Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification par arbre de décision > classification par forêts d'arbres décisionnels
classification par forêts d'arbres décisionnelsSynonyme(s)Random forests classification forêts aléatoiresVoir aussi |
Documents disponibles dans cette catégorie (314)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Etendre la recherche sur niveau(x) vers le bas
Above-ground biomass estimation in a Mediterranean sparse coppice oak forest using Sentinel-2 data / Fardin Moradi in Annals of forest research, vol 65 n° 1 (January - June 2022)
![]()
[article]
Titre : Above-ground biomass estimation in a Mediterranean sparse coppice oak forest using Sentinel-2 data Type de document : Article/Communication Auteurs : Fardin Moradi, Auteur ; Seyed Mohammad Moein Sadeghi, Auteur ; Hadi Beygi Heidarlou, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 165 - 182 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] allométrie
[Termes IGN] biomasse aérienne
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] forêt méditerranéenne
[Termes IGN] image proche infrarouge
[Termes IGN] image Sentinel-MSI
[Termes IGN] indice de végétation
[Termes IGN] Iran
[Termes IGN] Quercus brantii
[Termes IGN] taillisRésumé : (auteur) Implementing a scheduled and reliable estimation of forest characteristics is important for the sustainable management of forests. This study aimed at evaluating the capability of Sentinel-2 satellite data to estimate above-ground biomass (AGB) in coppice forests of Persian oak (Quercus brantii var. persica) located in Western Iran. To estimate the AGB, field data collection was implemented in 80 square plots (40×40 m, area of 1600 m2). Two diameters of the crown were measured and used to calculate the AGB of each tree based on allometric equations. Then, the performance of satellite data in estimating the AGB was evaluated for the area of study using the field-based AGB (dependent variable) as well as the spectral band values, spectrally-derived vegetation indices (independent variables) and four machine learning (ML) algorithms: MultiLayer Perceptron Artificial Neural Network (MLPNN), k-Nearest Neighbor (kNN), Random Forest (RF), and Support Vector Regression (SVR). A five-fold cross-validation was used to verify the effectiveness of models. Examination of the Pearson’s correlation coefficient between AGB and the extracted values showed that IPVI and NDVI vegetation indices had the highest correlation with AGB (r = 0.897). The results indicated that the MLPNN algorithm was the best ML option (RMSE = 1.71 t ha-1; MAE = 1.37 t ha-1; relative RMSE = 24.75%; R2 = 0.87) in estimating the AGB, providing new insights on the capability of remotely sensed-based AGB modeling of sparse Mediterranean forest ecosystems in an area with limited number of field sample plots. Numéro de notice : A2022-876 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.15287/afr.2022.2390 Date de publication en ligne : 29/06/2022 En ligne : https://doi.org/10.15287/afr.2022.2390 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102180
in Annals of forest research > vol 65 n° 1 (January - June 2022) . - pp 165 - 182[article]An extended patch-based cellular automaton to simulate horizontal and vertical urban growth under the shared socioeconomic pathways / Yimin Chen in Computers, Environment and Urban Systems, vol 91 (January 2022)
![]()
[article]
Titre : An extended patch-based cellular automaton to simulate horizontal and vertical urban growth under the shared socioeconomic pathways Type de document : Article/Communication Auteurs : Yimin Chen, Auteur Année de publication : 2022 Article en page(s) : n° 101727 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] automate cellulaire
[Termes IGN] Canton (Kouangtoung)
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] construction
[Termes IGN] croissance urbaine
[Termes IGN] données socio-économiques
[Termes IGN] Kouangtoung (Chine)
[Termes IGN] modèle de simulation
[Termes IGN] urbanisationRésumé : (auteur) Most contemporary urban cellular automata (CA) models primarily focus on the simulation of urban land expansion, and cannot effectively simulate vertical urban growth. This study addresses this drawback by extending a patch-based urban CA model with a component that can predict the building volumes of an urban land expansion scenario. The proposed model is evaluated through a case study in the Guangzhou-Foshan metropolitan area, China. The horizontal urban growth simulations achieve a mean ‘Figure-of-merit’ value of 0.1406 at the cell level and an agreement of 97% at the pattern level. The building volume prediction made by the methods of random forest and k-nearest-neighbor has a testing R2 of 0.90 and a mean percentage absolute error of 22%. The proposed model is applied to the urban growth projections under the shared socioeconomic pathways (SSPs). The results successfully reflect the influences that different SSPs have on vertical urban developments. These results also complement related research of urbanization projections under the SSPs, because most existing studies consider the impacts of horizontal urban growth only. As building volumes and heights are fundamental parameters to urban climate modeling, the ability of the proposed model to project future change in vertical urban developments can support the mitigation of climate change effects on human settlements. Numéro de notice : A2022-008 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/URBANISME Nature : Article DOI : 10.1016/j.compenvurbsys.2021.101727 Date de publication en ligne : 21/10/2021 En ligne : https://doi.org/10.1016/j.compenvurbsys.2021.101727 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99049
in Computers, Environment and Urban Systems > vol 91 (January 2022) . - n° 101727[article]Classification of mediterranean shrub species from UAV point clouds / Juan Pedro Carbonell-Rivera in Remote sensing, vol 14 n° 1 (January-1 2022)
![]()
[article]
Titre : Classification of mediterranean shrub species from UAV point clouds Type de document : Article/Communication Auteurs : Juan Pedro Carbonell-Rivera, Auteur ; Jesus Torralba, Auteur ; Javier Estornell, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 199 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] apprentissage automatique
[Termes IGN] arbuste
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] Espagne
[Termes IGN] Extreme Gradient Machine
[Termes IGN] forêt méditerranéenne
[Termes IGN] image captée par drone
[Termes IGN] incendie de forêt
[Termes IGN] indice de végétation
[Termes IGN] modèle de simulation
[Termes IGN] modèle numérique de terrain
[Termes IGN] parc naturel
[Termes IGN] photogrammétrie aérienne
[Termes IGN] semis de pointsRésumé : (auteur) Modelling fire behaviour in forest fires is based on meteorological, topographical, and vegetation data, including species’ type. To accurately parameterise these models, an inventory of the area of analysis with the maximum spatial and temporal resolution is required. This study investigated the use of UAV-based digital aerial photogrammetry (UAV-DAP) point clouds to classify tree and shrub species in Mediterranean forests, and this information is key for the correct generation of wildfire models. In July 2020, two test sites located in the Natural Park of Sierra Calderona (eastern Spain) were analysed, registering 1036 vegetation individuals as reference data, corresponding to 11 shrub and one tree species. Meanwhile, photogrammetric flights were carried out over the test sites, using a UAV DJI Inspire 2 equipped with a Micasense RedEdge multispectral camera. Geometrical, spectral, and neighbour-based features were obtained from the resulting point cloud generated. Using these features, points belonging to tree and shrub species were classified using several machine learning methods, i.e., Decision Trees, Extra Trees, Gradient Boosting, Random Forest, and MultiLayer Perceptron. The best results were obtained using Gradient Boosting, with a mean cross-validation accuracy of 81.7% and 91.5% for test sites 1 and 2, respectively. Once the best classifier was selected, classified points were clustered based on their geometry and tested with evaluation data, and overall accuracies of 81.9% and 96.4% were obtained for test sites 1 and 2, respectively. Results showed that the use of UAV-DAP allows the classification of Mediterranean tree and shrub species. This technique opens a wide range of possibilities, including the identification of species as a first step for further extraction of structure and fuel variables as input for wildfire behaviour models. Numéro de notice : A2022-057 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.3390/rs14010199 En ligne : https://doi.org/10.3390/rs14010199 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99462
in Remote sensing > vol 14 n° 1 (January-1 2022) . - n° 199[article]Combining a class-weighted algorithm and machine learning models in landslide susceptibility mapping: A case study of Wanzhou section of the Three Gorges Reservoir, China / Huijuan Zhang in Computers & geosciences, vol 158 (January 2022)
![]()
[article]
Titre : Combining a class-weighted algorithm and machine learning models in landslide susceptibility mapping: A case study of Wanzhou section of the Three Gorges Reservoir, China Type de document : Article/Communication Auteurs : Huijuan Zhang, Auteur ; Yingxu Song, Auteur ; Shiluo Xu, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 104966 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] aléa
[Termes IGN] apprentissage automatique
[Termes IGN] base de données localisées
[Termes IGN] cartographie des risques
[Termes IGN] Chine
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] effondrement de terrain
[Termes IGN] modèle de simulation
[Termes IGN] régression géographiquement pondérée
[Termes IGN] régression logistique
[Termes IGN] risque naturel
[Termes IGN] Trois Gorges, barrage desRésumé : (auteur) This study aims to investigate the application of a class-weighted algorithm combined with conventional machine learning model (logistic regression (LR)) and ensemble machine learning models (LightGBM and random forest (RF)) to the landslide susceptibility evaluation. Wanzhou section of the Three Gorges Reservoir area, China, frequently suffering numerous landslides, is chosen as an example. The class-weighted algorithm focuses on the class-imbalanced issue of landslide and non-landslide samples, and it can turn the class-imbalanced issue into a cost-sensitive machine learning by setting unequal weights for different classes, which contribute to improving the accuracy of landslide susceptibility evaluation. The landslide inventory database was produced by field investigation and remote sensing images derived from Google Earth. Of the 233 landslides in the inventory, 40% were used for validation, and the remaining 60% were used for training purposes. Twelve environmental parameters (elevation, slope, aspect, curvature, distance to river, NDVI, NDWI, rainfall, seismic intensity, land use, TRI, lithology) were treated as inputs of the models to produce a landslide susceptibility map (LSM). The AUC value, Balanced accuracy, and Geometric mean score were utilized to estimate the quality of models. The result shows that the weighted models (weighted logistic regression (WLR), weighted LightGBM (WLightGBM), weighted random forest (WRF) have higher AUC values, Balanced accuracy, and Geometric mean scores than those of unweighted methods, which demonstrates that the weighted models exhibit better than unweighted models, with the WRF model having the best performance. The landslide susceptibility map of the Wanzhou section displays that the high and very high landslide susceptibility zones are mainly distributed on both sides of the river. The insights from this research will be useful for ameliorating the landslide susceptibility mapping and the prevention and mitigation for the Wanzhou section. Numéro de notice : A2022-029 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1016/j.cageo.2021.104966Get rights and content Date de publication en ligne : 27/10/2021 En ligne : https://doi.org/10.1016/j.cageo.2021.104966Get rights and content Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99268
in Computers & geosciences > vol 158 (January 2022) . - n° 104966[article]Détection des prairies de fauche et estimation des périodes de fauche par télédétection / Emma Seneschal (2022)
![]()
Titre : Détection des prairies de fauche et estimation des périodes de fauche par télédétection Type de document : Mémoire Auteurs : Emma Seneschal, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 103 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de fin d'étude, cycle des Ingénieurs diplômés de l’ENSG 3ème année, Information Géographique, Analyse Spatiale et TélédétectionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] Aves
[Termes IGN] Cantal (15)
[Termes IGN] cartographie thématique
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] échantillonnage de données
[Termes IGN] habitat animal
[Termes IGN] image multibande
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] Jura (39)
[Termes IGN] Perceptron multicouche
[Termes IGN] prairie
[Termes IGN] régressionIndex. décimale : IGAST Mémoires du Master Information Géographique, Analyse Spatiale et Télédétection Résumé : (auteur) Ce travail s’inscrit dans le projet Parcelle qui vise à promouvoir le développement de la chaîne de traitement Iota2, développée par le CESBIO. Dans ce cadre-là, une collaboration s’est développée avec l’OFB qui a besoin de cartographier les prairies de fauche précoce dans le cadre de son «Observatoire National de l’Ecosystème Prairie de Fauche» (ONEPF). Le report des fauches est plébiscité depuis de nombreuses années face au déclin de l’avifaune prairiale. Des programmes agri-environnementaux incitent les agriculteurs à reporter les fenaisons jusqu’à mi-juillet. Les cartographies du suivi des prairies de fauche avec une récolte tardive constitueraient un outil de suivi des surfaces de l’habitat potentiellement favorable à la reproduction des oiseaux prairiaux en France. L’utilisation de la télédétection avec Iota2 permettrait une production annuelle plus rapide et moins coûteuse par rapport à des campagnes terrains et au processus actuel de production. Ce travail répond aux problématiques suivantes :
— Comment et avec quelle précision peut-on identifier et cartographier les prairies de fauche en France ?
— Est-il possible d’estimer la période de fauche et à quelle précision ?
Les séries temporelles denses, multi-spectrales et à haute résolution des satellites S1 & S2 ont été retenues pour l’étude des gestions des prairies (fauche, pâture et mixte). Les comportements des prairies selon leur mode de gestion ont été analysés grâce aux profils spectro-temporels des parcelles (bandes et indices spectraux issus de S2). Iota2 a été utilisé pour classifier avec Random Forest ou Deep Learning les prairies selon leur type de gestion. Plusieurs configurations ont été testées : calcul d’indices spectraux, ajout d’informations dérivées de MNT, augmentation de données, modification de l’architecture du réseau de neurones profonds, etc. Les cartographies prédictives des prairies de fauche ont été générées pour les années 2019 et 2021 respectivement sur les zones géographiques Jura-Mâconais et du Cantal. De meilleurs résultats ont été obtenus avec les échantillons d’apprentissage des sites du Jura et de Mâcon (F-score de 0.96 pour les parcelles de fauche). Les nouvelles fonctionnalités de Iota2 ont permis d’estimer la période de fauche par régression (avec un MultiLayerPerceptron). Les premiers résultats réalisés avec les séries temporelles S2 semblent prometteurs (R2 supérieurs à 0.5 et bonnes précisions). Ainsi, Iota2 est un outil performant qui permet la production rapide et qualitative de cartes de suivi des gestions prairiales en intégrant la télédétection. Iota2 pourrait être intégrée dans le processus de l’ONEPF.Note de contenu : Introduction
1- Avifaune et prairie
2- Prairies et télédétection
3- Données
4- Détection des prairies de fauche
5- Détection des périodes de fauche
ConclusionNuméro de notice : 24021 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Organisme de stage : CESBIO Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101819 Documents numériques
en open access
Détection des prairies... - pdf auteur -Adobe Acrobat PDFEstimating aboveground biomass in dense Hyrcanian forests by the use of Sentinel-2 data / Fardin Moradi in Forests, vol 13 n° 1 (January 2022)
PermalinkÉvolution rétrospective et prospective d’un massif dunaire par imagerie multispectrale et LiDAR / Iris Jeuffrard (2022)
PermalinkForest fire susceptibility assessment using Google Earth engine in Gangwon-do, Republic of Korea / Yong Piao in Geomatics, Natural Hazards and Risk, vol 13 (2022)
PermalinkA GIS-based landslide susceptibility mapping and variable importance analysis using artificial intelligent training-based methods / Pengxiang Zhao in Remote sensing, vol 14 n° 1 (January-1 2022)
PermalinkIdentifying map users with eye movement data from map-based spatial tasks: user privacy concerns / Hua Liao in Cartography and Geographic Information Science, vol 49 n° 1 (January 2022)
PermalinkTowards synthetic sensing for smart cities : a machine/deep learning-based approach / Faraz Malik Awan (2022)
PermalinkTowards urban flood susceptibility mapping using data-driven models in Berlin, Germany / Omar Seleem in Geomatics, Natural Hazards and Risk, vol 13 (2022)
PermalinkEarly detection of spruce vitality loss with hyperspectral data: Results of an experimental study in Bavaria, Germany / Kathrin Einzmann in Remote sensing of environment, vol 266 (December 2021)
PermalinkEstimation of individual tree stem biomass in an uneven-aged structured coniferous forest using multispectral LiDAR data / Nikos Georgopoulos in Remote sensing, vol 13 n° 23 (December-1 2021)
PermalinkBagging and boosting ensemble classifiers for classification of multispectral, hyperspectral and PolSAR data: A comparative evaluation / Hamid Jafarzadeh in Remote sensing, vol 13 n° 21 (November-1 2021)
Permalink