Centre de documentation
scientifique

De pléiades à pléiades NEO: une analyse de l'amélioration de les restitution 3D / David Youssefi in Revue Française de Photogrammétrie et de Télédétection, n° 226 (2024)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 226 (2024) . - pp. 01-09 Titre : De pléiades à pléiades NEO: une analyse de l'amélioration de les restitution 3D Type de document : Article/Communication Auteurs : David Youssefi, Auteur ; E. Dubois, Auteur ; Jean-Marc Delvit, Auteur Année de publication : 2024 Article en page(s) : pp. 01-09 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Termes IGN] 3D analyst [Termes IGN] Centre national d'études spatiales [Termes IGN] code source libre [Termes IGN] modèle numérique de surface [Termes IGN] modèle numérique de terrain [Termes IGN] Pléiades-Neo Mots-clés libres : Pléiades, Pléiades Neo, Modèle Numérique de Surface, Modèle Numérique de Terrain, Code ouvert Résumé : Fort de son expertise en géométrie et en 3D, le Centre National d’Études Spatiales (CNES) développe de nouveaux outils open-source capitalisant une partie de son savoir-faire. Ils sont destinés à être au cœur du segment sol de la mission CO3D et à servir tout l’écosystème aval. Le traitement de ces données impose de concevoir des chaînes robustes, capables de passer à l’échelle. De ce fait, les outils 3D du CNES sont massivement parallélisables, utilisant des technologies multiprocesseurs voire multi-nœuds tout en restant agnostique au matériel utilisé. Ces logiciels proposent des interfaces simples afin de permettre également leur utilisation en dehors des chaînes de traitement opérationnelles. Ces outils sont capables de produire un Modèle Numérique de Surface (MNS) à partir de couples stéréoscopiques d’images (CARS) dont l’étape majeure repose sur la mise en correspondance (Pandora). Par la suite, ils permettent d’extraire un Modèle Numérique de Terrain (MNT) à partir du MNS produit (Bulldozer) et d’en dériver un Modèle Numérique de Hauteur (MNH). Suite à cela, des comparaisons entre tous ces modèles numériques d’élévation peuvent également être effectuées (Demcompare). Dans l’attente de l’arrivée des données CO3D, le CNES éprouve d’ores et déjà ces outils sur d’autres capteurs, dont Pléiades et plus récemment Pléiades Neo. Cet article qualifie l’amélioration de cette restitution 3D apportée par cette nouvelle génération de satellite. Les outils 3D du CNES sont sous licence libre et non contaminante (Licence Apache v2) afin de notamment permettre l’exploitation et la valorisation des données Pléiades et maintenant Pléiades Neo. Ils offrent enfin la possibilité de reproduire les résultats présentés dans cet article. Numéro de notice : A2024-19 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat En ligne : https://rfpt.sfpt.fr/index.php/RFPT/article/view/672/503 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103656 [article]

Leveraging deep learning and remote sensing to predict ecosystem types in the NiN framework / Matteo Crespin-Jouan (2024)

Public Titre : Leveraging deep learning and remote sensing to predict ecosystem types in the NiN framework Type de document : Mémoire Auteurs : Matteo Crespin-Jouan, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2024 Importance : 41 p. Format : 21 x 30 cm Note générale : bibliographie Mémoire d'ingénieur 2e année Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] cartographie [Termes IGN] couverture (données géographiques) [Termes IGN] gradient [Termes IGN] occupation du sol [Termes IGN] Sentinel-2 [Termes IGN] télédétection [Termes IGN] végétation Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (auteur) Ce rapport présente les résultats d’un stage effectué au sein du Geo-Ecology Research Group (GEco) du Muséum d’Histoire Naturelle d’Oslo. Le projet a porté sur l’application de techniques d’apprentissage profond pour classifier les écosystèmes norvégiens en se basant sur les données du système de classification Natur i Norge (NiN). Différentes sources de données ont été utilisées notamment des images aériennes de drones, des photos prises au sol et des données satellitaires Sentinel, afin de prédire les types d’écosystèmes et des gradients environnementaux clés, tels que la richesse en calcaire. L’étude a exploré différentes approches, notamment les réseaux neuronaux convolutifs (CNN) et les perceptrons multicouches (MLP), en mettant l’accent sur l’exploitation des informations spectrales plutôt que des caractéristiques spatiales. Les résultats ont mis en évidence les défis liés au travail avec des données limitées et incohérentes, en particulier dans le contexte de classifications très détaillée comme NiN. Bien que les modèles aient montré un certain succès, notamment avec l’utilisation de données hyperspectrales, les résultats ont été limités par la qualité et la cohérence des labels disponibles. Note de contenu : Introduction 1. About the Data, the labels, and the distribution of the labels in the datasets 2. CNNs and vision transformers to leverage shape and texture features 3. A more successful endeavour : a mere mutliplayer perceptron on hyper-spectral satellite images Conclusion Numéro de notice : 24266 Affiliation des auteurs : IGN (2020- ) Thématique : BIODIVERSITE/GEOMATIQUE/INFORMATIQUE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Geo-Ecology Research Group (GEco), at Oslo’s Natural History Museum (NHM) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103901

Flood vulnerability assessment of urban buildings based on integrating high-resolution remote sensing and street view images / Ziyao Xing in Sustainable Cities and Society, vol 92 (May 2023)  

Public [article]  inSustainable Cities and Society > vol 92 (May 2023) . - n° 104467 Titre : Flood vulnerability assessment of urban buildings based on integrating high-resolution remote sensing and street view images Type de document : Article/Communication Auteurs : Ziyao Xing, Auteur ; Shuai Yang, Auteur ; Xuli Zan, Auteur ; et al., Auteur Année de publication : 2023 Article en page(s) : n° 104467 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] attention (apprentissage automatique) [Termes IGN] bâtiment [Termes IGN] Chine [Termes IGN] gestion des risques [Termes IGN] image Streetview [Termes IGN] inondation [Termes IGN] milieu urbain [Termes IGN] planification urbaine [Termes IGN] Quickbird [Termes IGN] segmentation sémantique [Termes IGN] vulnérabilité Résumé : (auteur) Urban flood risk management requires an extensive investigation of the vulnerability characteristics of buildings. Large-scale field surveys usually cost a lot of time and money, while satellite remote sensing and street view images can provide information on the tops and facades of buildings respectively. Thereupon, this paper develops a building vulnerability assessment framework using remote sensing and street view features. Specifically, a UNet-based semantic segmentation model, FSA-UNet (Fusion-Self-Attention-UNet) is proposed to integrate remote sensing and street view features and the vulnerability information contained in the images is fully exploited. And the building vulnerability index is generated to provide the spatial distribution characteristics of urban building vulnerability. The experiment shows that the mIoU of the proposed model can reach 82% for building vulnerability classification in Hefei, China, which is more accurate than the traditional semantic segmentation models. The results indicate that the integration of street view and remote sensing image features can improve the ability of building vulnerability assessment, and the model proposed in this study can better capture the correlation features of multi-angle images through the self-attention mechanism and combines hierarchy features and edge information to improve the classification effect. This study can support for disaster management and urban planning. Numéro de notice : A2023-152 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.scs.2023.104467 Date de publication en ligne : 23/02/2023 En ligne : https://doi.org/10.1016/j.scs.2023.104467 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102826 [article]

Peut-on prédire les séismes ? / Laurent Polidori in Géomètre, n° 2211 (mars 2023)

Public [article]  inGéomètre > n° 2211 (mars 2023) . - pp 21 - 21 Titre : Peut-on prédire les séismes ? Type de document : Article/Communication Auteurs : Laurent Polidori, Auteur Année de publication : 2023 Article en page(s) : pp 21 - 21 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de géodésie spatiale [Termes IGN] catastrophe naturelle [Termes IGN] déformation de la croute terrestre [Termes IGN] Demeter (microsatellite) [Termes IGN] observation de la Terre [Termes IGN] risque naturel [Termes IGN] séisme [Termes IGN] station GNSS [Termes IGN] tectonique des plaques Résumé : (Auteur) Le 6 février, un séisme de magnitude 7,8 s’est produit à la frontière entre la Turquie et la Syrie, faisant près de 50000 victimes. Quelques minutes auraient suffi pour épargner presque toutes les vies, aussi s’interroge-t-on à chaque catastrophe : aurait-on pu la prédire ? Numéro de notice : A2023-066 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article nature-HAL : ArtSansCL DOI : sans Date de publication en ligne : 01/03/2023 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102713 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
063-2023031	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Deep learning detects invasive plant species across complex landscapes using Worldview-2 and Planetscope satellite imagery / Thomas A. Lake in Remote sensing in ecology and conservation, vol 8 n° 6 (December 2022)  

Public [article]  inRemote sensing in ecology and conservation > vol 8 n° 6 (December 2022) . - pp 875 - 889 Titre : Deep learning detects invasive plant species across complex landscapes using Worldview-2 and Planetscope satellite imagery Type de document : Article/Communication Auteurs : Thomas A. Lake, Auteur ; Ryan D. Briscoe Runquist, Auteur ; David A. Moeller, Auteur Année de publication : 2022 Article en page(s) : pp 875 - 889 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] carte d'occupation du sol [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] classification par réseau neuronal récurrent [Termes IGN] espèce exotique envahissante [Termes IGN] image Worldview [Termes IGN] PlanetScope [Termes IGN] série temporelle Résumé : (auteur) Effective management of invasive species requires rapid detection and dynamic monitoring. Remote sensing offers an efficient alternative to field surveys for invasive plants; however, distinguishing individual plant species can be challenging especially over geographic scales. Satellite imagery is the most practical source of data for developing predictive models over landscapes, but spatial resolution and spectral information can be limiting. We used two types of satellite imagery to detect the invasive plant, leafy spurge (Euphorbia virgata), across a heterogeneous landscape in Minnesota, USA. We developed convolutional neural networks (CNNs) with imagery from Worldview-2 and Planetscope satellites. Worldview-2 imagery has high spatial and spectral resolution, but images are not routinely taken in space or time. By contrast, Planetscope imagery has lower spatial and spectral resolution, but images are taken daily across Earth. The former had 96.1% accuracy in detecting leafy spurge, whereas the latter had 89.9% accuracy. Second, we modified the CNN for Planetscope with a long short-term memory (LSTM) layer that leverages information on phenology from a time series of images. The detection accuracy of the Planetscope LSTM model was 96.3%, on par with the high resolution, Worldview-2 model. Across models, most false-positive errors occurred near true populations, indicating that these errors are not consequential for management. We identified that early and mid-season phenological periods in the Planetscope time series were key to predicting leafy spurge. Additionally, green, red-edge and near-infrared spectral bands were important for differentiating leafy spurge from other vegetation. These findings suggest that deep learning models can accurately identify individual species over complex landscapes even with satellite imagery of modest spatial and spectral resolution if a temporal series of images is incorporated. Our results will help inform future management efforts using remote sensing to identify invasive plants, especially across large-scale, remote and data-sparse areas. Numéro de notice : A2023-033 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.1002/rse2.288 En ligne : https://doi.org/10.1002/rse2.288 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102295 [article]

Crowdsourcing-based application to solve the problem of insufficient training data in deep learning-based classification of satellite images / Ekrem Saralioglu in Geocarto international, vol 37 n° 18 ([01/09/2022])  

Permalink

Landsat, le programme fête ses cinquante ans / Laurent Polidori in Géomètre, n° 2205 (septembre 2022)

Permalink

Validation of a corner reflector installation at Côte d’Azur multi-technique geodetic observatory / Xavier Collilieux in Advances in space research, vol 70 n° 2 (15 July 2022)  

Permalink

Littoraux sous double surveillance / Laurent Polidori in Géomètre, n° 2204 (juillet-août 2022)

Permalink

La puissance spatiale chinoise s’affirme / Laurent Polidori in Géomètre, n° 2203 (juin 2022)

Permalink

Efficient variance component estimation for large-scale least-squares problems in satellite geodesy / Yufeng Nie in Journal of geodesy, vol 96 n° 2 (February 2022)  

Permalink

Le radar révèle des montagnes cachées / Laurent Polidori in Géomètre, n° 2198 (janvier 2022)

Permalink

Télédétection et modélisation spatiale / Annelise Tran (2022)  

Permalink

Nanosatellites, des Lego dans l’espace / Laurent Polidori in Géomètre, n° 2197 (décembre 2021)

Permalink

Landsat, un demi-siècle de tradition / Laurent Polidori in Géomètre, n° 2196 (novembre 2021)

Permalink