Descripteur
Documents disponibles dans cette catégorie (244)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Titre : Distributed and parallel architectures for spatial data Type de document : Monographie Auteurs : Alberto Belussi, Éditeur scientifique ; Sara Migliorini, Éditeur scientifique ; Damiano Carra, Éditeur scientifique ; et al., Auteur Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2020 Importance : 170 p. ISBN/ISSN/EAN : 978-3-03936-751-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] base de données localisées
[Termes IGN] collecte de données
[Termes IGN] développement durable
[Termes IGN] données localisées
[Termes IGN] données massives
[Termes IGN] entrepôt de données localisées
[Termes IGN] géoportail
[Termes IGN] Hadoop
[Termes IGN] métadonnées
[Termes IGN] modèle numérique de surface
[Termes IGN] objet mobile
[Termes IGN] OLAP
[Termes IGN] OpenStreetMap
[Termes IGN] PostGIS
[Termes IGN] réseau social
[Termes IGN] SQL
[Termes IGN] système d'information géographique
[Termes IGN] téléphone intelligent
[Termes IGN] traitement parallèle
[Termes IGN] zone tamponRésumé : (Editeur) [Préface] In recent years, an increasing amount of spatial data has been collected by different types of devices, such as mobile phones, sensors, satellites, space telescope, and medical tools for analysis, or is generated by social networks, such as geotagged tweets. The processing of this huge amount of information, including spatial properties, which are frequently represented in heterogeneous ways, is a challenging task that has boosted research in the big data area in an attempt to investigate cases and propose new solutions for dealing with its peculiarities. In the literature, many different proposals and approaches for facing the problem have been proposed, addressing different goals and different types of users. However, most are obtained by customizing existing approaches which were originally developed for the processing of big data of the alphanumeric type, without any specific support for spatial or spatiotemporal properties. Thus, the proposed solutions can exploit the parallelism provided by these kinds of systems, but without taking into account, in a proficient way, the space and time dimensions that intrinsically characterize the analyzed datasets. As described in the literature, current solutions include: (i) the on-top approach, where an underlying system for traditional big datasets is used as a black box while spatial processing is added through the definition of user-defined functions that are specified on top of the underlying system; (ii) the from-scratch approach, where a completely new system is implemented for a specific application context; and (iii) the built-in approach, where an existing solution is extended by injecting spatial data functions into its core. This book aims at promoting new and innovative studies, proposing new architectures or innovative evolutions of existing ones, and illustrating experiments on current technologies in order to improve the efficiency and effectiveness of distributed and cluster systems when they deal with spatiotemporal data. Note de contenu : Preface
1- Distributed Processing of Location-Based Aggregate Queries Using MapReduce
2- Towards the Development of Agenda 2063 Geo-Portal to Support Sustainable Development in Africa
3- HiBuffer: Buffer Analysis of 10-Million-Scale Spatial Data in Real Time
4- Mobility DataWarehouses
5- Parallelizing Multiple Flow Accumulation Algorithm using CUDA and OpenACC
6- LandQv2: A MapReduce-Based System for Processing Arable Land Quality Big Data
7- Mr4Soil: A MapReduce-Based Framework Integrated with GIS for Soil Erosion Modelling
8- High-Performance Geospatial Big Data Processing System Based on MapReduceNuméro de notice : 25884 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Monographie DOI : 10.3390/books978-3-03936-751-1 En ligne : https://doi.org/10.3390/books978-3-03936-751-1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95762
Titre : Introduction to data science and machine learning Type de document : Monographie Auteurs : Keshav Sud, Éditeur scientifique ; Pakize Erdogmus, Éditeur scientifique ; Seifedine Kadry, Éditeur scientifique Editeur : London [UK] : IntechOpen Année de publication : 2020 Importance : 236 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-1-83880-371-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] analyse de groupement
[Termes IGN] apprentissage automatique
[Termes IGN] classification par nuées dynamiques
[Termes IGN] langage à objets
[Termes IGN] logique floue
[Termes IGN] métadonnées
[Termes IGN] optimisation (mathématiques)
[Termes IGN] Python (langage de programmation)
[Termes IGN] segmentation d'imageRésumé : (éditeur) “Introduction to Data Science and Machine Learning” has been created with the goal to provide beginners seeking to learn about data science, data enthusiasts, and experienced data professionals with a deep understanding of data science application development using open-source programming from start to finish. This book is divided into four sections: the first section contains an introduction to the book, the second covers the field of data science, software development, and open-source based embedded hardware; the third section covers algorithms that are the decision engines for data science applications; and the final section brings together the concepts shared in the first three sections and provides several examples of data science applications. Note de contenu : 1- Introductory chapter: clustering with nature-inspired optimization algorithms
2- Best practices in accelerating the data science process in python
3- Software design for success
4- Embedded systems based on open source platforms
5- The K-means algorithm evolution
6- “Set of strings” framework for big data modeling
7- Investigation of fuzzy inductive modeling method in forecasting problems
8- Segmenting images using hybridization of K-means and fuzzy C-means algorithms
9- The software to the soft target assessment
10- The methodological standard to the assessment of the traffic simulation in real time
11- Augmented post systems: Syntax, semantics, and applications
12- Serialization in object-oriented programming languagesNuméro de notice : 28388 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.5772/intechopen.77469 En ligne : https://doi.org/10.5772/intechopen.77469 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98687
Titre : Qu'est-ce que le travail scientifique des données ? : Big data, little data, no data Type de document : Monographie Auteurs : Christine L. Borgman, Auteur ; Charlotte Matoussowsky, Traducteur Editeur : Marseille : OpenEdition Press Année de publication : 2020 Collection : Encyclopédie numérique Importance : 420 p. ISBN/ISSN/EAN : 979-10-365-6541-0 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Société de l'information
[Termes IGN] accès aux données
[Termes IGN] analyse de données
[Termes IGN] collecte de données
[Termes IGN] données massives
[Termes IGN] données numériques
[Termes IGN] exhaustivité des données
[Termes IGN] Infrastructure de données
[Termes IGN] métadonnées
[Termes IGN] recherche fondamentale
[Termes IGN] recherche scientifiqueRésumé : (éditeur) Puisant ses analyses et ses exemples dans des champs scientifiques variés, cet ouvrage (dont l’original est paru en 2015 chez MIT Press) offre une étude inédite des utilisations des données au sein des infrastructures de la connaissance – utilisations qui varient largement d’une discipline à l’autre. Bien que le big data ait régulièrement les honneurs de la presse des deux côtés de l’Atlantique, Christine L. Borgman met en évidence qu’il vaut mieux disposer des bonnes données qu’en avoir beaucoup. Elle montre également que les little data peuvent s’avérer aussi précieuses que les big data, et, que, dans bien des cas, il n’y a aucune donnée, parce que les informations pertinentes n’existent pas, sont introuvables ou sont indisponibles… Au travers d’études de cas pratiques issus d’horizons divers, Christine L. Borgman met aussi en lumière que les données n’ont ni valeur ni signification isolément : elles s’inscrivent au sein d’une infrastructure de la connaissance, c’est-à-dire d’un écosystème de personnes, de pratiques, de technologies, d'institutions, d’objets matériels et de relations. Pour l’autrice, gérer les données et les exploiter sur le long terme requiert ainsi des investissements massifs dans ces infrastructures de la connaissance. L’avenir de la recherche, dans un monde en réseau, en dépend. Note de contenu : Préface
I- Données et recherche
II- Études de cas en travail scientifique des données
III- Politiques et pratiques en matière de donnéesNuméro de notice : 25986 Affiliation des auteurs : non IGN Thématique : SOCIETE NUMERIQUE Nature : Monographie DOI : 10.4000/books.oep.14692 En ligne : https://doi.org/10.4000/books.oep.14692 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96741
Titre : Towards SDG 4: trade-offs for geospatial open educational resources Type de document : Article/Communication Auteurs : Serena Coetzee, Auteur ; Victoria Rautenbach, Auteur ; Arzu Çöltekin, Auteur ; Christopher Pettit, Auteur ; Marguerite Madden, Auteur ; Sidonie Christophe , Auteur ; Ochirkhuyag Lkhamjav, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B5-2020 Projets : 1-Pas de projet / Conférence : ISPRS 2020, Commission 5, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Archives Commission 5 Importance : pp 199 - 205 Format : 21 x 30 cm Note générale : bibliographie
This research was supported by a grant from the 2018 ISPRS Education and Capacity Building Initiatives.Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Formation
[Termes IGN] catalogue de données localisées
[Termes IGN] formation initiale
[Termes IGN] métadonnées
[Termes IGN] métadonnées géographiques
[Termes IGN] ressources documentairesRésumé : (auteur) Through the ISPRS scientific initiative presented in this paper, we aim to make geospatial educational resources available and discoverable to those who teach and those who want to learn. In earlier work, we designed and implemented a prototype catalogue for geospatial educational resources, aimed at a target audience in higher education. The success of search and discovery in any catalogue relies heavily on the metadata that describes catalogue entries. Initial feedback showed that users find it difficult to use some of the metadata elements in the prototype to describe their teaching materials. In order to better understand their difficulties and further refine the metadata for describing educational resources that are used for geospatial purposes specifically, we asked a number of participants to describe geospatial educational resources according to four sets of metadata attributes. This paper presents the results of the study and recommends a set of metadata attributes that are specifically useful for geospatial educational resources. Implementation trade-offs are discussed, e.g., deciding between metadata attributes that are very specific or more generic, and catalogue entries that are immediately available to Web search engines without any quality checks vs. catalogue entries that are moderated by a community of educators before publishing them. By providing metadata about geospatial educational resources, the international geospatial community can contribute to the UN Sustainable Development Goal 4 to ensure inclusive and equitable quality education and to promote lifelong learning opportunities for all. Numéro de notice : C2020-010 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B5-2020-199-2020 Date de publication en ligne : 24/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B5-2020-199-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95661 Considering spatiotemporal processes in big data analysis: Insights from remote sensing of land cover and land use / Alexis Comber in Transactions in GIS, Vol 23 n° 5 (October 2019)
[article]
Titre : Considering spatiotemporal processes in big data analysis: Insights from remote sensing of land cover and land use Type de document : Article/Communication Auteurs : Alexis Comber, Auteur ; Michael A. Wulder, Auteur Année de publication : 2019 Article en page(s) : pp 879 - 891 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] détection de changement
[Termes IGN] données spatiotemporelles
[Termes IGN] inventaire de la végétation
[Termes IGN] métadonnées
[Termes IGN] occupation du sol
[Termes IGN] série temporelle
[Termes IGN] télédétection
[Termes IGN] utilisation du solRésumé : (auteur) Data are increasingly spatio‐temporal—they are collected some‐where and at some‐time. The role of proximity in spatial process is well understood, but its value is much more uncertain for many temporal processes. Using the domain of land cover/land use (LCLU), this article asserts that analyses of big data should be grounded in understandings of underlying process. Processes exhibit behaviors over both space and time. Observations and measurements may or may not coincide with the process of interest. Identifying the presence or absence of a given process, for instance disentangling vegetation phenology from stress, requires data analysis to be informed by knowledge of the process characteristics and, critically, how these manifest themselves over the spatio‐temporal unit of analysis. Drawing from LCLU, we emphasize the need to identify process and consider process phase to quantify important signals associated with that process. The aim should be to link the seriality of the spatio‐temporal data to the phase of the process being considered. We elucidate on these points and opportunities for insights and leadership from the geographic community. Numéro de notice : A2019-549 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12559 Date de publication en ligne : 08/07/2019 En ligne : https://doi.org/10.1111/tgis.12559 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94199
in Transactions in GIS > Vol 23 n° 5 (October 2019) . - pp 879 - 891[article]Galileo and QZSS precise orbit and clock determination using new satellite metadata / Xingxing Li in Journal of geodesy, vol 93 n° 8 (August 2019)PermalinkVers une maquette numérique « foncière » ? / Anonyme in Géomatique expert, n° 129 (août - septembre 2019)PermalinkGeographic information metadata : an outlook from the international standardization perspective / Jean Brodeur in ISPRS International journal of geo-information, vol 8 n° 6 (June 2019)PermalinkGeographic space as a living structure for predicting human activities using big data / Bin Jiang in International journal of geographical information science IJGIS, Vol 33 n° 3-4 (March - April 2019)PermalinkDiffusion des données de rapportages via des services conformes à la Directive INSPIRE / Marie Stretti (2019)PermalinkWebscraping, bigdata et analyse spatiale de données immobilières : réponse à un projet ESPON au sein de l'UMS RIATE / Marc Lieury (2019)PermalinkUn modèle pour l’intégration spatiale et temporelle de données géolocalisées / Helbert Arenas in Revue internationale de géomatique, vol 28 n° 2 (avril - juin 2018)PermalinkA novel computational knowledge-base framework for visualization and quantification of geospatial metadata in spatial data infrastructures / Gangothri Rajaram in Geoinformatica, vol 22 n° 2 (April 2018)PermalinkQuelle cohérence nationale des données géographiques des schémas régionaux de cohérence écologiques / Dominique Andrieu in Cartes & Géomatique, n° 235-236 (mars - juin 2018)PermalinkSimilarity measurement of metadata of geospatial data : an artificial neural network approach / Zugang Chen in ISPRS International journal of geo-information, vol 7 n° 3 (March 2018)Permalink