Centre de documentation
scientifique

An estimation method to reduce complete and partial nonresponse bias in forest inventory / James A. Westfall in European Journal of Forest Research, vol 141 n° 5 (October 2022)  

Public [article]  inEuropean Journal of Forest Research > vol 141 n° 5 (October 2022) . - pp 901 - 907 Titre : An estimation method to reduce complete and partial nonresponse bias in forest inventory Type de document : Article/Communication Auteurs : James A. Westfall, Auteur Année de publication : 2022 Article en page(s) : pp 901 - 907 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] enquête [Termes IGN] erreur systématique [Termes IGN] estimateur [Termes IGN] estimation statistique [Termes IGN] Etats-Unis [Termes IGN] incertitude des données [Termes IGN] inventaire forestier étranger (données) [Termes IGN] méthode de Monte-Carlo [Termes IGN] modèle de simulation [Termes IGN] placette d'échantillonnage [Termes IGN] post-stratification de données [Termes IGN] propriété foncière [Vedettes matières IGN] Inventaire forestier Résumé : (auteur) Survey practitioners commonly encounter various types of nonresponse and strive to implement methods that mitigate any resulting bias when reporting results. In national forest inventories (NFI), complete or partial nonresponse usually results from hazardous conditions or lack of plot access permission. While many factors may be related to nonresponse, the two primary factors in the NFI of the USA are public/private land ownership and office/field plot status. To ameliorate potential nonresponse bias, these factors should be accounted for in the estimation process. An estimation method is presented where response homogeneity groups (RHGs) account for differential nonresponse rates between forest/nonforest plots. In a post-stratified estimation context, ratio-to-size estimators are used in RHGs within post-strata to avoid potential bias in variance estimates arising from partial plot nonresponse. Combining RHGs within post-strata requires a complex variance estimator that includes four sources of uncertainty. Testing of the estimation method on a synthetic population showed the approach is essentially unbiased. Application to NFI data from 10 states in the USA consistently showed the RHG method produced state-level estimates of forestland area that were 0.1%–3.6% larger than the current post-stratified estimation procedure. It is suggested that these differences are indicative of the nonresponse bias present when plots having differential nonresponse rates are not accounted for. Numéro de notice : A2022-759 Affiliation des auteurs : non IGN Thématique : FORET/MATHEMATIQUE Nature : Article DOI : 10.1007/s10342-022-01480-6 Date de publication en ligne : 14/07/2022 En ligne : https://doi.org/10.1007/s10342-022-01480-6 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101770 [article]

Poststack seismic data denoising based on 3-D convolutional neural network / Dawei Liu in IEEE Transactions on geoscience and remote sensing, vol 58 n° 3 (March 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 3 (March 2020) . - pp 1598 - 1629 Titre : Poststack seismic data denoising based on 3-D convolutional neural network Type de document : Article/Communication Auteurs : Dawei Liu, Auteur ; Dawei Liu, Auteur ; Xiaokai Wang, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1598 - 1629 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] apprentissage profond [Termes IGN] bruit blanc [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données localisées 3D [Termes IGN] échantillonnage [Termes IGN] filtrage du bruit [Termes IGN] filtre de Gauss [Termes IGN] post-stratification de données [Termes IGN] séisme [Termes IGN] sismologie Résumé : (Auteur) Deep learning has been successfully applied to image denoising. In this study, we take one step forward by using deep learning to suppress random noise in poststack seismic data from the aspects of network architecture and training samples. On the one hand, poststack seismic data denoising mainly aims at 3-D seismic data. We designed an end-to-end 3-D denoising convolutional neural network (3-D-DnCNN) that takes raw 3-D cubes as input in order to better extract the features of the 3-D spatial structure of poststack seismic data. On the other hand, denoising images with deep learning require noisy–clean sample pairs for training. In the field of seismic data processing, researchers usually try their best to suppress noise by using complex processes that combine different methods, but clean labels of seismic data are not available. In addition, building training samples in field seismic data has become an interesting but challenging problem. Therefore, we propose a training sample selection method that contains a complex workflow to produce comparatively ideal training samples. Experiments in this study demonstrate that deep learning can directly learn the ability to denoise field seismic data from selected samples. Although the building of the training samples may occur through a complex process, the experimental results of synthetic seismic data and field seismic data show that the 3-D-DnCNN has learned the ability to suppress the Gaussian noise and super-Gaussian noise from different training samples. Moreover, the 3-D-DnCNN network has better denoising performance toward arc-like imaging noise. In addition, we adopt residual learning and batch normalization in order to accelerate the training speed. After network training is satisfactorily completed, its processing efficiency can be significantly higher than that of conventional denoising methods. Numéro de notice : A2020-087 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2947149 Date de publication en ligne : 06/11/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2947149 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94661 [article]

Utilisation d’un modèle numérique de hauteur en stratification des données de l’Inventaire Forestier National / Sophie Georges (2017) 

Public Titre : Utilisation d’un modèle numérique de hauteur en stratification des données de l’Inventaire Forestier National Type de document : Mémoire Auteurs : Sophie Georges, Auteur Editeur : Toulouse : Université de Toulouse 2 Jean Jaurès Année de publication : 2017 Autre Editeur : Toulouse : Institut National Polytechnique de Toulouse INPT Importance : 90 p. Format : 21 x 30 cm Note générale : bibliographie Master 2 Géomatique, ScIences Géomatiques en environneMent et Aménagement (SIGMA) Langues : Français (fre) Descripteur : [Termes IGN] Alsace (France administrative) [Termes IGN] analyse comparative [Termes IGN] analyse de données [Termes IGN] analyse de variance [Termes IGN] appariement de modèles conceptuels de données [Termes IGN] BD forêt [Termes IGN] chaîne de traitement [Termes IGN] dalle [Termes IGN] diamètre des arbres [Termes IGN] échantillonnage (statistique) [Termes IGN] échantillonnage de données [Termes IGN] essence d'arbre [Termes IGN] estimation statistique [Termes IGN] feuillu [Termes IGN] hauteur des arbres [Termes IGN] inventaire forestier (techniques et méthodes) [Termes IGN] inventaire forestier national (données France) [Termes IGN] Inventaire Forestier National (organisme France) [Termes IGN] modèle numérique de surface [Termes IGN] modèle numérique de surface de la canopée [Termes IGN] modèle numérique de sursol [Termes IGN] modèle numérique de terrain [Termes IGN] peuplement forestier [Termes IGN] photo-interprétation [Termes IGN] Pinophyta [Termes IGN] post-stratification de données [Termes IGN] R (langage) [Termes IGN] stratification de données [Vedettes matières IGN] Inventaire forestier Résumé : (auteur) L’Inventaire Forestier National fournit des données de références concernant la forêt française depuis 1960. La méthode actuellement utilisée repose sur des points d’échantillonnage tirés au sort sur tout le territoire et photo-interprétés, puis pour certains visités, et sur un traitement des données par post-stratification. Celle-ci a jusqu’à présent toujours utilisé les mêmes informations, mais pourrait exploiter d’autres données disponibles, en particulier des modèles de hauteur. À partir de modèles numériques de terrain et d’élévation disponibles pour la région Alsace, un modèle numérique de « hauteur dominante » en huit classes de hauteur a été élaboré pour les forêts alsaciennes. La méthode mise en place vise à une automatisation maximale de ce travail grâce au logiciel R. Ce modèle, ainsi qu’une cartographie simplifiée des essences, ont servi de base à la mise en place de nouvelles stratifications des données sur la période 2010-2014. Celles-ci ont été comparées à la stratification de référence de l’inventaire sans ventilation des données ; puis les stratifications les plus intéressantes, qui se sont avérées être les plus simples, ont été comparées en ventilant les données par différents critères. La stratification par essences regroupées a amélioré les estimations pour les classes de peuplement, l’opposition feuillus / conifères et des essences fréquentes. La stratification par classes de hauteur est plus intéressante pour les classes de diamètre des arbres et la difficulté d’exploitation. Elles n’améliorent par contre pas les résultats par type de propriété forestière ou pour d’autres essences. Note de contenu : 1- L'inventaire des ressources forestières en France 2- La méthode d'inventaire de l'IFN depuis 2004 3- Utilisation de modèles de hauteur en stratification : données et méthodes 4- Résultats : comparaison entre les stratifications créées et la référence 5- Discussion 6- Conclusion générale Numéro de notice : 24598 Affiliation des auteurs : non IGN Thématique : FORET/MATHEMATIQUE Nature : Mémoire masters divers Organisme de stage : SIFE (IGN) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92171

Documents numériques

en open access Utilisation d’un modèle numérique... - pdf auteur Adobe Acrobat PDF