Centre de documentation
scientifique

Improved crop classification with rotation knowledge using Sentinel-1 and -2 time series / Sébastien Giordano in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 7 (July 2020)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 7 (July 2020) . - pp 431 - 441 Titre : Improved crop classification with rotation knowledge using Sentinel-1 and -2 time series Type de document : Article/Communication Auteurs : Sébastien Giordano , Auteur ; Simon Bailly , Auteur ; Loïc Landrieu , Auteur ; Nesrine Chehata , Auteur Année de publication : 2020 Projets : MAESTRIA / Mallet, Clément Article en page(s) : pp 431 - 441 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] Alpes-de-haute-provence (04) [Termes IGN] chaîne de traitement [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] parcelle agricole [Termes IGN] photo-identification [Termes IGN] Seine-et-Marne (77) [Termes IGN] série temporelle [Termes IGN] surface cultivée Résumé : (Auteur) Leveraging the recent availability of accurate, frequent, and multimodal (radar and optical) Sentinel-1 and -2 acquisitions, this paper investigates the automation of land parcel identification system (LPIS) crop type classification. Our approach allows for the automatic integration of temporal knowledge, i.e., crop rotations using existing parcel-based land cover databases and multi-modal Sentinel-1 and -2 time series. The temporal evolution of crop types was modeled with a linear-chain conditional random field, trained with time series of multimodal (radar and optical) satellite acquisitions and associated LPIS. Our model was tested on two study areas in France (≥ 1250 km2) which show different crop types, various parcel sizes, and agricultural practices: . the Seine et Marne and the Alpes de Haute-Provence classified accordingly to a fine national 25-class nomenclature. We first trained a Random Forest classifier without temporal structure to achieve 89.0% overall accuracy in Seine et Marne (10 classes) and 73% in Alpes de Haute-Provence (14 classes). We then demonstrated experimentally that taking into account the temporal structure of crop rotation with our model resulted in an increase of 3% to +5% in accuracy. This increase was especially important (+12%) for classes which were poorly classified without using the temporal structure. A stark positive impact was also demonstrated on permanent crops, while it was fairly limited or even detrimental for annual crops. Numéro de notice : A2020-382 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.7.431 Date de publication en ligne : 01/07/2020 En ligne : https://doi.org/10.14358/PERS.86.7.431 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95428 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2020071	SL	Revue	Centre de documentation	Revues en salle	Disponible

Crop-rotation structured classification using multi-source sentinel images and LPIS for crop type mapping / Simon Bailly (2018)  

Public Titre : Crop-rotation structured classification using multi-source sentinel images and LPIS for crop type mapping Type de document : Article/Communication Auteurs : Simon Bailly , Auteur ; Sébastien Giordano , Auteur ; Loïc Landrieu , Auteur ; Nesrine Chehata , Auteur Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2018 Projets : 1-Pas de projet / Mallet, Clément Conférence : IGARSS 2018, IEEE International Geoscience And Remote Sensing Symposium, observing, understanding and forecasting the dynamics of our planet 22/07/2018 27/07/2018 Valencia Espagne Proceedings IEEE Importance : pp 1950 - 1953 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] champ aléatoire conditionnel [Termes IGN] image multitemporelle [Termes IGN] image Sentinel-MSI [Termes IGN] surveillance agricole Résumé : (auteur) Automatic analysis of Sentinel image time series is recommended for monitoring agricultural land use in Europe. To improve classification capacities, we propose a temporal structured classification combining Sentinel images and former vintages of the Land-Parcel IdentAutomatic analysis of Sentinel image time series is recommended for monitoring agricultural land use in Europe. To improve classification capacities, we propose a temporal structured classification combining Sentinel images and former vintages of the Land-Parcel Identification System. Inter-annual crop rotations are learned and combined with the satellite images using a Conditional Random Field. The proposed methodology is tested on a 233 km2 study area located in France and with a 25 categories national nomenclature. The classification results are globally improved.ification System. Inter-annual crop rotations are learned and combined with the satellite images using a Conditional Random Field. The proposed methodology is tested on a 233 km2 study area located in France and with a 25 categories national nomenclature. The classification results are globally improved. Numéro de notice : C2018-054 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2018.8518427 Date de publication en ligne : 05/11/2018 En ligne : https://doi.org/10.1109/IGARSS.2018.8518427 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91343

Analyse de séries temporelles d’images Sentinel et intégration de connaissances pour la classification en milieu agricole / Simon Bailly (2017) 

Public Titre : Analyse de séries temporelles d’images Sentinel et intégration de connaissances pour la classification en milieu agricole Type de document : Mémoire Auteurs : Simon Bailly , Auteur ; Sébastien Giordano , Encadrant ; Loïc Landrieu , Encadrant ; Nesrine Chehata , Encadrant ; Olivier Michel, Encadrant Editeur : Grenoble : Institut National Polytechnique de Grenoble INPG Année de publication : 2017 Importance : 59 p. Note générale : bibliographie Projet de Fin d’Etudes, Grenoble INP - Phelma Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] Alpes-de-haute-provence (04) [Termes IGN] champ aléatoire conditionnel [Termes IGN] classification dirigée [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] occupation du sol [Termes IGN] parcelle agricole [Termes IGN] Registre parcellaire graphique [Termes IGN] Seine-et-Marne (77) Résumé : (auteur) Le sujet de stage propose l’utilisation d’images fournies par les satellites Sentinel pour l’étude de l’occupation du sol en milieu agricole. Dans le cadre de la refonte de la politique agricole commune (PAC) de l’Union Européenne en 2020, chaque état membre de l’UE doit proposer une réflexion sur de nouveaux modes de gestion. Une piste de travail envisagée concerne la déclaration des types de culture au sein du Registre Parcellaire Graphique (RPG), un système d’information géographique qui regroupe l’ensemble des informations relatives aux parcelles agricoles. A l’heure actuelle, cette déclaration est faite manuellement par les agriculteurs ; l’objectif est de l’automatiser le plus possible grâce aux images Sentinel. Nous proposons pour cela un processus fondé sur la classification supervisée de séries temporelles d’images Sentinel multi-capteurs (radar et optique), en utilisant le RPG pour l’apprentissage et pour la validation. Nous réalisons une étude sur deux zones distinctes qui présentent des règles agronomiques différentes (Alpes de Haute-Provence et Seine et Marne), avec la nomenclature la plus complète possible (28 types de culture), dans l’optique d’une implantation France Entière. Dans le but d’améliorer la robustesse du modèle, nous choisissons d’intégrer l’information relative aux rotations de culture (suite de cultures échelonnées au fil des années sur une même parcelle). Il s’agit donc d’un problème de classification structurée que nous modélisons comme un champ aléatoire conditionnel (CRF). Nous obtenons des résultats intéressants dans l’optique de l’automatisation du processus de déclaration : 96,9% de bonne classification sur la zone située en Seine et Marne (11 classes) et 64,9% sur la zone située dans les Alpes de Haute-Provence (17 classes). Ces résultats sont d’autre part sensiblement améliorés avec l’intégration de la structure temporelle relative aux rotations de culture. Note de contenu : Introduction 1- Données et sites d'étude 2- Etat de l'art 3- Classification à la parcelle 4- Classification structurée Conclusion Numéro de notice : 17323 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire ingénieur Organisme de stage : MATIS (IGN) DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98347

Documents numériques

peut être téléchargé Analyse de séries temporelles d’images Sentinel ... - pdf auteur Adobe Acrobat PDF