Centre de documentation
scientifique

Cartographie des surfaces pastorales à l’aide des données Sentinel 2 L3A et des données ouvertes : Promesses et réalités / Urcel Kalenga Tshingomba in Revue internationale de géomatique, vol 30 n° 3-4 (juillet - décembre 2020)  

Public [article]  inRevue internationale de géomatique > vol 30 n° 3-4 (juillet - décembre 2020) . - pp 245 - 277 Titre : Cartographie des surfaces pastorales à l’aide des données Sentinel 2 L3A et des données ouvertes : Promesses et réalités Titre original : Mapping of pastoral areas using Sentinel 2 L3A data and open data. Promises and realities Type de document : Article/Communication Auteurs : Urcel Kalenga Tshingomba, Auteur ; Magali Jouven, Auteur ; Lucile Sautot, Auteur ; Imad Shaqura, Auteur ; Maguelonne Teisseire, Auteur Année de publication : 2020 Article en page(s) : pp 245 - 277 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] BD forêt [Termes IGN] carte d'occupation du sol [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] données ouvertes [Termes IGN] image Sentinel-MSI [Termes IGN] Occitanie (région 2016) [Termes IGN] parcours [Termes IGN] Provence-Alpes-Côte d'Azur [Termes IGN] Registre parcellaire graphique Résumé : (auteur) Dans cet article, les auteurs expérimentent une démarche permettant de produire une cartographie cohérente de l’occupation des sols des surfaces des parcours en zones périméditerranéennes françaises représentées par les régions Occitanie et Provence-Alpes-Côte d’Azur. Quatre différentes sources de données sont utilisées : l’occupation des sols millésime OSO (OSO), le Registre parcellaire graphique (RPG), la BD-Forêt V.2.0 et les données satellites Sentinel 2 L3A. Le RPG de 2019 et la BD-Forêt actualisée en 2018 ont été utilisés comme principale source de données de référence pour l’entraînement des modèles en vue de classifier les objets OSO 2019 de faible F-score, après extraction des variables spectrales, et des indices spectraux et texturaux issus des données Sentinel 2 L3A. Trois différentes tailles de données de référence ont été constituées. Ensuite 6 modèles ont été entraînés en utilisant l’algorithme Random Forest (RF) dont 3 modèles à partir des 3 jeux de données, intégrant toutes les variables extraites (98) et 3 modèles en reprenant uniquement les variables importantes (30) définies par le RF. Les résultats montrent des précisions globales stables pour tous les jeux de données utilisés et produisent une meilleure discrimination de 3 classes sur 4 : les pelouses, les cultures pérennes et les forêts. Les landes ne sont pas bien discriminées à cause de leur forte hétérogénéité spatiale. Numéro de notice : A2022-324 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.3166/rig.2021.00112 Date de publication en ligne : 20/04/2022 En ligne : https://doi.org/10.3166/rig.2021.00112 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100479 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
047-2020021	SL	Revue	Centre de documentation	Revues en salle	Disponible