Centre de documentation
scientifique

Assessment of VRS performances of the Algerian-CORS-network / Takka Elhadi in Bulletin des sciences géographiques, vol 27 n° 1 (2023)    

Public [article]  inBulletin des sciences géographiques > vol 27 n° 1 (2023) . - pp 25 - 33 Titre : Assessment of VRS performances of the Algerian-CORS-network Type de document : Article/Communication Auteurs : Takka Elhadi, Auteur ; Touabet Touabet, Auteur ; Boudrassene Abdennour, Auteur Année de publication : 2023 Article en page(s) : pp 25 - 33 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Systèmes de référence et réseaux [Termes IGN] affaiblissement géométrique de la précision [Termes IGN] Algérie [Termes IGN] disponibilité des données [Termes IGN] intégrité des données [Termes IGN] performance [Termes IGN] précision du positionnement [Termes IGN] répétabilité [Termes IGN] réseau géodésique local [Termes IGN] réseau géodésique permanent [Termes IGN] station de référence Résumé : (auteur) The Algerian Continuously Operating Reference Stations Network, so-called AL-CORS-Net, is deployed to provideNRTK services based onVRS method using Geo++GNSMART software.This paper investigates VRS performance in terms ofprecision, availability, integrity, Time-to-Fix-Ambiguity (TTFA), repeatability and PDOP.Several survey sessions were performed at different sites in the north of Algeria during October 2021 to January 2022. The results revealed good performance indicators; the precision was in the order of 1.3 cm in the horizontal component and about 2.2 cm in the vertical (at 1 sigma). The VRS solution's availability was 97.25%, its integrity was 98.8% in the horizontal and 94.9% in the vertical, and the TTFA ranged from a few seconds to a few minutes. The VRS measurements' repeatability presented similar measurement results throughout time. High satellite numbers have been tracked, their geometry (PDOP) was ideal. Numéro de notice : A2023-090 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article DOI : sans En ligne : https://www.asjp.cerist.dz/en/downArticle/213/27/1/216928 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103152 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
253-2023011	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Documents numériques

en open access Assessment of VRS performances ... - pdf éditeur Adobe Acrobat PDF

Rapport d'activité 2020 de l'Institut National de l'Information Géographique et Forestière IGN, 2. Performance et responsabilité / Institut national de l'information géographique et forestière (2012 -) (2021)    

Public Titre de série : Rapport d'activité 2020 de l'Institut National de l'Information Géographique et Forestière IGN, 2 Titre : Performance et responsabilité Type de document : Rapport Auteurs : Institut national de l'information géographique et forestière (2012 -), Auteur Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2021 Importance : 27 p. Format : 21 x 30 cm Langues : Français (fre) Descripteur : [Vedettes matières IGN] Histoire IGN [Termes IGN] bilan comptable [Termes IGN] performance [Termes IGN] ressources humaines Index. décimale : 42.40 Histoire IGN Note de contenu : - Edito d'Emmanuelle Prada-Bordenave - Les missions et activités de l'IGN - Prise de parole de Jeanne Strausz secrétaire générale de l'IGN - Bilan financier et comptable 2020 - Interview de Anne Harlé directrice des ressources humaines de l'IGN Numéro de notice : 28621B Affiliation des auteurs : IGN (2020- ) Nature : Rapport d'activité DOI : sans En ligne : https://www.ign.fr/sites/default/files/2021-06/livret_ra_rh_2020.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99522

Voir aussi

• Rapport d'activité 2020 de l'Institut National de l'Information Géographique et Forestière IGN, 1. Activité / Institut national de l'information géographique et forestière (2012 -) (2021)    

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
28621-01B	42.40	Livre	Centre de documentation	Histoire	Disponible

Documents numériques

en open access Performance et responsabilité IGN 2020 Adobe Acrobat PDF

Ensemble learning for hyperspectral image classification using tangent collaborative representation / Hongjun Su in IEEE Transactions on geoscience and remote sensing, vol 58 n° 6 (June 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 6 (June 2020) . - pp 3778 - 3790 Titre : Ensemble learning for hyperspectral image classification using tangent collaborative representation Type de document : Article/Communication Auteurs : Hongjun Su, Auteur ; Yao Yu, Auteur ; Qian Du, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 3778 - 3790 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse d'image numérique [Termes IGN] boosting adapté [Termes IGN] Bootstrap (statistique) [Termes IGN] classification [Termes IGN] classification dirigée [Termes IGN] classification orientée objet [Termes IGN] conception collaborative [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] échantillon [Termes IGN] image hyperspectrale [Termes IGN] neurone artificiel [Termes IGN] performance [Termes IGN] régression Résumé : (auteur) Recently, collaborative representation classification (CRC) has attracted much attention for hyperspectral image analysis. In particular, tangent space CRC (TCRC) has achieved excellent performance for hyperspectral image classification in a simplified tangent space. In this article, novel Bagging-based TCRC (TCRC-bagging) and Boosting-based TCRC (TCRC-boosting) methods are proposed. The main idea of TCRC-bagging is to generate diverse TCRC classification results using the bootstrap sample method, which can enhance the accuracy and diversity of a single classifier simultaneously. For TCRC-boosting, it can provide the most informative training samples by changing their distributions dynamically for each base TCRC learner. The effectiveness of the proposed methods is validated using three real hyperspectral data sets. The experimental results show that both TCRC-bagging and TCRC-boosting outperform their single classifier counterpart. In particular, the TCRC-boosting provides superior performance compared with the TCRC-bagging. Numéro de notice : A2020-280 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2957135 Date de publication en ligne : 01/01/2020 En ligne : https://doi.org/10.1109/TGRS.2019.2957135 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95100 [article]

Spatial data management in apache spark: the GeoSpark perspective and beyond / Jia Yu in Geoinformatica, vol 23 n° 1 (January 2019)  

Public [article]  inGeoinformatica > vol 23 n° 1 (January 2019) . - pp 37 - 78 Titre : Spatial data management in apache spark: the GeoSpark perspective and beyond Type de document : Article/Communication Auteurs : Jia Yu, Auteur ; Zongsi Zhang, Auteur ; Mohamed Sarwat, Auteur Année de publication : 2019 Article en page(s) : pp 37 - 78 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Bases de données localisées [Termes IGN] analyse comparative [Termes IGN] Apache (serveur) [Termes IGN] arbre k-d [Termes IGN] arbre quadratique [Termes IGN] arbre-R [Termes IGN] données massives [Termes IGN] Hadoop [Termes IGN] index spatial [Termes IGN] performance [Termes IGN] Spark [Termes IGN] traitement réparti Résumé : (auteur) The paper presents the details of designing and developing GeoSpark, which extends the core engine of Apache Spark and SparkSQL to support spatial data types, indexes, and geometrical operations at scale. The paper also gives a detailed analysis of the technical challenges and opportunities of extending Apache Spark to support state-of-the-art spatial data partitioning techniques: uniform grid, R-tree, Quad-Tree, and KDB-Tree. The paper also shows how building local spatial indexes, e.g., R-Tree or Quad-Tree, on each Spark data partition can speed up the local computation and hence decrease the overall runtime of the spatial analytics program. Furthermore, the paper introduces a comprehensive experiment analysis that surveys and experimentally evaluates the performance of running de-facto spatial operations like spatial range, spatial K-Nearest Neighbors (KNN), and spatial join queries in the Apache Spark ecosystem. Extensive experiments on real spatial datasets show that GeoSpark achieves up to two orders of magnitude faster run time performance than existing Hadoop-based systems and up to an order of magnitude faster performance than Spark-based systems. Numéro de notice : A2019-225 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s10707-018-0330-9 Date de publication en ligne : 22/10/2018 En ligne : http://dx.doi.org/10.1007/s10707-018-0330-9 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92621 [article]

Comparison of the performances of ground filtering algorithms and DTM generation from a UAV-based point cloud / Cigdem Serifoglu Yilmaz in Geocarto international, vol 33 n° 5 (May 2018)  

Public [article]  inGeocarto international > vol 33 n° 5 (May 2018) . - pp 522 - 537 Titre : Comparison of the performances of ground filtering algorithms and DTM generation from a UAV-based point cloud Type de document : Article/Communication Auteurs : Cigdem Serifoglu Yilmaz, Auteur ; Oguz Gungor, Auteur Année de publication : 2018 Article en page(s) : pp 522 - 537 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] analyse comparative [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] filtrage de points [Termes IGN] interpolation [Termes IGN] Matlab [Termes IGN] modèle numérique de terrain [Termes IGN] performance [Termes IGN] semis de points [Termes IGN] Triangulated Irregular Network [Termes IGN] université Résumé : (Auteur) Ground filtering algorithms mainly focus on filtering LiDAR (Light Detection and Ranging) point clouds owing to their intrinsic characteristics to classify ground and non-ground points. However, the acquisition and processing of LiDAR data is still costly. Compared to LiDAR technology, UAVs (Unmanned Aerial Vehicle) are cheap and easy to use. In this study, the performances of five widely used ground filtering algorithms (Progressive Morphological 1D/2D, Maximum Local Slope, Elevation Threshold with Expand Window, and Adaptive TIN) were investigated by conducting qualitative and quantitative evaluations on UAV-based point clouds. Evaluation results indicated that the Adaptive TIN algorithm presented the best performance. The result of the Adaptive TIN algorithm was interpolated by using a MATLAB script to generate the DTM (Digital Terrain Model). Field measurements indicated that using UAV-based point clouds may be a reasonable alternative for LiDAR data, depending on the characteristics of the study area. Numéro de notice : A2018-141 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2016.1265599 Date de publication en ligne : 07/12/2016 En ligne : https://doi.org/10.1080/10106049.2016.1265599 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89691 [article]

Revue des descripteurs tridimensionnels (3D) pour la catégorisation des nuages de points acquis avec un système LiDAR de télémétrie mobile / Sylvie Daniel in Geomatica, vol 72 n° 1 (March 2018)  

Permalink

Comparing the performance of flat and hierarchical Habitat/Land-Cover classification models in a NATURA 2000 site / Yoni Gavish in ISPRS Journal of photogrammetry and remote sensing, vol 136 (February 2018)  

Permalink

Modèle d'interaction et performances du traitement du signal multimodal / Saloua Chlaily (2018)  

Permalink

A survey of geomatics solutions for the rapid mapping of natural hazards / Isabella Toschi in Photogrammetric Engineering & Remote Sensing, PERS, vol 83 n° 12 (December 2017)  

Permalink

Performance evaluation of GNSS-TEC estimation techniques at the grid point in middle and low latitudes during different geomagnetic conditions / O. E. Abe in Journal of geodesy, vol 91 n° 4 (April 2017)  

Permalink

Discriminative low-rank Gabor filtering for spectral–spatial hyperspectral image classification / Lin He in IEEE Transactions on geoscience and remote sensing, vol 55 n° 3 (March 2017)  

Permalink

Performance analysis of precise point positioning using multi-constellation GNSS : GPS, GLONASS, Galileo and BeiDou / Mahmoud Abd Rabbou in Survey review, vol 49 n° 352 (March 2017)  

Permalink

Données 3D et SIG en open source / Anonyme in Géomatique expert, n° 114 (janvier - février 2017)

Permalink

Semi-supervised hyperspectral classification from a small number of training samples using a co-training approach / Michał Romaszewski in ISPRS Journal of photogrammetry and remote sensing, vol 121 (November 2016)  

Permalink

Identifying a low-frequency oscillation in Galileo IOV pseudorange rates / Daniele Borio in GPS solutions, vol 20 n° 3 (July 2016)  

Permalink