Centre dedocumentation
scientifique

Cartographie des cultures dans le périmètre du Loukkos (Maroc) : apport de la télédétection radar et optique / Siham Acharki in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 222 (novembre 2020) . - pp 15 - 28 Titre : Cartographie des cultures dans le périmètre du Loukkos (Maroc) : apport de la télédétection radar et optique Type de document : Article/Communication Auteurs : Siham Acharki, Auteur ; Mina Amharref, Auteur ; Pierre-Louis Frison , Auteur ; A. Samed Bernoussi, Auteur Année de publication : 2020 Projets : 3-projet - voir note / Article en page(s) : pp 15 - 28 Note générale : bibliographie Ce travail est réalisé dans le cadre du projet PPR2/2016/79, OGI-Env, soutenu par le MENFPESRS et le CNRST (Maroc). Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] carte de la végétation [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] Maroc Résumé : (auteur) Dans cet article, nous analysons la possibilité d’amélioration de la classification des cultures dans un périmètre irrigué du nord du Maroc en se basant sur la combinaison des données multi-temporelles de deux satellites (Sentinel-1 et Sentinel-2) avec l’inclusion de neuf indices. Le périmètre concerné (Loukkos), en plus de sa position stratégique, se caractérise par un climat méditerranéen avec une forte valeur écologique. Il présente une intense activité agricole avec une grande diversité des cultures dont le fonctionnement pourrait être affecté par le changement climatique.Afin de quantifier les besoins en eau, nous avons utilisé les séries d’images satellitaires acquises pour la période du 09/2017 au 08/2018. Les cartes produites pour trois niveaux de classification illustrent notre approche. L’étude a montré que les 10canaux optiques, à 10 et 20 m de résolution spatiale, des données acquises par Sentinel-2 permettent d'obtenir de bonnes performances, avec un indice de kappa > 85\% pour toutes les sous-classe set une précision globale > 86\%. Ces performances sont supérieures à celles obtenues avec des données radar acquises par Sentinel-1, avec des écarts de F-score inférieurs de 9% en moyenne, et pouvant aller jusqu'à 29% (sur le chêne-liège/Niveau SSC). Ni l'ajout d'indices radiométriques optiques, ni la combinaison des données optiques et radar n'apportent d'amélioration significative aux performances obtenues avec les données Sentinel-2. Afin d’exploiter les données obtenues, les travaux à venir se focaliseraient sur l’étude des profils temporels de chaque type de culture. Numéro de notice : A2020-576 Affiliation des auteurs : UPEM-LaSTIG+Ext (2016-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans date de publication en ligne : 25/11/2020 En ligne : http://www.sfpt.fr/rfpt/index.php/RFPT/article/view/481/252 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96391 [article]

Combination of Landsat 8 OLI and Sentinel-1 SAR time-series data for mapping paddy fields in parts of West and Central Java provinces, Indonesia / Sanjiwana Arjasakusuma in ISPRS International journal of geo-information, vol 9 n° 11 (November 2020)  

Public [article]  inISPRS International journal of geo-information > vol 9 n° 11 (November 2020) . - n° 663 Titre : Combination of Landsat 8 OLI and Sentinel-1 SAR time-series data for mapping paddy fields in parts of West and Central Java provinces, Indonesia Type de document : Article/Communication Auteurs : Sanjiwana Arjasakusuma, Auteur ; Sandiaga Swahyu Kusuma, Auteur ; Raihan Rafif, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : n° 663 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] bande C [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] image Landsat-OLI [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] Java (île de) [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] Normalized Difference Built-up Index [Termes descripteurs IGN] Normalized Difference Vegetation Index [Termes descripteurs IGN] Normalized Difference Water Index [Termes descripteurs IGN] polarisation [Termes descripteurs IGN] régression [Termes descripteurs IGN] rizière [Termes descripteurs IGN] série temporelle Résumé : (auteur) The rise of Google Earth Engine, a cloud computing platform for spatial data, has unlocked seamless integration for multi-sensor and multi-temporal analysis, which is useful for the identification of land-cover classes based on their temporal characteristics. Our study aims to employ temporal patterns from monthly-median Sentinel-1 (S1) C-band synthetic aperture radar data and cloud-filled monthly spectral indices, i.e., Normalized Difference Vegetation Index (NDVI), Modified Normalized Difference Water Index (MNDWI), and Normalized Difference Built-up Index (NDBI), from Landsat 8 (L8) OLI for mapping rice cropland areas in the northern part of Central Java Province, Indonesia. The harmonic function was used to fill the cloud and cloud-masked values in the spectral indices from Landsat 8 data, and smile Random Forests (RF) and Classification And Regression Trees (CART) algorithms were used to map rice cropland areas using a combination of monthly S1 and monthly harmonic L8 spectral indices. An additional terrain variable, Terrain Roughness Index (TRI) from the SRTM dataset, was also included in the analysis. Our results demonstrated that RF models with 50 (RF50) and 80 (RF80) trees yielded better accuracy for mapping the extent of paddy fields, with user accuracies of 85.65% (RF50) and 85.75% (RF80), and producer accuracies of 91.63% (RF80) and 93.48% (RF50) (overall accuracies of 92.10% (RF80) and 92.47% (RF50)), respectively, while CART yielded a user accuracy of only 84.83% and a producer accuracy of 80.86%. The model variable importance in both RF50 and RF80 models showed that vertical transmit and horizontal receive (VH) polarization and harmonic-fitted NDVI were identified as the top five important variables, and the variables representing February, April, June, and December contributed more to the RF model. The detection of VH and NDVI as the top variables which contributed up to 51% of the Random Forest model indicated the importance of the multi-sensor combination for the identification of paddy fields. Numéro de notice : A2020-733 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi9110663 date de publication en ligne : 04/11/2020 En ligne : https://doi.org/10.3390/ijgi9110663 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96346 [article]

A deep learning framework for matching of SAR and optical imagery / Lloyd Haydn Hughes in ISPRS Journal of photogrammetry and remote sensing, vol 169 (November 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 169 (November 2020) . - pp 166 - 179 Titre : A deep learning framework for matching of SAR and optical imagery Type de document : Article/Communication Auteurs : Lloyd Haydn Hughes, Auteur ; Diego Marcos, Auteur ; Sylvain Lobry, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 166 - 179 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] appariement d'images [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] données clairsemées [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] fusion de données [Termes descripteurs IGN] géoréférencement [Termes descripteurs IGN] image optique [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] superposition d'images Résumé : (auteur) SAR and optical imagery provide highly complementary information about observed scenes. A combined use of these two modalities is thus desirable in many data fusion scenarios. However, any data fusion task requires measurements to be accurately aligned. While for both data sources images are usually provided in a georeferenced manner, the geo-localization of optical images is often inaccurate due to propagation of angular measurement errors. Many methods for the matching of homologous image regions exist for both SAR and optical imagery, however, these methods are unsuitable for SAR-optical image matching due to significant geometric and radiometric differences between the two modalities. In this paper, we present a three-step framework for sparse image matching of SAR and optical imagery, whereby each step is encoded by a deep neural network. We first predict regions in each image which are deemed most suitable for matching. A correspondence heatmap is then generated through a multi-scale, feature-space cross-correlation operator. Finally, outliers are removed by classifying the correspondence surface as a positive or negative match. Our experiments show that the proposed approach provides a substantial improvement over previous methods for SAR-optical image matching and can be used to register even large-scale scenes. This opens up the possibility of using both types of data jointly, for example for the improvement of the geo-localization of optical satellite imagery or multi-sensor stereogrammetry. Numéro de notice : A2020-639 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.09.012 date de publication en ligne : 03/12/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.09.012 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96062 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020111	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020113	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2020112	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

A generic framework for improving the geopositioning accuracy of multi-source optical and SAR imagery / Niangang Jiao in ISPRS Journal of photogrammetry and remote sensing, vol 169 (November 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 169 (November 2020) . - pp 377 - 388 Titre : A generic framework for improving the geopositioning accuracy of multi-source optical and SAR imagery Type de document : Article/Communication Auteurs : Niangang Jiao, Auteur ; Feng Wang, Auteur ; Hongjian You, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 377 - 388 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] chaîne de traitement [Termes descripteurs IGN] correction géométrique [Termes descripteurs IGN] étalonnage géométrique [Termes descripteurs IGN] géolocalisation [Termes descripteurs IGN] image Gaofen [Termes descripteurs IGN] image Jilin [Termes descripteurs IGN] image optique [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] point d'appui [Termes descripteurs IGN] précision géométrique (imagerie) Résumé : (auteur) To date, numerous Earth observation datasets from different types of satellites have been widely used in photogrammetric fields, including urban 3D modelling and geographic information systems. The development of small satellites has provided a new way to obtain repeated observations in a short period. However, compared with that of standard satellite imagery, the geometric performance of imagery from small satellites is relatively poor, restricting their photogrammetric applications. Traditional methods can improve the accuracy of optical images with the addition of well-distributed ground control points (GCPs), which require considerable financial and human resources. The collection of multi-view datasets is an alternative method for geometric processing without GCPs, but relies heavily on the stability and revisit period of satellite platforms. Therefore, this paper presents a framework for improving the geopositioning accuracy of multi-source datasets obtained from optical and synthetic aperture radar (SAR) satellites, and a novel heterogeneous weight strategy is proposed based on an analysis of the geometric error sources of SAR and optical images. The geometric performance of multi-source optical imagery from the Jilin-1 (JL-1) small satellite constellation is evaluated and analysed first, and then Gaofen-3 (GF-3) SAR images are calibrated based on statistical analysis for the production of virtual control points (VCPs). Based on our proposed heterogeneous weight strategy, multi-source optical and SAR images are integrated to improve the geopositioning accuracy. Experimental results indicate that our proposed model can achieve the best performance compared with other popular models, producing an accuracy of approximately 3 m in planimetry and 2 m in height, thereby providing a generic way to synergistically use multi-source remote sensing data. Numéro de notice : A2020-642 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.09.017 date de publication en ligne : 12/10/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.09.017 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96066 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020111	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020113	DEP-RECP	Revue	MATIS	Dépôt en unité	Exclu du prêt
081-2020112	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Textural classification of remotely sensed images using multiresolution techniques / Rizwan Ahmed Ansari in Geocarto international, vol 35 n° 14 ([15/10/2020])  

Public [article]  inGeocarto international > vol 35 n° 14 [15/10/2020] . - pp 1580 - 1602 Titre : Textural classification of remotely sensed images using multiresolution techniques Type de document : Article/Communication Auteurs : Rizwan Ahmed Ansari, Auteur ; Krishna Mohan Buddhiraju, Auteur ; Avik Bhattacharya, Auteur Année de publication : 2020 Article en page(s) : pp 1580 - 1602 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] analyse multirésolution [Termes descripteurs IGN] analyse texturale [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] détection de contours [Termes descripteurs IGN] distance euclidienne [Termes descripteurs IGN] image optique [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image RVB [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] texture d'image [Termes descripteurs IGN] transformation en ondelettes Résumé : (auteur) Multiresolution analysis (MRA) methods have been successfully used in texture analysis. Texture analysis is widely discussed in literature, but most of the methods which do not employ multiresolution strategy cannot exploit the fact that texture occurs at various spatial scales. This paper proposes a methodology to identify different classes in satellite images using texture features from newly developed multiresolution methods. The proposed method is tested on remotely sensed optical images and a Pauli RGB decomposed version of synthetic aperture radar image. The textural information is extracted at various scales and in different directions from curvelet and contourlet transforms. The results are compared with wavelet-based features. Accuracy assessment is performed and comparative analysis is carried out using minimum distance to mean, support vector machine and random forest classifiers. It is found that the proposed method shows better class discriminating power and classification capability as compared to existing wavelet-based method. Numéro de notice : A2020-618 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1581263 date de publication en ligne : 15/04/2019 En ligne : https://doi.org/10.1080/10106049.2019.1581263 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95994 [article]

Mapping wetland using the object-based stacked generalization method based on multi-temporal optical and SAR data / Yaotong Cai in International journal of applied Earth observation and geoinformation, vol 92 (October 2020)  

Permalink

X-ModalNet: A semi-supervised deep cross-modal network for classification of remote sensing data / Danfeng Hong in ISPRS Journal of photogrammetry and remote sensing, vol 167 (September 2020)  

Permalink

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)  

Permalink

Intertidal topography mapping using the waterline method from Sentinel-1 & -2 images: The examples of Arcachon and Veys Bays in France / Edward Salameh in ISPRS Journal of photogrammetry and remote sensing, vol 163 (May 2020)  

Permalink

What, where, and how to transfer in SAR target recognition based on deep CNNs / Zhongling Huang in IEEE Transactions on geoscience and remote sensing, vol 58 n° 4 (April 2020)  

Permalink

Complex deformation at shallow depth during the 30 October 2016 Mw6.5 Norcia earthquake: interferencebetween tectonic and gravity processes? / Arthur Delorme in Tectonics, vol 39 n° 2 (February 2020)    

Permalink

A LiDAR–optical data fusion approach for identifying and measuring small stream impoundments and dams / Benjamin Swan in Transactions in GIS, Vol 24 n° 1 (February 2020)  

Permalink

Prediction of plant diversity in grasslands using Sentinel-1 and -2 satellite image time series / Mathieu Fauvel in Remote sensing of environment, Vol 237 (February 2020)  

Permalink

Combining Sentinel-1 and Sentinel-2 Satellite image time series for land cover mapping via a multi-source deep learning architecture / Dino Lenco in ISPRS Journal of photogrammetry and remote sensing, Vol 158 (December 2019)  

Permalink

Matching of TerraSAR-X derived ground control points to optical image patches using deep learning / Tatjana Bürgmann in ISPRS Journal of photogrammetry and remote sensing, Vol 158 (December 2019)  

Permalink