que des données disponibles au niveau des
institutions locales en Algérie (Image Alsat de très haute résolution spatiale).
Figure V.1: Etude comparative entre les différentes méthodes de classification et algorithmes de
Machine Learning peu profond en utilisant des images multirésolution-multicapteurs.
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
V.2 Acquisition des données
Étant exploratoires, les travaux menés sur la détection du trait de côte se sont appuyés sur
des données multi-spectrales provenant de capteurs différents : des images en libre accès issues
de Sentinel-2 (haute résolution spatiale, temporelle et spectrale) disponibles et des images
issues de Pléiades (très haute résolution spatiale et faible résolution temporelle) dont
l’acquisition a été spécialement programmée ; ainsi que des données disponibles au niveau des
institutions locales en Algérie (Image Alsat de très haute résolution spatiale).
Figure V.1: Etude comparative entre les différentes méthodes de classification et algorithmes de
Machine Learning peu profond en utilisant des images multirésolution-multicapteurs.
