Descripteur
Documents disponibles dans cette catégorie (2236)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
Etendre la recherche sur niveau(x) vers le bas
Estimation of soil surface water contents for intertidal mudflats using a near-infrared long-range terrestrial laser scanner / Kai Tan in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)
![]()
[article]
Titre : Estimation of soil surface water contents for intertidal mudflats using a near-infrared long-range terrestrial laser scanner Type de document : Article/Communication Auteurs : Kai Tan, Auteur ; Jin Chen, Auteur ; Weiguo Zhang, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 129 - 139 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] Chine
[Termes IGN] données lidar
[Termes IGN] données TLS (télémétrie)
[Termes IGN] humidité du sol
[Termes IGN] littoral
[Termes IGN] positionnement cinématique en temps réel
[Termes IGN] rayonnement proche infrarouge
[Termes IGN] réflectance
[Termes IGN] semis de points
[Termes IGN] télémétrie laser terrestre
[Termes IGN] teneur en vapeur d'eau
[Termes IGN] vaseRésumé : (Auteur) Estimations of the soil surface water contents and distributions play a key role in the ecological, environmental, and topographical investigations for intertidal mudflats. However, existing techniques have limitations. Long-range terrestrial laser scanners (TLSs) can record the co-located intensity value which refers to a measure of the backscattered laser from each scanned point. Most long-range TLSs emit near-infrared lasers that can be strongly absorbed by water. Thus, the intensity values can be used as proxies for water contents. In this study, the intensity data of long-range TLSs are corrected for the incidence angle and distance effects to quantitatively estimate the soil surface water contents of intertidal mudflats. A case study for a mudflat in Chongming Island, Shanghai, China, is conducted. Results indicate that compared with traditional techniques, the corrected intensity data of long-range TLSs are extremely effective data sources for a quick, accurate, and detailed estimation of water contents for large-area mudflats. The estimation root mean square error is approximately 3%. Furthermore, the 3D distributions of the water contents can be accurately mapped by combining the point cloud of the mudflats to potentially analyze the intrinsic association among water contents and topography, vegetation coverage, and habitation of creatures in mudflats. Numéro de notice : A2020-013 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article DOI : 10.1016/j.isprsjprs.2019.11.003 Date de publication en ligne : 26/11/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.11.003 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94402
in ISPRS Journal of photogrammetry and remote sensing > vol 159 (January 2020) . - pp 129 - 139[article]Réservation
Réserver ce documentExemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2020011 RAB Revue Centre de documentation En réserve L003 Disponible 081-2020013 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2020012 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt Fusion of 3D point clouds and hyperspectral data for the extraction of geometric and radiometric features of trees / Eduardo Alejandro Tusa Jumbo (2020)
![]()
Titre : Fusion of 3D point clouds and hyperspectral data for the extraction of geometric and radiometric features of trees Type de document : Thèse/HDR Auteurs : Eduardo Alejandro Tusa Jumbo, Auteur ; Jocelyn Chanussot, Directeur de thèse ; Jean-Matthieu Monnet, Encadrant ; Mauro Dalla Mura, Encadrant ; Jean-Baptiste Barré, Encadrant Editeur : Grenoble : Université de Grenoble Année de publication : 2020 Importance : 153 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse pour obtenir le grade de docteur de l'Université Grenoble Alpes, Signal image parole TelecomsLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] Alpes (France)
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] espèce végétale
[Termes IGN] extraction de la végétation
[Termes IGN] forêt alpestre
[Termes IGN] fusion de données multisource
[Termes IGN] image hyperspectrale
[Termes IGN] inventaire forestier (techniques et méthodes)
[Termes IGN] inventaire forestier local
[Termes IGN] semis de points
[Termes IGN] télédétection par lidar
[Termes IGN] télédétection spatialeIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Mountain forests provide environmental ecosystem services (EES) to communities: supplying of recreational landscapes, protection against natural hazards, supporting biodiversity conservation, among others. The preservation of these EES through space and time requires a good characterization of the resources. Especially in mountains, stands are very heterogeneous and timber harvesting is economically possible thanks to trees of higher value. This is why we want to be able to map each tree and estimate its characteristics, including quality, which is related to its shape and growth conditions. Field inventories are not able to provide a wall to wall cover of detailed tree-level information on a large scale. On the other hand, remote sensing tools seem to be a promising technology because of the time efficient and the affordable costs for studying forest areas. LiDAR data provide detailed information from the vertical distribution and location of the trees, but it is limited for mapping species. Hyperspectral data are associated to absorption features in the canopy reflectance spectrum, but is not effective for characterizing tree geometry. Hyperspectral and LiDAR systems provide independent and complementary data that are relevant for the assessment of biophysical and biochemical attributes of forest areas. This PhD thesis deals with the fusion of LiDAR and hyperspectral data to characterize individual forest trees. The leading idea is to improve methods to derive forest information at tree-level by extracting geometric and radiometric features. The contributions of this research work relies on: i) an updated review of data fusion methods of LiDAR and hyperspectral data for forest monitoring, ii) an improved 3D segmentation algorithm for delineating individual tree crowns based on Adaptive Mean Shift (AMS3D) and an ellipsoid crown shape model, iii) a criterion for feature selection based on random forests score, 5-fold cross validation and a cumulative error function for forest tree species classification. The two main methods used to derive forest information at tree level are tested with remote sensing data acquired in the French Alps. Note de contenu : 1 Introduction
1.1 Forest
1.2 Principles of remote sensing
1.3 Motivation
1.4 Objectives
1.5 Thesis structure
2. Data Fusion 15
2.1 Principles of fusion
2.2 Low-level
2.3 Medium-level
2.4 High-level
2.5 Applications
3. Material 32
3.1 Field data
3.2 Study areas
3.3 ALS and hyperspectral data
4 ITC Delineation
4.1 Introduction
4.2 MS segmentation
4.3 AMS3D based on crown shape model
4.4 Experimental analysis
4.5 Conclusion
5. Tree Species Classification
5.1 Introduction
5.2 Study area
5.3 Methodology
5.4 Results and discussion
5.5 Conclusions
6. Conclusion and work perspectives
6.1 How data processing methods are applied in each level of data fusion for forest monitoring?
6.2 How a crown shape model can improve the segmentation of individual tree crowns?
6.3 Which feature combination contribute to characterize the forest tree species composition?Numéro de notice : 26582 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Signal image parole Telecoms : Grenoble : 2020 Organisme de stage : Grenoble Images Parole Signal Automatique GIPSA-lab nature-HAL : Thèse DOI : sans Date de publication en ligne : 30/07/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03212453/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98403 De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)
![]()
Titre : De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond Type de document : Thèse/HDR Auteurs : Lionel Matteo, Auteur Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 170 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse en vue de l’obtention du grade de docteur de l'Université Côte d'Azur, en Sciences de la Terre et de l’UniversLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] acquisition d'images
[Termes IGN] analyse comparative
[Termes IGN] apprentissage profond
[Termes IGN] Arizona (Etats-Unis)
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] données topographiques
[Termes IGN] faille géologique
[Termes IGN] fusion de données multisource
[Termes IGN] image captée par drone
[Termes IGN] image multi sources
[Termes IGN] image Pléiades-HR
[Termes IGN] MicMac
[Termes IGN] modèle de simulation
[Termes IGN] modèle numérique de surface
[Termes IGN] Nevada (Etats-Unis)
[Termes IGN] reconstruction 3D
[Termes IGN] semis de points
[Termes IGN] stéréo-orthophotographie
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Les failles sismogéniques sont la source des séismes. L'étude de leurs propriétés nous informe donc sur les caractéristiques des forts séismes qu'elles peuvent produire. Les failles sont des objets 3D qui forment des réseaux complexes incluant une faille principale et une multitude de failles et fractures secondaires qui "découpent" la roche environnante à la faille principale. Mon objectif dans cette thèse a été de développer des approches pour aider à étudier cette fracturation secondaire intense. Pour identifier, cartographier et mesurer les fractures et les failles dans ces réseaux, j'ai adressé deux défis : -1) Les failles peuvent former des escarpements topographiques très pentus à la surface du sol, créant des "couloirs" ou des canyons étroits et profond où la topographie et donc, la trace des failles, peut être difficile à mesurer en utilisant des méthodologies standard (comme des acquisitions d'images satellites optiques stéréo et tri-stéréo). Pour répondre à ce défi, j'ai utilisé des acquisitions multi-stéréos avec différentes configurations (différents angles de roulis et tangage, différentes dates et modes d'acquisitions). Notre base de données constituée de 37 images Pléiades dans trois sites tectoniques différents dans l'Ouest américain (Valley of Fire, Nevada ; Granite Dells, Arizona ; Bishop Tuff, California) m'a permis de tester différentes configurations d'acquisitions pour calculer la topographie avec trois approches différentes. En utilisant la solution photogrammétrique open-source Micmac (IGN ; Rupnik et al., 2017), j'ai calculé la topographie sous la forme de Modèles Numériques de Surfaces (MNS) : (i) à partir de combinaisons de 2 à 17 images Pléiades, (ii) en fusionnant des MNS calculés individuellement à partir d'acquisitions stéréo et tri-stéréo, évitant alors l'utilisant d'acquisitions multi-dates et (iii) en fusionnant des nuages de points calculés à partir d'acquisitions tri-stéréos en suivant la méthodologie multi-vues développée par Rupnik et al. (2018). J’ai aussi combiné, dans une dernière approche (iv), des acquisitions tri-stéréos avec la méthodologie multi-vues stéréos du CNES/CMLA (CARS) développé par Michel et al. (2020), en combinant des acquisitions tri-stéréos. A partir de ces quatre approches, j'ai calculé plus de 200 MNS et mes résultats suggèrent que deux acquisitions tri-stéréos ou une acquisition stéréo combinée avec une acquisition tri-stéréo avec des angles de roulis opposés permettent de calculer les MNS avec la surface topographique la plus complète et précise. -2) Couramment, les failles sont cartographiées manuellement sur le terrain ou sur des images optiques et des données topographiques en identifiant les traces curvilinéaires qu'elles forment à la surface du sol. Néanmoins, la cartographie manuelle demande beaucoup de temps, ce qui limite notre capacité à produire cartographies et mesures complètes des réseaux de failles. Pour s'affranchir de ce problème, j'ai adopté une approche d'apprentissage profond, couramment appelé un réseau de neurones convolutifs (CNN) - U-Net, pour automatiser l'identification et la cartographie des fractures et des failles dans des images optiques et des données topographiques. Volontairement, le modèle CNN a été entraîné avec une quantité modérée de fractures et failles cartographiées manuellement à basse résolution et dans un seul type d'images optiques (photographies du sol avec des caméras classiques). A partir d'un grand nombre de tests, j'ai sélectionné le meilleur modèle, MRef et démontre sa capacité à prédire des fractures et des failles précisément dans données optiques et topographiques de différents types et différentes résolutions (photographies prises au sol, avec un drone et par satellite). Le modèle MRef montre de bonnes capacités de généralisations faisant alors de ce modèle un bon outil pour cartographie rapidement et précisément des fractures et des failles dans des images optiques et des données topographiques. Note de contenu : Introduction générale
Partie 1 - Reconstruction 3D haute résolution
1. Introduction
1.1 Les données topographiques, une solution pour analyser la surface terrestre
1.2 Le récent développement de satellites à capteur optique
1.3 La reconstruction 3D à partir d’images optiques : la photogrammétrie
1.4 Problématique du sujet
2. Acquisitions de données et sites d’études
2.1 Acquisitions d’images satellitaires
2.2 Données LiDAR aéroportées
2.3 Acquisitions d’images par drone
2.4 Acquisitions d’images par appareil photo suspendu à une perche
2.5 Acquisitions de points d’appui
2.6 Sites d’études
3. Calcul de MNS et estimation de leur performance
3.1 Micmac (IGN)
3.2 CARS (CNES/CMLA)
3.3 Quatre méthodes pour calculer des MNS
3.4 Performances des MNS
4. Résultats
4.1 MNS calculés avec des acquisitions multi-dates
4.2 Fusion de MNS calculés avec des acquisitions mono-dates
4.3 Reconstruction 3D à partir de nuage de points fusionnés
4.4 Analyses des MNS générés avec CARS
4.5 Comparaison des méthodes B, C et D dans la zone de Canyons de Valley of Fire 65
4.6 Utilisation de 1 à 4 GCPs pour calculer un MNS
4.7 Application de la méthode B aux deux autres sites
5. Discussion
5.1 La reconstruction 3D à partir d’acquisitions multi-dates
5.2 L’impact des méthodes B, C et D dans la performance des MNS finaux
5.3 Les erreurs possibles dans le calcul des erreurs du géoréférencement des MNS
5.4 La comparaison des MNS Pléiades calculés à d’autres MNS
6. Conclusions
Partie 2 - Automatic fault mapping in remote optical images and topographic data with deep learning - submitted to JGR: Solid Earth
7. Introduction
8. Image, topographic and fault data
8.1 Fault Sites
8.2 Optical image and topographic data
8.3 Fault ground truth derived from manual mapping
9. Deep learning methodology
9.1 Principles of Deep Learning and Convolutional Neural Networks
9.2 Architecture of the CNN model used in present study
9.3 Training procedure
9.4 Estimating the performance of the models
10. Defining a “reference model” MRef
10.1 Selecting the most appropriate CNN architecture
10.2 Sensitivity of model performance to training data size
10.3 Sensitivity of model performance to “quality” of training data
10.4 Refrence model
11. Detailed evaluation of reference model fault predictions
11.1 Results in sites A and B
11.2 Predictions in unseen data of similar type
11.3 Predictions in unseen data of different type
12. Discussion
12.1 U-net appropriate for fracture and fault detection in optical images
12.2 Interpreting learnt characteristics of faults and fractures
12.3 Conditions for model generalization
12.4 Uncertainties and model robustness
12.5 Recovering fault hierarchy and connectivity
13 Conclusions
Conclusion généraleNuméro de notice : 26555 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences de la Terre et de l'Univers : Côte d'Azur : 2020 Organisme de stage : Géoazur UMR 7329 - Observatoire de la Côte d'Azur nature-HAL : Thèse Date de publication en ligne : 02/06/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03245713/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97965
Titre : Des images satellites aux cartes vectorielles Type de document : Thèse/HDR Auteurs : Onur Tasar, Auteur ; Pierre Alliez, Directeur de thèse Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 151 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée en vue de l'obtention du grade de docteur en Automatique, Traitement du Signal et des Images de l'Université Côte d'AzurLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification dirigée
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification pixellaire
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données massives
[Termes IGN] données matricielles
[Termes IGN] généralisation cartographique
[Termes IGN] géomètrie algorithmique
[Termes IGN] image aérienne
[Termes IGN] image satellite
[Termes IGN] maillage
[Termes IGN] représentation vectorielle
[Termes IGN] segmentation sémantique
[Termes IGN] vectorisationIndex. décimale : THESE Thèses et HDR Résumé : (auteur) With the help of significant technological developments over the years, it has been possible to collect massive amounts of remote sensing data. For example, the constellations of various satellites are able to capture large amounts of remote sensing images with high spatial resolution as well as rich spectral information over the globe. The availability of such huge volume of data has opened the door to numerous applications and raised many challenges. Among these challenges, automatically generating accurate maps has become one of the most interesting and long-standing problems, since it is a crucial process for a wide range of applications in domains such as urban monitoring and management, precise agriculture, autonomous driving, and navigation. This thesis seeks for developing novel approaches to generate vector maps from remote sensing images. To this end, we split the task into two sub-stages. The former stage consists in generating raster maps from remote sensing images by performing pixel-wise classification using advanced deep learning techniques. The latter stage aims at converting raster maps to vector ones by leveraging computational geometry approaches. This thesis addresses the challenges that are commonly encountered within both stages. Although previous research has shown that convolutional neural networks (CNNs)are able to generate excellent maps when training data are representative for test data, their performance significantly drops when there exists a large distribution difference between training and test images. In the first stage of our pipeline, we mainly aim atvercoming limited generalization abilities of CNNs to perform large-scale classification. We also explore a way of leveraging multiple data sets collected at different times with annotations for separate classes to train CNNs that can generate maps for all the classes. In the second part, we propose a method that vectorizes raster maps to integrate them into geographic information systems applications, which completes our processing pipeline. Throughout this thesis, we experiment on a large number of very high resolution satellite and aerial images. Our experiments demonstrate robustness and scalability of the proposed methods. Note de contenu : 1- Introduction
2- Progressively learning to segment new classes
3- City-to-city domain adaptation
4- Multi-source domain adaptation by data standardization
5- Multi-source, multi-target, and life-long domain adaptation
6- Vectorization of buildings via mesh approximation
7- Conclusions and perspectivesNuméro de notice : 28571 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Traitement du Signal et des Images : Côte d'Azur : 2020 Organisme de stage : INRIA Sophia Antipolis nature-HAL : Thèse En ligne : https://tel.archives-ouvertes.fr/tel-02989681v2/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97728
Titre : Manual of Digital Earth Type de document : Monographie Auteurs : Huadong Guo, Auteur ; Michael F. Goodchild, Auteur ; Alessandro Annoni, Auteur Editeur : Springer International Publishing Année de publication : 2020 Importance : 852 p. ISBN/ISSN/EAN : 978-981-329-915-3 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Société de l'information
[Termes IGN] changement climatique
[Termes IGN] développement durable
[Termes IGN] données localisées numériques
[Termes IGN] données massives
[Termes IGN] données numériques
[Termes IGN] informatique en nuage
[Termes IGN] Infrastructure de données
[Termes IGN] intelligence artificielle
[Termes IGN] télédétectionRésumé : (éditeur) This open access book offers a summary of the development of Digital Earth over the past twenty years. By reviewing the initial vision of Digital Earth, the evolution of that vision, the relevant key technologies, and the role of Digital Earth in helping people respond to global challenges, this publication reveals how and why Digital Earth is becoming vital for acquiring, processing, analysing and mining the rapidly growing volume of global data sets about the Earth. The main aspects of Digital Earth covered here include: Digital Earth platforms, remote sensing and navigation satellites, processing and visualizing geospatial information, geospatial information infrastructures, big data and cloud computing, transformation and zooming, artificial intelligence, Internet of Things, and social media. Moreover, the book covers in detail the multi-layered/multi-faceted roles of Digital Earth in response to sustainable development goals, climate changes, and mitigating disasters, the applications of Digital Earth (such as digital city and digital heritage), the citizen science in support of Digital Earth, the economic value of Digital Earth, and so on. This book also reviews the regional and national development of Digital Earth around the world, and discusses the role and effect of education and ethics. Lastly, it concludes with a summary of the challenges and forecasts the future trends of Digital Earth. By sharing case studies and a broad range of general and scientific insights into the science and technology of Digital Earth, this book offers an essential introduction for an ever-growing international audience. Note de contenu : Part I Digital Earth Technologies
Part II Digital Earth for Multi-domain Applications
Part III Digital Earth Regional & National Development
Part IV Digital Earth Education and EthicsNuméro de notice : 25688 Affiliation des auteurs : non IGN Thématique : SOCIETE NUMERIQUE Nature : Monographie En ligne : https://doi.org/10.1007/978-981-32-9915-3 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94727 Mise en place d'une méthode de détermination de la hauteur d'eau des océans à partir d'un capteur LiDAR aéroporté dans le cadre de la calibration/validation de l'altimètre SWOT / Romain Serthelon (2020)
PermalinkMise en place d'un système d’auscultation par photogrammétrie aérienne et comparaison avec un scanner laser 3D / Benoît Brizard (2020)
PermalinkMoving objects aware sensor mesh fusion for indoor reconstruction from a couple of 2D lidar scans / Teng Wu (2020)
PermalinkPermalinkOn the adjustment, calibration and orientation of drone photogrammetry and laser-scanning / Emmanuel Clédat (2020)
PermalinkPoint cloud registration and mitigation of refraction effects for geomonitoring using long-range terrestrial laser scanning / Ephraim Friedli (2020)
PermalinkPratique des relevés en zones urbaines denses intégrant les nouvelles technologies / Théo Laporte (2020)
PermalinkPredicting carbon accumulation in temperate forests of Ontario, Canada using a LiDAR-initialized growth-and-yield model / Paulina T. Marczak in Remote sensing, vol 12 n° 1 (January 2020)
PermalinkPermalinkPermalinkRelevés par Lidar mobile de cours d’eau et intégration des profils aux relevés bathymétriques réalisés par sondeur mono-faisceau / Guillaume Didier (2020)
PermalinkPermalinkPermalinkPermalinkPermalinkSimplicial complexes reconstruction and generalisation of 3d lidar data in urban scenes / Stéphane Guinard (2020)
PermalinkPermalinkA spatially explicit database of wind disturbances in European forests over the period 2000–2018 / Giovanni Forzieri in Earth System Science Data, vol 12 n° 1 (January 2020)
PermalinkPermalinkThree-dimensional reconstruction of fluvial surface sedimentology and topography using personal mobile laser scanning / Richard David Williams in Earth surface processes and landforms, vol 45 n° 1 (January 2020)
Permalink