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 (303)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Study on offshore seabed sediment classification based on particle size parameters using XGBoost algorithm / Fengfan Wang in Computers & geosciences, vol 149 (April 2021)
[article]
Titre : Study on offshore seabed sediment classification based on particle size parameters using XGBoost algorithm Type de document : Article/Communication Auteurs : Fengfan Wang, Auteur ; Jia Yu, Auteur ; Zhijie Liu, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 104713 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse spatiale
[Termes IGN] calcul matriciel
[Termes IGN] Chine
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] diagramme
[Termes IGN] échantillon
[Termes IGN] Extreme Gradient Machine
[Termes IGN] fond marin
[Termes IGN] gravier
[Termes IGN] image à haute résolution
[Termes IGN] sédimentRésumé : (auteur) Folk's textual classification scheme which is widely used for sediment study operates with the proportions of gravel, sand, silt and clay fractions conventionally. However, dealing with data from different sources usually needs to face missing values that may make the classification difficult. To solve this problem and discover other methods of analyzing the scheme, with samples of offshore seabed sediment, a two-stage model was established to predict a sample's class using the XGBoost algorithm as well as the grain size parameters as input features. The final model was evaluated with quantitative performance measures of recall, precision and F1 score, and by comparing sediment texture maps using the predicted and the actual data. The results show that the model performs well on extraction of sediment samples without gravel fraction, and prediction of classes that have independent characteristics of grain size parameters or samples not near the boundaries of classes in the ternary diagram. The predicted sediment texture is close to the actual and could be reliable due to errors with little impact on further applications. It is demonstrated that the model could be an auxiliary or alternative approach to offshore sediment texture mapping, as well as supplementary to the analysis of sedimentary environment. Numéro de notice : A2021-289 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.cageo.2021.104713 Date de publication en ligne : 12/02/2021 En ligne : https://doi.org/10.1016/j.cageo.2021.104713 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97400
in Computers & geosciences > vol 149 (April 2021) . - n° 104713[article]Complémentarité des images optiques Sentinel-2 avec les images radar Sentinel-1 et ALOS-PALSAR-2 pour la cartographie de la couverture végétale : application à une aire protégée et ses environs au Nord-Ouest du Maroc via trois algorithmes d’apprentissage automatique / Siham Acharki in Revue Française de Photogrammétrie et de Télédétection, n° 223 (mars - décembre 2021)
[article]
Titre : Complémentarité des images optiques Sentinel-2 avec les images radar Sentinel-1 et ALOS-PALSAR-2 pour la cartographie de la couverture végétale : application à une aire protégée et ses environs au Nord-Ouest du Maroc via trois algorithmes d’apprentissage automatique Type de document : Article/Communication Auteurs : Siham Acharki, Auteur ; Pierre-Louis Frison , Auteur ; Mina Amharref, Auteur ; et al., Auteur Année de publication : 2021 Projets : 3-projet - voir note / Article en page(s) : pp 143 - 158 Note générale : Bibliographie
projet de recherche PPR2/2016/79, OGI-Env, soutenu par le ministère de l’Éducation nationale, de la Formation professionnelle, de l’Enseignement supérieur et de la Recherche scientifique (MENFPESRS) et le Centre national pour la recherche scientifique et technique (CNRST)Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] aire protégée
[Termes IGN] apprentissage automatique
[Termes IGN] carte de la végétation
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] couvert végétal
[Termes IGN] image ALOS-PALSAR
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] MarocRésumé : (Auteur) Dans cet article, nous évaluons les performances de classification de trois algorithmes non paramétriques (kNN, RF et SVM) en utilisant les données multi-temporelles de trois satellites (Sentinel-1, Alos-Palsar-2 et Sentinel-2) et de leurs combinaisons. La zone d'étude choisie se caractérise par un climat méditerranéen subhumide et une topographie très accidentée qui rend la classification d’occupation du sol particulièrement difficile. En outre, elle contient une aire protégée nommée Jbel Moussa et présente une diversité biologique exceptionnelle. Afin de suivre le couvert végétal de cette dernière, nous avons acquis et prétraités les images satellitaires optiques et radar pour la période du 1er janvier au 31 décembre 2017. Ensuite, nous avons combiné les trois satellites, soit douze scénarios produits. Des cartes de classifications illustrent notre approche. Un total de trente-six classifications a été obtenu, en se basant sur sept classes : eau, bâtiment et infrastructures, sol nu, végétation peu dense, prairies, forêt peu dense et forêt dense. Les résultats ont montré que pour tous les scénarios, la précision globale la plus élevée a été produite par RF (53,03%-93,06%), suivie de kNN (49,16%-89,63%), tandis que SVM (47,86%-86,08%) a produit la précision de classification la plus faible. L'étude a également montré une similitude entre les performances de la combinaison des trois satellites et celles de Sentinel-2 seul. Les estimations de la superficie pour les différentes classes vont de 0,85 km2 (0,11% de la zone d'étude) à 326,84 km2 (41,31% de la zone d'étude) Numéro de notice : A2021-890 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : 10.52638/rfpt.2021.599 Date de publication en ligne : 29/11/2021 En ligne : https://doi.org/10.52638/rfpt.2021.599 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99215
in Revue Française de Photogrammétrie et de Télédétection > n° 223 (mars - décembre 2021) . - pp 143 - 158[article]Evaluation du potentiel des series d’images multi-temporelles optique et radar des satellites Sentinel 1 & 2 pour le suivi d’une zone côtière en contexte tropical: cas de l’estuaire du Cameroun pour la période 2015-2020 / Nourdi Njutapvoui in Revue Française de Photogrammétrie et de Télédétection, n° 223 (mars - décembre 2021)
[article]
Titre : Evaluation du potentiel des series d’images multi-temporelles optique et radar des satellites Sentinel 1 & 2 pour le suivi d’une zone côtière en contexte tropical: cas de l’estuaire du Cameroun pour la période 2015-2020 Type de document : Article/Communication Auteurs : Nourdi Njutapvoui, Auteur ; Raphael Onguene, Auteur ; Jean-Paul Rudant , Auteur Année de publication : 2021 Article en page(s) : pp 88 - 103 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] Cameroun
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données multitemporelles
[Termes IGN] écosystème
[Termes IGN] érosion côtière
[Termes IGN] estuaire
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] indice de végétation
[Termes IGN] restauration d'image
[Termes IGN] trait de côte
[Termes IGN] zone intertropicaleRésumé : (Auteur) Ce travail porte sur l’évaluation du potentiel des images multi-temporelles et multi-capteurs (optique et radar) des satellites Sentinel 1 et 2 pour la cartographie de l’occupation du sol et le suivi de l’évolution du trait de côte dans un écosystème tropical sur la période 2015 à 2020. La zone d’étude choisie est l’Estuaire du Cameroun. Cette zone représente un milieu de transition écologique majeur dans la sous-région avec la présence de réserves naturelles protégées (mangroves, forêt dense, zones humides) mais aussi une forte activité anthropique (constructions, agriculture, forêt dégradée). L’approche méthodologique a consisté en une chaine de prétraitements et d’analyses visuelles d’images, suivie d’une combinaison des bandes de chaque capteur, d’une classification supervisée Random Forest pour ébaucher une cartographie de l’occupation du sol et enfin une numérisation du trait de côte. Globalement, les résultats montrent que la classification, avec les images Sentinel 2 en utilisant 10 bandes et en ajoutant 4 indices de végétation, s’avère légèrement plus précise (95.75%) que celle issue des 13 bandes initiales (91.78%). La classification avec les seules images Sentinel 1A double polarisation (VV, VH) conduit à une précision de 78.44%. La combinaison des bandes Sentinel 2A (10 bandes et 4 indices) et Sentinel 1 améliore les résultats et conduit à une précision de 98.76%. Nos résultats montrent aussi que l’utilisation des séries chronologiques d’images multi-temporelles améliore considérablement la précision de classification par rapport à l’usage d’une seule image (mono-date), et cela pour les deux capteurs, soit un gain supplémentaire de 13% et 10% respectivement pour Sentinel-2 et Sentinel-1. Néanmoins ce gain reste faible pour les classes temporellement stables. Les résultats d’analyse de l’évolution du trait de côte montrent que l’estuaire du Cameroun est perturbé selon différents niveaux d’érosion (Cap Cameroun, Partie Nord île Manoka, embouchure de la Sanaga), et d’accrétion (Limbé, et Partie Sud île Manoka) et aussi par de faible variations internes. La fusion des données de télédétection optique et radar dans la discrimination des classes d’occupation du sol, a permis de montrer que les zones de constructions sont les plus vulnérables à l’érosion côtière. Par contre, la présence de la végétation (mangrove, forêt) stabilise et protège la côte d’éventuels risques de cette nature. Numéro de notice : A2021-665 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : 10.52638/rfpt.2021.586 Date de publication en ligne : 25/08/2021 En ligne : https://doi.org/10.52638/rfpt.2021.586 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98762
in Revue Française de Photogrammétrie et de Télédétection > n° 223 (mars - décembre 2021) . - pp 88 - 103[article]Analysis of plot-level volume increment models developed from machine learning methods applied to an uneven-aged mixed forest / Seyedeh Kosar Hamidi in Annals of Forest Science, vol 78 n° 1 (March 2021)
[article]
Titre : Analysis of plot-level volume increment models developed from machine learning methods applied to an uneven-aged mixed forest Type de document : Article/Communication Auteurs : Seyedeh Kosar Hamidi, Auteur ; Eric K. Zenner, Auteur ; Mahmoud Bayat, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 4 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] Acer velutinum
[Termes IGN] Alnus cordata
[Termes IGN] analyse comparative
[Termes IGN] apprentissage automatique
[Termes IGN] Carpinus betulus
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par réseau neuronal
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] dynamique de la végétation
[Termes IGN] écosystème forestier
[Termes IGN] Fagus orientalis
[Termes IGN] forêt inéquienne
[Termes IGN] inventaire forestier étranger (données)
[Termes IGN] Iran
[Termes IGN] modèle de croissance végétale
[Termes IGN] modèle de simulation
[Termes IGN] peuplement mélangé
[Termes IGN] régression linéaire
[Termes IGN] volume en bois
[Vedettes matières IGN] SylvicultureRésumé : (auteur) Key message: We modeled 10-year net stand volume growth with four machine learning (ML) methods, i.e., artificial neural networks (ANN), support vector machines (SVM), random forests (RF), and nearest neighbor analysis (NN), and with linear regression analysis. Incorporating interactions of multiple variables, the ML methods ANN and SVM predicted nonlinear system behavior and unraveled complex relations with greater accuracy than regression analysis.
Context: Investigating the quantitative and qualitative characteristics of short-term forest dynamics is essential for testing whether the desired goals in forest-ecosystem conservation and restoration are achieved. Inventory data from the Jojadeh section of the Farim Forest located in the uneven-aged, mixed Hyrcanian Forest were used to model and predict 10-year net annual stand volume increment with new machine learning technologies.
Aims: The main objective of this study was to predict net annual stand volume increment as the preeminent factor of forest growth and yield models.
Methods: In the current study, volume increment was modeled from two consecutive inventories in 2003 and 2013 using four machine learning techniques that used physiographic data of the forest as input for model development: (i) artificial neural networks (ANN), (ii) support vector machines (SVM), (iii) random forests (RF), and (iv) nearest neighbor analysis (NN). Results from the various machine learning technologies were compared against results produced with regression analysis.
Results: ANNs and SVMs with a linear kernel function that incorporated field-measurements of terrain slope and aspect as input variables were able to predict plot-level volume increment with a greater accuracy (94%) than regression analysis (87%).
Conclusion: These results provide compelling evidence for the added utility of machine learning technologies for modeling plot-level volume increment in the context of forest dynamics and management.Numéro de notice : A2021-071 Affiliation des auteurs : non IGN Thématique : FORET/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s13595-020-01011-6 Date de publication en ligne : 12/01/2021 En ligne : https://doi.org/10.1007/s13595-020-01011-6 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96794
in Annals of Forest Science > vol 78 n° 1 (March 2021) . - n° 4[article]Assessing land use–land cover change and soil erosion potential using a combined approach through remote sensing, RUSLE and random forest algorithm / Siddhartho Shekhar Paul in Geocarto international, vol 36 n° 4 ([01/03/2021])
[article]
Titre : Assessing land use–land cover change and soil erosion potential using a combined approach through remote sensing, RUSLE and random forest algorithm Type de document : Article/Communication Auteurs : Siddhartho Shekhar Paul, Auteur ; Jianbing Li, Auteur ; Yubao Li, Auteur ; Lei Shen, Auteur Année de publication : 2021 Article en page(s) : pp 361 - 375 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] bassin hydrographique
[Termes IGN] changement d'occupation du sol
[Termes IGN] classification orientée objet
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] coupe rase (sylviculture)
[Termes IGN] détection de changement
[Termes IGN] érosion
[Termes IGN] modèle RUSLE
[Termes IGN] occupation du sol
[Termes IGN] qualité des eaux
[Termes IGN] utilisation du solRésumé : (auteur) Numéro de notice : A2021-161 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1614099 Date de publication en ligne : 10/06/2019 En ligne : https://doi.org/10.1080/10106049.2019.1614099 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97081
in Geocarto international > vol 36 n° 4 [01/03/2021] . - pp 361 - 375[article]Improving the unsupervised mapping of riparian bugweed in commercial forest plantations using hyperspectral data and LiDAR / Kabir Peerbhay in Geocarto international, vol 36 n° 4 ([01/03/2021])PermalinkUrban flood hazard mapping using machine learning models: GARP, RF, MaxEnt and NB / Mahya Norallahi in Natural Hazards, vol 106 n° 1 (March 2021)PermalinkAn ecological approach to climate change-informed tree species selection for reforestation / William H. MacKenzie in Forest ecology and management, vol 481 (February 2021)PermalinkGeographical random forests: a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling / Stefanos Georganos in Geocarto international, vol 36 n° 2 ([01/02/2021])PermalinkImproving trajectory estimation using 3D city models and kinematic point clouds / Lucas Lucks in Transactions in GIS, Vol 25 n° 1 (February 2021)PermalinkRoom semantics inference using random forest and relational graph convolutional networks: A case study of research building / Xuke Hu in Transactions in GIS, Vol 25 n° 1 (February 2021)PermalinkSpruce budworm tree host species distribution and abundance mapping using multi-temporal Sentinel-1 and Sentinel-2 satellite imagery / Rajeev Bhattarai in ISPRS Journal of photogrammetry and remote sensing, vol 172 (February 2021)PermalinkTropical forest canopy height estimation from combined polarimetric SAR and LiDAR using machine-learning / Maryam Pourshamsi in ISPRS Journal of photogrammetry and remote sensing, vol 172 (February 2021)PermalinkUsing automated vegetation cover estimation from close-range photogrammetric point clouds to compare vegetation location properties in mountain terrain / R. Niederheiser in GIScience and remote sensing, vol 58 n° 1 (February 2021)PermalinkAnalyse de la dynamique d’embroussaillement des pelouses calcaires par traitement d’images / Théo Mesure (2021)Permalink