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 (312)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Etendre la recherche sur niveau(x) vers le bas
Testing the reliability and stability of the internal accuracy assessment of random forest for classifying tree defoliation levels using different validation methods / Samuel Adelabu in Geocarto international, vol 30 n° 7 - 8 (August - September 2015)
![]()
[article]
Titre : Testing the reliability and stability of the internal accuracy assessment of random forest for classifying tree defoliation levels using different validation methods Type de document : Article/Communication Auteurs : Samuel Adelabu, Auteur ; Onisimo Mutanga, Auteur ; Elhadi Adam, Auteur Année de publication : 2015 Article en page(s) : pp 810 - 821 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] défoliation
[Termes IGN] image multibande
[Termes IGN] image RapidEye
[Termes IGN] méthode fiableRésumé : (Auteur) In this study, the strength and reliability of internal accuracy estimate built in random forest (RF) ensemble classifier was evaluated. Specifically, we compared the reliability of the internal validation methods of RF with independent data-sets of different splitting options for defoliation classification. Furthermore, we set out to statistically validate the best independent split option for image classification using RF and multispectral Rapideye imagery. Results show that the internal accuracy measure yields comparable results with those derived from an independent test data-set. More important, it was observed that the errors produced by the internal validation methods of RF were relatively stable as statistically shown by the lower confidence interval obtained as compared to the independent test data. Results also showed that the 70–30% split option had the lowest mean standard errors (0.2351) and hence highest accuracy when compared to the other split options. The study confirms the reliability and stability of the internal bootstrapping estimate of accuracy built within the random forest algorithm. Numéro de notice : A2015-503 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2014.997303 Date de publication en ligne : 04/02/2015 En ligne : http://www.tandfonline.com/doi/abs/10.1080/10106049.2014.997303 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=77420
in Geocarto international > vol 30 n° 7 - 8 (August - September 2015) . - pp 810 - 821[article]Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 059-2015041 RAB Revue Centre de documentation En réserve L003 Disponible Détection à haute résolution spatiale de la desserte forestière en milieu montagneux / António Ferraz in Revue Française de Photogrammétrie et de Télédétection, n° 211 - 212 (juillet - décembre 2015)
![]()
[article]
Titre : Détection à haute résolution spatiale de la desserte forestière en milieu montagneux Type de document : Article/Communication Auteurs : António Ferraz , Auteur ; Clément Mallet
, Auteur ; Nesrine Chehata
, Auteur
Année de publication : 2015 Article en page(s) : pp 103 - 118 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] analyse d'image orientée objet
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données lidar
[Termes IGN] extraction du réseau routier
[Termes IGN] graphe planaire
[Termes IGN] MNS lidar
[Termes IGN] modèle numérique de terrain
[Termes IGN] montagneRésumé : (auteur) En milieu montagneux et forestier, la localisation de la route et ses caractéristiques géométriques sont des informations cruciales pour de nombreuses applications écologiques et liées à la gestion forestière. Par ailleurs, le lidar aéroporté topographique est devenu une technique de télédétection reconnue pour la caractérisation fine de la surface terrestre : les Modèles Numériques de Terrain (MNT) en sont le produit standard. Cet article aborde le problème de la détection de routes sur de grandes surfaces (>1000 km2) dans de tels environnements. Pour cela, nous avons proposé une méthode fondée sur l'hypothèse que les routes peuvent être modélisées par des objets planaires suivant une direction privilégiée et avec de fortes variations du relief dans la direction orthogonale. La connaissance seule du MNT lidar à 1 m de résolution est suffisante dans notre processus, qui ne requiert donc pas le traitement supplémentaire des nuages de points 3D lidar ni de données à retour d'onde complète. L'intégralité de l'analyse se fait donc en deux dimensions. Tout d'abord, trois attributs morphologiques sont extraits du MNT et introduits dans une classification supervisée par Forêts Aléatoires des zones potentiellement "routes". Ensuite, un graphe est créé à partir de ce masque de focalisation afin de combler les éventuels manques et occlusions dus principalement à la végétation. En particulier, les nœuds sont sélectionnés avec un Processus Ponctuel, puis le graphe est élagué en suivant le modèle de route initial. Enfin, la largeur et la pente des routes sont estimées grâce au MNT avec une analyse orientée-objet. D'une part, on obtient une qualité de détection convaincante, tant au niveau de l'exhaustivité (>80%) que de la précision géométrique, supérieure à celle des bases de données topographiques 2D existantes. De plus, de nouvelles routes sont détectées grâce à la capacité du lidar à restituer le terrain sous le couvert végétal. Cependant, en présence d'un trop faible nombre de mesures lidar au niveau du sol, des routes peuvent ne pas être restituées. Enfin, nous montrons que notre méthode est adaptée à une analyse sur de grandes surfaces puisqu'elle permet des rendements de moins de 2 minutes par km2. Numéro de notice : A2015-908 Affiliation des auteurs : LASTIG MATIS (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : 10.52638/rfpt.2015.549 En ligne : https://doi.org/10.52638/rfpt.2015.549 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=79567
in Revue Française de Photogrammétrie et de Télédétection > n° 211 - 212 (juillet - décembre 2015) . - pp 103 - 118[article]Estimation de la déforestation des forêts humides à Madagascar utilisant une classification multidate d'images Landsat entre 2005, 2010 et 2013 / F.A. Rakotomala in Revue Française de Photogrammétrie et de Télédétection, n° 211 - 212 (juillet - décembre 2015)
![]()
[article]
Titre : Estimation de la déforestation des forêts humides à Madagascar utilisant une classification multidate d'images Landsat entre 2005, 2010 et 2013 Type de document : Article/Communication Auteurs : F.A. Rakotomala, Auteur ; J. C. Rabenandrasana, Auteur ; J. E. Andriambahiny, Auteur ; et al., Auteur Année de publication : 2015 Article en page(s) : pp 11 - 24 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse spatio-temporelle
[Termes IGN] carte de la végétation
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] déboisement
[Termes IGN] dynamique spatiale
[Termes IGN] forêt tropicale
[Termes IGN] image Landsat
[Termes IGN] image SPOT
[Termes IGN] Madagascar
[Termes IGN] photo-interprétation assistée par ordinateurRésumé : (auteur) La spatialisation de la dynamique forestière est essentielle à l'estimation des niveaux d'émissions de gaz à effet de serre dans les forêts affectés par la déforestation. L'objectif de cette étude était d'estimer le niveau de la déforestation et de mieux comprendre la dynamique des forêts humides de l'Est de Madagascar entre 2005-2010-2013. Une approche de classification supervisée d'images Landsat multidates utilisant l'algorithme Random Forest a été utilisée. Une carte complète de l'évolution du couvert forestier à 30 mètres de résolution spatiale a été produite sur 20,5 millions d'hectares. Le résultat a été validé par photo-interprétation de près de 11 000 points à partir d'un échantillonnage de points régulier et sur la base d'images satellites SPOT et Landsat pour la période 2010-2013. La précision globale de la carte de la déforestation ainsi produite a été évaluée à environ 90%. La superficie des forêts humides de l'Est de Madagascar a ainsi été estimée à 4,5 millions d'hectares en 2005, 4,4 millions d'hectares en 2010 et 4,3 millions d'hectares en 2013. Le taux de déforestation annuel a augmenté de 0,5%. à 0,9% entre les deux périodes étudiées. Cette étude permet d'envisager le développement d'une démarche de suivi de l'état des forêts fiable, à moindre coût et reproductible dans le temps. Numéro de notice : A2015-901 Affiliation des auteurs : non IGN Thématique : FORET Nature : Article DOI : 10.52638/rfpt.2015.537 Date de publication en ligne : 30/12/2020 En ligne : https://doi.org/10.52638/rfpt.2015.537 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=79556
in Revue Française de Photogrammétrie et de Télédétection > n° 211 - 212 (juillet - décembre 2015) . - pp 11 - 24[article]Random Forest and Rotation Forest for fully polarized SAR image classification using polarimetric and spatial features / Peijun Du in ISPRS Journal of photogrammetry and remote sensing, vol 105 (July 2015)
![]()
[article]
Titre : Random Forest and Rotation Forest for fully polarized SAR image classification using polarimetric and spatial features Type de document : Article/Communication Auteurs : Peijun Du, Auteur ; Alim Samat, Auteur ; Björn Waske, Auteur ; Sicong Liu, Auteur ; Zhenhong Li, Auteur Année de publication : 2015 Article en page(s) : pp 38 - 53 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données polarimétriques
[Termes IGN] image Radarsat
[Termes IGN] polarimétrie radar
[Termes IGN] Rotation Forest classification
[Termes IGN] texture d'imageRésumé : (auteur) Fully Polarimetric Synthetic Aperture Radar (PolSAR) has the advantages of all-weather, day and night observation and high resolution capabilities. The collected data are usually sorted in Sinclair matrix, coherence or covariance matrices which are directly related to physical properties of natural media and backscattering mechanism. Additional information related to the nature of scattering medium can be exploited through polarimetric decomposition theorems. Accordingly, PolSAR image classification gains increasing attentions from remote sensing communities in recent years. However, the above polarimetric measurements or parameters cannot provide sufficient information for accurate PolSAR image classification in some scenarios, e.g. in complex urban areas where different scattering mediums may exhibit similar PolSAR response due to couples of unavoidable reasons. Inspired by the complementarity between spectral and spatial features bringing remarkable improvements in optical image classification, the complementary information between polarimetric and spatial features may also contribute to PolSAR image classification. Therefore, the roles of textural features such as contrast, dissimilarity, homogeneity and local range, morphological profiles (MPs) in PolSAR image classification are investigated using two advanced ensemble learning (EL) classifiers: Random Forest and Rotation Forest. Supervised Wishart classifier and support vector machines (SVMs) are used as benchmark classifiers for the evaluation and comparison purposes. Experimental results with three Radarsat-2 images in quad polarization mode indicate that classification accuracies could be significantly increased by integrating spatial and polarimetric features using ensemble learning strategies. Rotation Forest can get better accuracy than SVM and Random Forest, in the meantime, Random Forest is much faster than Rotation Forest. Numéro de notice : A2015-706 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2015.03.002 En ligne : https://doi.org/10.1016/j.isprsjprs.2015.03.002 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=78342
in ISPRS Journal of photogrammetry and remote sensing > vol 105 (July 2015) . - pp 38 - 53[article]Savannah woody structure modelling and mapping using multi-frequency (X-, C- and L-band) Synthetic Aperture Radar data / Laven Naidoo in ISPRS Journal of photogrammetry and remote sensing, vol 105 (July 2015)
![]()
[article]
Titre : Savannah woody structure modelling and mapping using multi-frequency (X-, C- and L-band) Synthetic Aperture Radar data Type de document : Article/Communication Auteurs : Laven Naidoo, Auteur ; Renaud Mathieu, Auteur ; Russell Main, Auteur ; Waldo Kleynhans, Auteur ; et al., Auteur Année de publication : 2015 Article en page(s) : pp 234 - 250 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] Afrique du sud (état)
[Termes IGN] bande C
[Termes IGN] bande L
[Termes IGN] bande X
[Termes IGN] biomasse
[Termes IGN] canopée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] image ALOS-PALSAR
[Termes IGN] image radar moirée
[Termes IGN] image Radarsat
[Termes IGN] image TerraSAR-X
[Termes IGN] savaneRésumé : (auteur) Structural parameters of the woody component in African savannahs provide estimates of carbon stocks that are vital to the understanding of fuelwood reserves, which is the primary source of energy for 90% of households in South Africa (80% in Sub-Saharan Africa) and are at risk of over utilisation. The woody component can be characterised by various quantifiable woody structural parameters, such as tree cover, tree height, above ground biomass (AGB) or canopy volume, each been useful for different purposes. In contrast to the limited spatial coverage of ground-based approaches, remote sensing has the ability to sense the high spatio-temporal variability of e.g. woody canopy height, cover and biomass, as well as species diversity and phenological status – a defining but challenging set of characteristics typical of African savannahs. Active remote sensing systems (e.g. Light Detection and Ranging – LiDAR; Synthetic Aperture Radar – SAR), on the other hand, may be more effective in quantifying the savannah woody component because of their ability to sense within-canopy properties of the vegetation and its insensitivity to atmosphere and clouds and shadows. Additionally, the various components of a particular target’s structure can be sensed differently with SAR depending on the frequency or wavelength of the sensor being utilised. This study sought to test and compare the accuracy of modelling, in a Random Forest machine learning environment, woody above ground biomass (AGB), canopy cover (CC) and total canopy volume (TCV) in South African savannahs using a combination of X-band (TerraSAR-X), C-band (RADARSAT-2) and L-band (ALOS PALSAR) radar datasets. Training and validation data were derived from airborne LiDAR data to evaluate the SAR modelling accuracies. It was concluded that the L-band SAR frequency was more effective in the modelling of the CC (coefficient of determination or R2 of 0.77), TCV (R2 of 0.79) and AGB (R2 of 0.78) metrics in Southern African savannahs than the shorter wavelengths (X- and C-band) both as individual and combined (X + C-band) datasets. The addition of the shortest wavelengths also did not assist in the overall reduction of prediction error across different vegetation conditions (e.g. dense forested conditions, the dense shrubby layer and sparsely vegetated conditions). Although the integration of all three frequencies (X + C + L-band) yielded the best overall results for all three metrics (R2 = 0.83 for CC and AGB and R2 = 0.85 for TCV), the improvements were noticeable but marginal in comparison to the L-band alone. The results, thus, do not warrant the acquisition of all three SAR frequency datasets for tree structure monitoring in this environment. Numéro de notice : A2015-713 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2015.04.007 En ligne : https://doi.org/10.1016/j.isprsjprs.2015.04.007 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=78353
in ISPRS Journal of photogrammetry and remote sensing > vol 105 (July 2015) . - pp 234 - 250[article]Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the Random Forest algorithm / Oumer S. Ahmed in ISPRS Journal of photogrammetry and remote sensing, vol 101 (March 2015)
PermalinkEmploying ground and satellite-based QuickBird data and Random forest to discriminate five tree species in a Southern African Woodland / Samuel Adelabu in Geocarto international, vol 30 n° 3 - 4 (March - April 2015)
PermalinkData-driven feature learning for high resolution urban land-cover classification / Piotr Andrzej Tokarczyk (2015)
PermalinkDélimitation des parcelles agricoles par classification d'images Pléiades / Nesrine Chehata in Revue Française de Photogrammétrie et de Télédétection, n° 209 (Janvier 2015)
![]()
PermalinkLand cover dynamics monitoring with Landsat data in Kunming, China: a cost-effective sampling and modelling scheme using Google Earth imagery and random forests / Ning Lu in Geocarto international, vol 30 n° 1 - 2 (January - February 2015)
PermalinkA Random Forest class memberships based wrapper band selection criterion : application to hyperspectral / Arnaud Le Bris (2015)
PermalinkQuantification et cartographie de la structure forestière à partir de la texture des images Pléiades / Benoit Beguet in Revue Française de Photogrammétrie et de Télédétection, n° 208 (Octobre 2014)
PermalinkEstimation of the timber quality of scots pine with terrestrial laser scanning / Ville Kankare in Forests, vol 5 n° 8 (August 2014)
PermalinkAgricultural field delimitation using active learning and random forests margin / Karim Ghariani (2014)
![]()
PermalinkAssessing the performance of two unsupervised dimensionality reduction techniques on hyperspectral APEX data for high resolution urban land-cover mapping / Luca Demarchi in ISPRS Journal of photogrammetry and remote sensing, vol 87 (January 2014)
Permalink