Centre de documentation
scientifique

n° 320 - septembre - octobre 2024 (Bulletin de Echanger)

Public [n° ou bulletin]  Titre : n° 320 - septembre - octobre 2024 Type de document : Périodique Année de publication : 2024 Importance : 32 p. Langues : Français (fre) Descripteur : [Termes IGN] cartographie numérique [Termes IGN] intelligence artificielle Numéro de notice : 156-202404 Affiliation des auteurs : IGN (2020- ) Nature : Numéro de périodique Permalink : https://documentation.ensg.eu/index.php?lvl=bulletin_display&id=35190 [n° ou bulletin]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
156-2024041	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Étude des outils permettant la classification d’un nuage de points LiDAR aérien et optimisation de la chaîne de traitement dans le cadre du programme national du LiDAR HD / Evan samzun in XYZ, n° 179 (juin 2024)

Public [article]  inXYZ > n° 179 (juin 2024) . - pp. 35 - 42 Titre : Étude des outils permettant la classification d’un nuage de points LiDAR aérien et optimisation de la chaîne de traitement dans le cadre du programme national du LiDAR HD Type de document : Article/Communication Auteurs : Evan samzun, Auteur Année de publication : 2024 Article en page(s) : pp. 35 - 42 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] classification [Termes IGN] image aérienne [Termes IGN] intelligence artificielle [Termes IGN] Lidar [Termes IGN] semis de points Résumé : Ce travail présente une étude portant sur la classification de nuages de points issus d’une acquisition aérienne, en se concentrant sur les données acquises dans le cadre du projet national LiDAR HD. Il réalise une analyse critique des outils proposés par Terrascan et des méthodes pa- ramétriques qui offrent un bon rapport temps/qualité, mais il subsiste des confusions qui demandent un temps de correction conséquent. De plus, les outils Terrascan sont limités à la classification du sol, des bâtiments et d’une partie de la végétation. Il n’est pas proposé de méthodes efficaces pour classifier des éléments de la classe du sursol pérenne, comme les pylônes électriques ou les éoliennes notamment. Pour y remédier, une autre méthode innovante, basée sur les descripteurs 3D est proposée. Cette méthode offre une meilleure détection des bâtiments et permet, en outre, de classifier des éléments du sursol pérenne. Enfin, il est étudié les synergies entre les différents outils testés. Puis les performances d’une IA sont introduites afin de discuter de l’avenir de la classification des nuages de points aériens. Numéro de notice : A2024-17902 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article nature-HAL : ArtSansCL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103658 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
112-2024021	RAB	Revue	Centre de documentation	En réserve L003	Exclu du prêt

Leveraging deep learning and remote sensing to predict ecosystem types in the NiN framework / Matteo Crespin-Jouan (2024)

Public Titre : Leveraging deep learning and remote sensing to predict ecosystem types in the NiN framework Type de document : Mémoire Auteurs : Matteo Crespin-Jouan, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2024 Importance : 41 p. Format : 21 x 30 cm Note générale : bibliographie Mémoire d'ingénieur 2e année Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] cartographie [Termes IGN] couverture (données géographiques) [Termes IGN] gradient [Termes IGN] occupation du sol [Termes IGN] Sentinel-2 [Termes IGN] télédétection [Termes IGN] végétation Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (auteur) Ce rapport présente les résultats d’un stage effectué au sein du Geo-Ecology Research Group (GEco) du Muséum d’Histoire Naturelle d’Oslo. Le projet a porté sur l’application de techniques d’apprentissage profond pour classifier les écosystèmes norvégiens en se basant sur les données du système de classification Natur i Norge (NiN). Différentes sources de données ont été utilisées notamment des images aériennes de drones, des photos prises au sol et des données satellitaires Sentinel, afin de prédire les types d’écosystèmes et des gradients environnementaux clés, tels que la richesse en calcaire. L’étude a exploré différentes approches, notamment les réseaux neuronaux convolutifs (CNN) et les perceptrons multicouches (MLP), en mettant l’accent sur l’exploitation des informations spectrales plutôt que des caractéristiques spatiales. Les résultats ont mis en évidence les défis liés au travail avec des données limitées et incohérentes, en particulier dans le contexte de classifications très détaillée comme NiN. Bien que les modèles aient montré un certain succès, notamment avec l’utilisation de données hyperspectrales, les résultats ont été limités par la qualité et la cohérence des labels disponibles. Note de contenu : Introduction 1. About the Data, the labels, and the distribution of the labels in the datasets 2. CNNs and vision transformers to leverage shape and texture features 3. A more successful endeavour : a mere mutliplayer perceptron on hyper-spectral satellite images Conclusion Numéro de notice : 24266 Affiliation des auteurs : IGN (2020- ) Thématique : BIODIVERSITE/GEOMATIQUE/INFORMATIQUE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Geo-Ecology Research Group (GEco), at Oslo’s Natural History Museum (NHM) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103901

Research on map emotional semantics using deep learning approach / Daping Xi in Cartography and Geographic Information Science, Vol 50 n° 5 (June 2023)  

Public [article]  inCartography and Geographic Information Science > Vol 50 n° 5 (June 2023) . - pp 465 - 480 Titre : Research on map emotional semantics using deep learning approach Type de document : Article/Communication Auteurs : Daping Xi, Auteur ; Xini Hu, Auteur ; et al., Auteur Année de publication : 2023 Article en page(s) : pp 465 - 480 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] émotion [Termes IGN] réseau neuronal profond Résumé : (auteur) The main purpose of the research on map emotional semantics is to describe and express the emotional responses caused by people observing images through computer technology. Nowadays, map application scenarios tend to be diversified, and the increasing demand for emotional information of map users bring new challenges for cartography. However, the lack of evaluation of emotions in the traditional map drawing process makes it difficult for the resulting maps to reach emotional resonance with map users. The core of solving this problem is to quantify the emotional semantics of maps, it can help mapmakers to better understand map emotions and improve user satisfaction. This paper aims to perform the quantification of map emotional semantics by applying transfer learning methods and the efficient computational power of convolutional neural networks (CNN) to establish the correspondence between visual features and emotions. The main contributions of this paper are as follows: (1) a Map Sentiment Dataset containing five discrete emotion categories; (2) three different CNNs (VGG16, VGG19, and InceptionV3) are applied for map sentiment classification task and evaluated by accuracy performance; (3) six different parameter combinations to conduct experiments that would determine the best combination of learning rate and batch size; and (4) the analysis of visual variables that affect the sentiment of a map according to the chart and visualization results. The experimental results reveal that the proposed method has good accuracy performance (around 88%) and that the emotional semantics of maps have some general rules. Numéro de notice : A2023-235 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1080/15230406.2023.2172081 Date de publication en ligne : 21/02/2023 En ligne : https://doi.org/10.1080/15230406.2023.2172081 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103594 [article]

FORMS: Forest Multiple Source height, wood volume, and biomass maps in France at 10 to 30 m resolution based on Sentinel-1, Sentinel-2, and GEDI data with a deep learning approach / Martin Schwartz in Earth System Science Data, vol 15 n° inconnu (2023)  

Public [article]  inEarth System Science Data > vol 15 n° inconnu (2023) Titre : FORMS: Forest Multiple Source height, wood volume, and biomass maps in France at 10 to 30 m resolution based on Sentinel-1, Sentinel-2, and GEDI data with a deep learning approach Type de document : Article/Communication Auteurs : Martin Schwartz, Auteur ; Philippe Ciais, Auteur ; Aurélien de Truchis, Auteur ; Jérôme Chave, Auteur ; Catherine Ottle, Auteur ; Cédric Vega , Auteur ; Jean-Pierre Wigneron, Auteur ; et al., Auteur Année de publication : 2023 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] apprentissage profond [Termes IGN] biomasse aérienne [Termes IGN] données allométriques [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] hauteur des arbres [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] inventaire forestier national (données France) [Termes IGN] modèle numérique de surface de la canopée [Vedettes matières IGN] Inventaire forestier Résumé : (auteur) The contribution of forests to carbon storage and biodiversity conservation highlights the need for accurate forest height and biomass mapping and monitoring. In France, forests are managed mainly by private owners and divided into small stands, requiring 10 to 50 m spatial resolution data to be correctly separated. Further, 35 % of the French forest territory is covered by mountains and Mediterranean forests which are managed very extensively. In this work, we used a deep-learning model based on multi-stream remote sensing measurements (NASA’s GEDI LiDAR mission and ESA’s Copernicus Sentinel 1 & 2 satellites) to create a 10 m resolution canopy height map of France for 2020 (FORMS-H). In a second step, with allometric equations fitted to the French National Forest Inventory (NFI) plot data, we created a 30 m resolution above-ground biomass density (AGBD) map (Mg ha-1) of France (FORMS-B). Extensive validation was conducted. First, independent datasets from Airborne Laser Scanning (ALS) and NFI data from thousands of plots reveal a mean absolute error (MAE) of 2.94 m for FORMS-H, which outperforms existing canopy height models. Second, FORMS-B was validated using two independent forest inventory datasets from the Renecofor permanent forest plot network and from the GLORIE forest inventory with MAE of 59.6 Mg ha-1 and 19.6 Mg.ha-1 respectively, providing greater performance than other AGBD products sampled over France. These results highlight the importance of coupling remote sensing technologies with recent advances in computer science to bring material insights to climate-efficient forest management policies. Additionally, our approach is based on open-access data having global coverage and a high spatial and temporal resolution, making the maps reproducible and easily scalable. FORMS products can be accessed from https://doi.org/10.5281/zenodo.7840108 (Schwartz et al., 2023). Numéro de notice : A2023-179 Affiliation des auteurs : LIF+Ext (2020- ) Thématique : FORET Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/essd-2023-196 En ligne : https://doi.org/10.5194/essd-2023-196 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103341 [article]

Optimized position estimation in mobile multipath environments using machine learning / Nesreen I. Ziedan in Navigation : journal of the Institute of navigation, vol 70 n° 2 (Summer 2023)  

Permalink

Deblurring low-light images with events / Chu Zhou in International journal of computer vision, vol 131 n° 5 (May 2023)  

Permalink

Transform paper-based cadastral data into digital systems using GIS and end-to-end deep learning techniques / Joseph Mango in International journal of geographical information science IJGIS, vol 37 n° 5 (May 2023)  

Permalink

Automatic generation of outline-based representations of landmark buildings with distinctive shapes / Peng Ti in International journal of geographical information science IJGIS, vol 37 n° 4 (April 2023)  

Permalink

Evaluating future railway-induced urban growth of twelve cities using multiple SLEUTH models with open-source geospatial inputs / Alvin Christopher G. Varquez in Sustainable Cities and Society, vol 91 (April 2023)  

Permalink

Improvement in crop mapping from satellite image time series by effectively supervising deep neural networks / Sina Mohammadi in ISPRS Journal of photogrammetry and remote sensing, vol 198 (April 2023)  

Permalink

Mapping the walk: A scalable computer vision approach for generating sidewalk network datasets from aerial imagery / Maryam Hosseini in Computers, Environment and Urban Systems, vol 101 (April 2023)  

Permalink

Methods for matching English language addresses / Keshav Ramani in Transactions in GIS, vol 27 n° 2 (april 2023)  

Permalink

ChatGPT pour la géomatique, potentiel d’utilisation et limites / Emmanuel Clédat in XYZ, n° 174 (mars 2023)

Permalink

Deriving map images of generalised mountain roads with generative adversarial networks / Azelle Courtial in International journal of geographical information science IJGIS, vol 37 n° 3 (March 2023)  

Permalink