Résumé:
Le travail repose sur l’utilisation de jeux de données dédiés à l’apprentissage et à la validation,
ainsi que sur le développement d’un système intelligent basé sur les arbres de décision
(Decision Tree), permettant de détecter et de classer les sons de drones au sein d’un
environnement urbain complexe, en se fondant sur leurs signatures acoustiques spécifiques :
fréquence, amplitude et variations sonores. Deux modèles d’apprentissage supervisé ont été
évalués : le Decision Tree, simple et interprétable, mais moins performant avec des confusions
fréquentes entre classes ; et le Random Forest, qui a montré une meilleure robustesse et
précision dans un environnement urbain complexe. L’objectif est de contribuer à l’amélioration
des algorithmes de détection acoustique des drones, notamment en milieu urbain, où leur
identification reste un défi en raison de la densité et de la diversité des sons ambiants.
