Nouvelle approche ANN pour le comblement des données manquantes observées par des cartes satellitaires TRMM Cas d’étude : carte pluviométrique du nord d’Algérie.

Abstract

Ce travail a été réalisé en vue de concrétiser une nouvelle approche estimative des lacunes de pixels sur des images obtenues par télédétection. La cause des pertes étant les aléas climatiques ou la difficulté qu’éprouve le satellite à couvrir toute la surface du Globe, particulièrement les grandes étendues océaniques. Nous avions choisi les cartes pluviométriques mensuelles TRMM, obtenues pour le nord algérien. Nous nous étions basés, dans ce traitement, principalement sur l'aspect mathématique des réseaux de neurones (ANN). Une nouvelle architecture ANN (N-2-N) a pu être proposée sur l’exemple de la méthode KNNI et celle de régression, considérées comme fonction de transfert. Ces méthodes ont largement fait leurs preuves, scientifiquement, dans le traitement des données manquantes dans les sérés de données chronologiques à haute fréquence. Un ensemble de tests statistiques ont été appliqués sur les données estimées selon différents mécanismes de manques de données (MAR, MCAR et NMAR), choisis avec 5%, 15% et 30% de manque de données. Les tests que nous avons choisis sont R 2 , R 2 Adj , RMSE, MAE, analyse de résidus, courbes de régression, nuage de point des quantiles (QQ plot) et le box plots. Les tests ont comparé les données estimées par rapport aux données réelles. Sur un autre volet, les résultats ont été confrontés avec ceux obtenus par les toolboxes KNNI et MDI. Les valeurs ont montré une très bonne performance de l’approche nouvelle. La tendance à l’erreur ne s’est manifestée nulle part durant la comparaison de tous les cas.